Nota: este articulo original de IEEE Spectrum fue patrocinado por X Square Robot; las afirmaciones de rendimiento provienen de la propia empresa y aun no cuentan con validacion independiente amplia.

Los grandes modelos de lenguaje le dieron a la inteligencia artificial una receta que funciona: preentrenar un modelo grande con datos amplios y la capacidad general aparece. La robotica no tiene una receta asi. Los sistemas roboticos se han armado durante mucho tiempo a partir de piezas separadas de percepcion, planificacion y control que rara vez suman una inteligencia que el robot pueda llevar de una tarea a otra, o de una maquina a otra. El problema central de la IA encarnada es encontrar la receta equivalente, y el campo aun no se pone de acuerdo sobre cual es.

X Square Robot, una empresa china de IA encarnada, hizo una apuesta inusualmente explicita. Sostiene que la receta es un stack integrado que abarca los datos de los que un robot aprende, un modelo del mundo para predecir cambios en el mundo fisico, y un modelo de accion que reune percepcion, planificacion, razonamiento y decision para generar comportamiento ejecutable. La compania tambien cree que el stack debe construirse y liberarse de forma abierta.

Tres principios que sostienen el stack

Lo que mantiene unido al stack es un pequeno conjunto de principios, mas que un unico modelo general:

  • La unidad basica del dato robotico es una interaccion, no una trayectoria: una demostracion es exitosa solo si cambia el mundo como se pretendia, no simplemente porque las articulaciones se movieron.
  • El preentrenamiento debe entregar capacidad usable, no solo una inicializacion para un ajuste fino posterior.
  • El comportamiento debe modelarse en torno a eventos fisicos, en vez de segmentos fijos de tiempo.

Estos principios hacen que las capas sean interdependientes, ya que los mismos datos sin robot que entrenan el modelo de accion tambien se estructuran para alimentar el modelo del mundo. La empresa describe el modelo del mundo y el modelo de accion como familias complementarias pero independientes que comparten una base de codigo, dentro de su World Unified Model.

Datos de aprendizaje: calidad y costo, no escala

Para el equipo de X Square Robot, una de las mayores restricciones de los robots de proposito general es el costo y la calidad de los datos de interaccion, no la cantidad de parametros. Para abordarlo, la empresa construyo su sistema de recoleccion QUANXTA Zero Series, basado en la Universal Manipulation Interface (UMI). Funciona recolectando demostraciones de personas que llevan un arnes con pinzas duales, en vez de teleoperar un robot.

Lo que lo distingue son dos decisiones de ingenieria. La primera es el control de calidad, y es la parte mas distintiva: en lugar de aceptar las trayectorias grabadas tal cual, el sistema corre un lazo de inspeccion cerrado cuyo paso notable es la reproduccion fisica. Una muestra de trayectorias se reproduce en el robot real, y solo las que efectivamente completan la tarea cuentan como validas. Por ejemplo, una pinza que se cierra una fraccion de segundo antes de tiempo todavia parece un agarre en los datos, pero empujo el objeto, asi que no deberia clasificarse como valida. Un conjunto de datos limpio y mas pequeno puede valer mas que uno grande y ruidoso.

La segunda decision es como se combinan los datos humanos de bajo costo con los escasos datos de robot. La empresa preentrena sobre un gran volumen de demostraciones sin robot para construir representaciones generales, y luego suma una pequena cantidad de datos de robot real como ancla a la dinamica de la maquina especifica. Reporta que esto alcanza un rendimiento comparable al de un conjunto de datos totalmente de robot a un costo de recoleccion unas 20 veces menor, gracias sobre todo a lo mucho mas barato que resulta el arnes portable frente a un montaje de teleoperacion.

Un modelo del mundo organizado por eventos

En su modelo del mundo, llamado WALL-WM, X Square Robot tomo un enfoque diferenciado. La mayoria de los modelos de accion predicen un fragmento de movimiento de longitud fija a partir de la imagen actual y la instruccion. Eso es comodo, pero segmenta el comportamiento en ventanas de duracion fija, cuyos limites caen donde dicta el tiempo transcurrido y no donde una accion termina y empieza la siguiente. WALL-WM, en cambio, trata como unidad a un evento semantico anclado a la accion: una pieza coherente de comportamiento como alcanzar, agarrar o colocar, algo que se puede nombrar en lenguaje, ver en video y ejecutar como movimiento.

Para no descartar lo que los grandes modelos de video ya saben, un modelo de texto a video se acopla a una red de accion recien inicializada que lee las caracteristicas del video sin sobrescribirlas, preservando el prior visual. De ese proceso salen dos modos: uno de eventos, que corre en segmentos de longitud variable y sirve para razonar sobre horizontes largos, y otro de longitud fija, que produce la salida estable y en tiempo real que necesita un controlador.

Una politica que corre antes del ajuste fino

La capa de accion carga dos ideas conectadas. La primera es un requisito que la empresa se impone con Wall-OSS-0.5, su modelo de vision-lenguaje-accion: el modelo preentrenado debe correr en un robot real antes de cualquier ajuste fino especifico de la tarea. El modelo entrena tres objetivos juntos (tokens de accion discretos, anclaje en lenguaje y generacion de accion continua) y mantiene los gradientes fluyendo por todos ellos, en vez de congelar partes de la red como hacen algunos disenos rivales.

La segunda idea es la interfaz de accion en si, llamada X-Tokenizer. La mayoria de los sistemas que convierten movimiento continuo en tokens discretos producen codigos que el modelo de lenguaje no puede interpretar. X-Tokenizer replantea la tokenizacion como el aprendizaje de una interfaz semantica, de modo que el codigo de nivel superior representa la intencion de un movimiento mientras los codigos de nivel inferior llevan el detalle fino. Una consecuencia util es la estabilidad: agregar ruido a una accion apenas mueve el codigo de intencion, lo que permite reutilizar un mismo tokenizer entre robots sin re-ajustar.

¿Que sigue para los stacks de IA encarnada?

X Square Robot apuesta a que su enfoque de combinar tres capas, cada una especializada en resolver una parte clave del problema, se destacara frente a otros stacks de IA encarnada. La valoracion de la empresa trepo por encima de los 20.000 millones de yuanes (unos 2.900 millones de dolares), lo que sugiere que los inversionistas ven cada vez mas la infraestructura de datos, los modelos fundacionales y los sistemas de entrenamiento escalables como diferenciadores de largo plazo en la IA encarnada.

La proxima fase traera una validacion mas amplia. Buena parte de la evidencia actual proviene de los propios robots y benchmarks de X Square. Con el codigo del modelo del mundo ahora en proceso de hacerse publico, la comunidad podra probar, reproducir y construir sobre el trabajo en mas robots, tareas y escenarios.

Contexto para LatAm

El planteo de X Square Robot toca un punto sensible para la region: si el cuello de botella de la robotica es el costo del dato de interaccion y no el computo, entonces la barrera de entrada baja. Un arnes portable con pinzas para capturar demostraciones humanas es infinitamente mas accesible para un laboratorio universitario chileno que una flota de robots de teleoperacion. La reduccion de costo de 20 veces que reporta la empresa, de confirmarse de forma independiente, abriria la puerta a que grupos de investigacion regionales generen datos utiles sin presupuestos millonarios. La apuesta por liberar el stack en abierto es lo que haria esa promesa concreta.