DruckFin

Transcripción de Physical Intelligence: La construcción de cerebros universales para la robótica a través de modelos base generales y aprendizaje por refuerzo

2 de septiembre de 2026 | Conversación a fondo con Sergey Levine sobre IA incorporada

Introducción y definición de la inteligencia física

Anfitrión: Mi invitado de hoy es Sergey Levine, uno de los cofundadores e investigadores de Physical Intelligence. Como aclaración, soy inversor en Physical Intelligence porque considero que es una de las empresas más importantes que abordan el problema de la robótica. Como nos escucharán debatir hoy, la robótica sufre lo que yo llamaría un problema del espantapájaros. Todos estos dispositivos físicos increíbles son cada vez más viables en todo tipo de permutaciones geniales, pero lo que realmente necesitan es inteligencia, un cerebro, y eso es exactamente lo que están desarrollando en Physical Intelligence. Intentan desarrollar modelos base que permitan a cualquier robot físico realizar cualquier tarea en cualquier entorno. Este desafío es inmenso y ha requerido que muchos de los mejores investigadores del mundo, siendo Sergey uno de esos líderes, se unan para intentar resolverlo. La naturaleza de nuestra conversación de hoy abarca todos los problemas a los que se enfrenta la robótica y el enorme potencial de resolverlos a escala global. Espero que disfruten de esta gran charla con Sergey Levine.

Anfitrión: Será un verdadero placer y una oportunidad fascinante aprender sobre lo que posiblemente sea el área tecnológica más emocionante e impactante en desarrollo. Para sentar las bases antes de retroceder en el tiempo, tal vez podrías definir Physical Intelligence según tu perspectiva.

Sergey Levine: Fundamentalmente, el objetivo de Physical Intelligence es desarrollar modelos base de robótica capaces de controlar básicamente cualquier sistema incorporado para realizar cualquier tarea. En términos generales, se puede imaginar que, de la misma manera que un modelo de lenguaje evoluciona rápidamente hacia un sistema capaz de realizar cualquier tarea que pueda expresarse mediante el lenguaje, lo que nos gustaría es construir una nueva clase de modelos que puedan ejecutar cualquier tarea realizable por un dispositivo físico motorizado. Parte de la tesis de esta compañía es que creemos que abordar este objetivo con total generalidad podría resultar, a largo plazo, más sencillo que intentar crear casos especiales para aplicaciones muy específicas y reducidas. De nuevo, de forma muy similar a como ocurrió con los modelos de lenguaje, donde demostró ser más fácil en ciertos aspectos resolver las tareas de lenguaje natural en su total generalidad que enfocar estrechamente la traducción automática o el análisis de sentimientos.

Los pros y los contras de la generalización frente a los sistemas específicos de un dominio

Anfitrión: Quizás no resulte obvio por qué tomar esa decisión en lugar de apostar por un robot que simplemente lave los platos o algo similar. ¿Cuáles son las ventajas y desventajas clave que debemos comprender y qué motivó su elección?

Sergey Levine: Tal vez pueda ofrecerle una respuesta en dos partes. La primera es la analogía con los modelos de lenguaje, y la segunda es lo que eso significa en el mundo de la robótica. La primera se fundamenta en evidencias empíricas. En el ámbito del lenguaje natural, vimos numerosos esfuerzos por desarrollar soluciones específicas para dominios concretos que abordaban problemas particulares. Por ejemplo, alguien dedicaba mucho tiempo a analizar las diferencias entre el inglés y el francés para luego construir un sistema de traducción automática. La razón por la cual los modelos de lenguaje terminaron por imponerse en todos esos dominios de aplicación diferentes es que pueden aprovechar fuentes de datos mucho más amplias.

Sergey Levine: Ni siquiera es tan simple como decir que teníamos estos datos para esta aplicación y aquellos datos para otra y fusionamos todo. En realidad, va más allá. Cuando eres capaz de aprovechar datos débilmente etiquetados, como aquellos que se extraen de la web en el caso de los modelos de lenguaje, aprendes más sobre el mundo. Estableces una base de comprensión del entorno y, sobre esa base, resulta mucho más eficaz desarrollar diferentes aplicaciones.

Sergey Levine: Si trasladamos esto a la robótica, el cálculo no es exactamente el mismo, ya que en la robótica no disponemos de un conjunto de datos del tamaño de internet al que podamos recurrir directamente. No obstante, esta noción de comprender el mundo es, si cabe, aún más importante en la robótica. Si se cuenta con muchas tareas distintas y numerosos sistemas físicos variados, es posible pasar de entrenar a especialistas individuales en lavar platos o doblar ropa a entrenar un modelo que realmente entienda la interacción física. Las personas podemos dominar nuevas habilidades con gran rapidez porque comprendemos la interacción física. Somos capaces de intuir lo que va a suceder en una situación nueva y desconocida, lo que nos permite arrancar con mucha agilidad. Si logramos aprovechar datos de múltiples fuentes, diversas aplicaciones y distintos robots, podremos obtener un modelo con comprensión física, lo que facilitará enormemente la implementación de nuevas aplicaciones sobre esa plataforma.

El desafío de los modelos generales y la trampa de las demostraciones acotadas

Anfitrión: ¿Qué es lo más difícil de construir de esta manera cuando se observan otros enfoques quizás más comprensibles para la persona promedio, como un robot que se desplaza y hace una sola tarea específica?

