Nota: este artículo original de IEEE Spectrum fue patrocinado por X Square Robot; las afirmaciones de rendimiento provienen de la propia empresa y aún no cuentan con validación 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 robótica no tiene una receta así. Los sistemas robóticos se han armado durante mucho tiempo a partir de piezas separadas de percepción, planificación y control que rara vez suman una inteligencia que el robot pueda llevar de una tarea a otra, o de una máquina a otra. El problema central de la IA encarnada es encontrar la receta equivalente, y el campo aún no se pone de acuerdo sobre cuál es.

X Square Robot, una empresa china de IA encarnada, hizo una apuesta inusualmente explícita. 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 físico, y un modelo de acción que reúne percepción, planificación, razonamiento y decisión para generar comportamiento ejecutable. La compañía también 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 pequeño conjunto de principios, más que un único modelo general:

  • La unidad básica del dato robótico es una interacción, no una trayectoria: una demostración es exitosa solo si cambia el mundo como se pretendía, no simplemente porque las articulaciones se movieron.
  • El preentrenamiento debe entregar capacidad usable, no solo una inicialización para un ajuste fino posterior.
  • El comportamiento debe modelarse en torno a eventos físicos, 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 acción también se estructuran para alimentar el modelo del mundo. La empresa describe el modelo del mundo y el modelo de acción como familias complementarias pero independientes que comparten una base de código, 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 propósito general es el costo y la calidad de los datos de interacción, no la cantidad de parámetros. Para abordarlo, la empresa construyó su sistema de recolección QUANXTA Zero Series, basado en la Universal Manipulation Interface (UMI). Funciona recolectando demostraciones de personas que llevan un arnés con pinzas duales, en vez de teleoperar un robot.

Lo que lo distingue son dos decisiones de ingeniería. La primera es el control de calidad, y es la parte más distintiva: en lugar de aceptar las trayectorias grabadas tal cual, el sistema corre un lazo de inspección cerrado cuyo paso notable es la reproducción física. Una muestra de trayectorias se reproduce en el robot real, y solo las que efectivamente completan la tarea cuentan como válidas. Por ejemplo, una pinza que se cierra una fracción de segundo antes de tiempo todavía parece un agarre en los datos, pero empujó el objeto, así que no debería clasificarse como válida. Un conjunto de datos limpio y más pequeño puede valer más que uno grande y ruidoso.

La segunda decisión es cómo 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 pequeña cantidad de datos de robot real como ancla a la dinámica de la máquina específica. Reporta que esto alcanza un rendimiento comparable al de un conjunto de datos totalmente de robot a un costo de recolección unas 20 veces menor, gracias sobre todo a lo mucho más barato que resulta el arnés portable frente a un montaje de teleoperación.

Un modelo del mundo organizado por eventos

En su modelo del mundo, llamado WALL-WM, X Square Robot tomó un enfoque diferenciado. La mayoría de los modelos de acción predicen un fragmento de movimiento de longitud fija a partir de la imagen actual y la instrucción. Eso es cómodo, pero segmenta el comportamiento en ventanas de duración fija, cuyos límites caen donde dicta el tiempo transcurrido y no donde una acción termina y empieza la siguiente. WALL-WM, en cambio, trata como unidad a un evento semántico anclado a la acción: 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 acción recién inicializada que lee las características 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 política que corre antes del ajuste fino

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

La segunda idea es la interfaz de acción en sí, llamada X-Tokenizer. La mayoría de los sistemas que convierten movimiento continuo en tokens discretos producen códigos que el modelo de lenguaje no puede interpretar. X-Tokenizer replantea la tokenización como el aprendizaje de una interfaz semántica, de modo que el código de nivel superior representa la intención de un movimiento mientras los códigos de nivel inferior llevan el detalle fino. Una consecuencia útil es la estabilidad: agregar ruido a una acción apenas mueve el código de intención, lo que permite reutilizar un mismo tokenizer entre robots sin re-ajustar.

¿Qué 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 destacará frente a otros stacks de IA encarnada. La valoración de la empresa trepó por encima de los 20.000 millones de yuanes (unos 2.900 millones de dólares), lo que sugiere que los inversionistas ven cada vez más la infraestructura de datos, los modelos fundacionales y los sistemas de entrenamiento escalables como diferenciadores de largo plazo en la IA encarnada.

La próxima fase traerá una validación más amplia. Buena parte de la evidencia actual proviene de los propios robots y benchmarks de X Square. Con el código del modelo del mundo ahora en proceso de hacerse público, la comunidad podrá probar, reproducir y construir sobre el trabajo en más robots, tareas y escenarios.

Contexto para LatAm

El planteo de X Square Robot toca un punto sensible para la región: si el cuello de botella de la robótica es el costo del dato de interacción y no el cómputo, entonces la barrera de entrada baja. Un arnés portable con pinzas para capturar demostraciones humanas es infinitamente más accesible para un laboratorio universitario chileno que una flota de robots de teleoperación. La reducción de costo de 20 veces que reporta la empresa, de confirmarse de forma independiente, abriría la puerta a que grupos de investigación regionales generen datos útiles sin presupuestos millonarios. La apuesta por liberar el stack en abierto es lo que haría esa promesa concreta.