Physical Intelligence: Los modelos fundacionales de robots alcanzan la destreza más rápido de lo previsto, pero el verdadero cuello de botella se ha desplazado hacia el razonamiento de sentido común
Una entrevista en podcast con el coofundador de Physical Intelligence, Sergey Levine, explora el estado de la investigación en robótica de propósito general y la hoja de ruta técnica de la empresa
Sergey Levine, coofundador e investigador de Physical Intelligence, delineó un panorama técnico inusualmente detallado sobre la situación actual de la robótica de propósito general. Lo que surge es un campo más avanzado en términos de destreza de lo que la mayoría de los observadores externos supondría, aunque todavía limitado por un problema que pocos habían identificado previamente como la restricción principal: el razonamiento semántico de nivel medio en lugar del control físico puro. La conversación, parte de una serie de entrevistas en formato largo, destaca menos por las expectativas exageradas y más por la revelación franca de aquello que ha sorprendido —y lo que no— a los propios investigadores de la empresa desde su fundación.
El cuello de botella pasó de la habilidad física al razonamiento
La revelación más trascendental de la conversación es que los modelos de Physical Intelligence ya han cruzado un umbral en el que las mejoras futuras no provienen de más datos de teleoperación, sino de simplemente hablar con el robot. Levine describió un experimento interno realizado hace aproximadamente seis meses en el que el equipo dejó de añadir datos de teleoperación de bajo nivel para corregir fallos y, en su lugar, etiquetó la experiencia existente del robot con comandos semánticos de mayor nivel. "Eso realmente mejora su capacidad de generalización", afirmó, al explicar que "el cuello de botella se había desplazado desde el nivel más bajo —es decir, la capacidad física del robot para realizar la tarea— hacia este nivel medio, donde ahora el sistema encuentra mayores limitaciones en su habilidad para interpretar la escena y seleccionar el siguiente paso correcto, el cual puede supervisarse mediante lenguaje". En la práctica, esto significa que el rendimiento de un cambio de un robot ahora puede mejorarse a través de la instrucción en lenguaje natural en lugar de una costosa recolección de datos de demostración física, un cambio significativo en la economía unitaria de escalado de estos sistemas.
La destreza y la generalización entre distintos formatos superaron las expectativas internas
Levine fue explícito al señalar que los avances en destreza han superado sus propias estimaciones iniciales. "Hemos avanzado mucho más en destreza de lo que pensaba", apuntó, y destacó que el mismo modelo se transfirió entre robots con diferentes números de grados de libertad y manos multifracturadas o multifuncionales sin necesidad de cambios arquitectónicos, e incluso sin que se le informara qué tipo de robot estaba controlando. Esta generalización entre distintos formatos, lograda simplemente mediante el ajuste fino (fine-tuning) con nuevos datos en lugar de nuevas técnicas, constituye un dato relevante para los inversores que intentan evaluar si los modelos fundacionales pueden amortizar los costos de I+D en diversas plataformas de hardware, una tesis clave que sustenta toda la narrativa de inversión en torno a los "modelos fundacionales de robots".
Los datos reales frente a la simulación siguen siendo una división no resuelta y de gran impacto
Una de las revelaciones técnicas más agudas concierne a una división en el campo que, según Levine, está subestimada: los robots humanoides que realizan demostraciones acrobáticas dependen casi por completo de la simulación con "a menudo, de hecho, cero datos del mundo real", mientras que los sistemas de manipulación robótica —el enfoque de Physical Intelligence— dependen en gran medida de datos del mundo real y grandes modelos fundacionales con una simulación mínima. "Sorprende un poco que en estos dos dominios robóticos los enfoques dominantes parezcan tan diferentes", comentó, y añadió que aún no está claro si un paradigma prevalecerá o si surgirá alguna síntesis. Se trata de una cuestión arquitectónica abierta y sin resolver, con implicaciones directas para la asignación de capital en todo el sector, ya que ambos enfoques implican estructuras de costos de adquisición de datos y cronogramas muy distintos.
