La IA de Skild controla robots dañados en segundos sin entrenamiento previo

Skild.ai ha construido una inteligencia artificial que hace algo que parecería imposible: controlar un robot que nunca ha visto antes, en una forma que nunca ha aprendido, y hacerlo en cuestión de segundos incluso cuando ese robot está severamente dañado. La compañía lo demostró de manera brutal. Tomaron robots cuadrúpedos de Unitree, los llevaron a una sierra mecánica, y les cortaron las patas. Luego encendieron el sistema. En pocos segundos, el robot comenzó a moverse de nuevo, adaptándose a su nueva realidad física sin que nadie le hubiera enseñado cómo hacerlo.

Esta capacidad surge de un enfoque radicalmente diferente a cómo se entrena la inteligencia artificial para robots. La mayoría de los sistemas de control robótico funcionan como memorizar respuestas de examen: excelentes para una tarea específica en un dispositivo específico, pero completamente inútiles cuando algo cambia. Un robot entrenado para caminar con cuatro patas no sabe qué hacer si pierde una. Un sistema diseñado para un modelo particular de máquina falla cuando se enfrenta a un modelo diferente. Skild decidió entrenar su inteligencia artificial de manera completamente distinta. Crearon un universo simulado poblado por cien mil robots diferentes, cada uno con una forma corporal distinta, y obligaron a su modelo a aprender a controlarlos a todos. Tras lo que describen como un milenio de simulación, el resultado fue lo que llaman el Cerebro Skild: un sistema capaz de habitar cualquier cuerpo robótico.

La demostración fue exhaustiva. Los ingenieros no solo amputaron extremidades. Simularon roturas de rodilla y vieron cómo el robot se adaptaba para caminar con tres patas. Deshabilitaron las patas delanteras de un cuadrúpedo y observaron cómo, tras algunos intentos, la máquina se levantaba sobre sus dos patas traseras, transformándose efectivamente de un cuadrúpedo a un bípedo. Equiparon robots con ruedas en lugar de patas, luego dañaron todas las ruedas, y el sistema encontró una forma de hacer que la máquina se moviera de todos modos. Añadieron peso extra que desequilibraba a los robots. Aplicaron golpes fuertes. En cada caso, el Cerebro Skild se readaptaba en segundos.

Lo notable es que el modelo nunca había sido entrenado en ninguno de estos robots específicos. Cuando el sistema se activa por primera vez en un nuevo cuerpo, ni siquiera sabe qué tipo de robot está controlando. A veces confunde un cuadrúpedo con un bípedo. El robot inevitablemente cae mientras el sistema intenta entender su propia morfología. Pero aquí es donde entra en juego lo que Skild llama aprendizaje en contexto. Cuando el robot se reinicia, el sistema retiene el registro de su intento anterior como contexto. Usa esa información para mejorar. En el tercer intento, típicamente lo consigue. Todo esto ocurre en milisegundos o minutos, sin memorización, sin trucos.

El mecanismo subyacente es elegante en su simplicidad conceptual. Al entrenar un único modelo para controlar miles de cuerpos robóticos radicalmente diferentes, Skild no creó un sistema especializado en nada. Creó un sistema que aprendió los principios fundamentales de cómo cualquier cuerpo puede moverse. Cuando se enfrenta a una situación nueva, el modelo no busca una respuesta memorizada. Aplica esos principios generales. Cuando el cuerpo cambia, el modelo se adapta porque nunca fue entrenado para un cuerpo específico en primer lugar. Fue entrenado para ser agnóstico respecto a la forma corporal.

Esto tiene implicaciones profundas para la robótica práctica. Los robots industriales, los drones de rescate, cualquier máquina que opere en entornos impredecibles, típicamente fallan cuando algo sale mal. Una rueda se daña. Un motor se atasca. El entorno es diferente al que se esperaba. El sistema de control, entrenado para un escenario específico, no sabe qué hacer. Un robot controlado por el Cerebro Skild, en teoría, podría seguir funcionando. Podría seguir cumpliendo su misión incluso cuando está dañado, incluso cuando está en un entorno completamente diferente al que fue diseñado para enfrentar. La máquina no necesitaría intervención humana. No necesitaría ser reentrenada. Solo necesitaría poder moverse de alguna manera, y el sistema encontraría cómo hacerlo.