Los costos de hardware se han derrumbado, eliminando una barrera estructural
Levine cuantificó la curva de deflación del hardware que respalda la actual ola de inversión en robótica: el robot PR2 que utilizó hace una década costaba aproximadamente $400.000; para cuando fundó su laboratorio en UC Berkeley, un robot comparable costaba unos $30.000; hoy en día, un solo brazo robótico cuesta una décima parte de eso, y Levine anticipa nuevas caídas. Atribuyó este fenómeno a una combinación de avances en hardware y software, al señalar que los brazos de bajo costo serían inutilizables con los métodos tradicionales de control de alta precisión, pero se vuelven viables una vez combinados con sistemas basados en aprendizaje que compensan actuadores más baratos y menos precisos, además de una detección mínima. La propia plataforma de Physical Intelligence utiliza tres cámaras y carece de sensores táctiles o de fuerza, deliberadamente minimalista, bajo la premisa de que el aprendizaje puede sustituir al hardware de detección.
La incertidumbre en los plazos está vinculada explícitamente a una cuestión de estrategia de datos sin resolver
Levine fue inusualmente directo al señalar que la confianza en los plazos de Physical Intelligence depende de una pregunta empírica sin responder: si el futuro escalado dependerá predominantemente de demostraciones de teleoperación humana o de datos de aprendizaje por refuerzo autónomo recopilados por robots ya desplegados, lo que él definió como una división de "90/10 o 10/90". "Mi percepción sobre los plazos se ha vuelto más optimista desde que empezamos", indicó, aunque advirtió que el enfoque comercial y técnico correcto "cambia drásticamente" según qué paradigma de datos triunfe, y que esto solo se resolverá empíricamente en los próximos años. Esta es una revelación notablemente honesta para una empresa en el centro de una gran narrativa de levantamiento de capital, y sugiere que los inversores deben abordar los cronogramas de la robótica con mayor humildad de la que la narrativa de capital de riesgo (venture capital) suele permitir.
Dónde sufrirá más la tecnología: la interacción humana, no la complejidad física
Al ser consultado sobre cuáles serán las tareas restantes más difíciles, Levine no apuntó a las labores que exigen alta destreza, sino a aquellas que implican interacción física con personas, y mencionó el cuidado de ancianos y niños —específicamente cambiar un pañal— como algunas de las capacidades que probablemente los robots alcancen al final. "Creo que ese es realmente el pináculo de la paradoja de Moravec", expresó, argumentando que los seres humanos subestiman sistemáticamente la dificultad de las tareas que evolucionaron para realizar sin esfuerzo. Esto tiene una relevancia directa para los inversores que modelan el mercado total addressable por vertical: las categorías de cuidado que ofrecen mayor valor y mayor disposición a pagar podrían ser también las técnicamente más lentas en materializarse, mientras que las tareas comerciales más rutinarias, como la limpieza de hoteles o el apoyo en restaurantes, representan oportunidades a corto plazo comparativamente más viables.
La adopción empresarial se asemejará a los copilotos de programación, no al reemplazo masivo de mano de obra
Levine rechazó la dicotomía de "los robots reemplazan a los trabajadores", estableciendo una analogía directa con la forma en que las herramientas de IA para programación (coding tools) transformaron la ingeniería de software. "No es que las herramientas de programación hayan aparecido en escena y de repente ya no necesitemos ingenieros de software", afirmó, y predijo que la adopción de la robótica será de igual manera una "danza" en la que humanos y robots alternarán tareas; a veces los robots trabajarán junto a las personas, y otras las personas configurarán los entornos para hacer que los robots sean más productivos, y viceversa. Para las empresas que evalúan el momento de implementación, Levine advirtió que la suposición ingenua de "simplemente recopilar más datos" suele ser errónea, ya que la calidad y el tipo de datos importan más que el volumen, y esto depende en gran medida de apuestas arquitectónicas que el campo aún no ha consolidado.
Dónde los sistemas robóticos podrían eventualmente superar la capacidad humana
Más allá de la paridad en destreza, Levine destacó capacidades sobrehumanas concretas a corto plazo: la velocidad en las tareas —dado que los demostradores humanos hacen pausas frecuentes para procesar información a nivel cognitivo, algo que puede eliminarse algorítmicamente y acelerarse— y, eventualmente, la escala y el factor de forma, mencionando en el largo plazo enjambres de cuatricópteros (quadcopters) o robots quirúrgicos no limitados a interfaces controlables por humanos, una vez que los sistemas dejen de requerir teleoperación humana en tiempo real para trabajos de precisión que exigen destreza, como la cirugía robótica.