Sergey Levine: Esto ha sido un problema a lo largo de toda mi carrera porque, cuando te dedicas al aprendizaje robótico, una generalización eficaz no es en realidad el camino óptimo para producir una demostración sumamente llamativa. La manera de lograr una demostración muy atractiva consiste en elegir una tarea muy vistosa, controlar todo lo demás en el entorno, configurarlo para que esté perfectamente limpio e impecable, y hacer que funcione exclusivamente en ese escenario. Así es como se crea una demostración robótica clásica.

Sergey Levine: La generalización no puede demostrarse en un único lugar. El propósito de la generalización es que realice algo relativamente mundano que cualquier ser humano podría hacer, pero que lo ejecute en cualquier situación. Lanzamos algunas demostraciones en las que mostramos a nuestro robot limpiando cocinas. Si uno observa un video individual fuera de su contexto, parece simplemente que está recogiendo platos, algo que cualquier persona puede hacer. Pero el punto clave era que pusimos al robot en ese hogar específicamente para esa demostración y nunca antes había visto datos de entrenamiento de ese entorno. Hay que comprender lo que sucede tras bambalinas para valorar por qué eso está impulsando la frontera tecnológica.

Las apuestas a largo plazo y el cambio de plataforma

Anfitrión: ¿Cuál es su perspectiva sobre la magnitud de lo que están haciendo? Si tienen éxito y logran cruzar ese abismo de la inteligencia física general, ¿qué posibilidades abriría?

Sergey Levine: Uno de los aspectos más emocionantes sería la capacidad de liberar la imaginación de las personas en la forma en que construyen robots y otros sistemas incorporados. Las computadoras personales fueron sumamente relevantes porque hicieron posible que muchas personas desarrollaran por su cuenta todo tipo de aplicaciones interesantes. Se produjo una explosión cámbrica de software increíble que comenzó en la década de 1990 y se aceleró aún más con internet. Pienso que algo similar podría suceder en el mundo de la robótica, pero hoy en día no puede ocurrir porque, si alguien quiere armar una nueva aplicación robótica interesante, debe construir un stack técnico descomunal y resolver prácticamente por su cuenta el problema de la inteligencia.

Sergey Levine: Si existe un modelo base sobre el cual se pueda construir, al que se le puedan dar instrucciones (prompts) para proporcionar funcionalidad básica y luego ajustar (fine-tune) o adaptar a una aplicación específica, se vuelve mucho más viable para una gran cantidad de personas, empresas e individuos probar todo tipo de iniciativas diversas. A veces pensamos que los robots van a ser una sola cosa, como humanos de metal. Pero ninguna tecnología se ha desarrollado de esa manera. Más bien será como una caja de herramientas con la que se podrán armar todo tipo de aplicaciones. Uno podrá ser creativo, por ejemplo, construyendo un robot con cinco brazos que cuelgue del techo. Para hacer eso se necesita la plataforma de software base adecuada, y el modelo base puede cumplir ese rol.

Ventajas y desventajas de los robots humanoides frente a las formas corporales generales

Anfitrión: Desde su punto de vista, ¿cuáles son los pros y los contras del enfoque humanoide en la robótica?

Sergey Levine: Una ventaja es que resulta muy llamativo. Se lo muestras a alguien y lo entiende de inmediato. Capturar la imaginación y lograr que la gente reflexione sobre cómo podría ser el futuro de una manera comprensible tiene muchísimo valor. Sin embargo, en mi opinión, los humanoides son solo uno de los muchos tipos posibles de robots que probablemente tendremos. Fundamentalmente, el desafío de la inteligencia es muy similar para todos estos robots diferentes. No creo que debamos abordar la inteligencia únicamente en el contexto de un cuerpo específico. Debemos manejarla de manera general porque necesitamos una gran cantidad de datos en sistemas diversos.

Sergey Levine: Lo interesante de construir robots es que, en última instancia, no tienen por qué limitarse a parecerse a los humanos. Es posible construir la herramienta adecuada para cada trabajo. Se podría imaginar la construcción de una casa con un enjambre de 10.000 cuadricópteros. En el futuro, contaremos con un modelo base de robótica que podrá adaptarse a todo tipo de aplicaciones, abarcando desde excavadoras hasta humanoides y brazos robóticos. Los fundamentos de cómo se interactúa con los objetos, cómo se mueven las cosas en el mundo y cómo funciona la causalidad se conservan en todos estos sistemas diferentes.

Anfitrión: ¿Tiene algún ejemplo favorito de lo que podría ser posible con una verdadera inteligencia general que tal vez no se logre con una inteligencia exclusivamente humanoide?

Sergey Levine: Hay varias cuestiones que vale la pena considerar. Una de ellas es que podemos fabricar máquinas muy grandes y máquinas muy pequeñas. A largo plazo, existen aplicaciones muy interesantes en la medicina y la cirugía donde tal vez no estemos limitados a robots que parezcan humanos ni siquiera a robots controlados directamente por humanos. Actualmente, la cirugía robótica se realiza mediante teleoperación, lo que requiere control humano en tiempo real con gran destreza. A largo plazo, los sistemas autónomos podrían abordar tareas que superen las capacidades motoras humanas directas.

Hitos históricos en la investigación en robótica

Anfitrión: Si piensa en los hitos más importantes en la línea de tiempo de la investigación en robótica que nos han traído hasta este punto, ¿cómo nos guiaría a través de esa historia?

Sergey Levine: Hasta cierto punto, realizar un control de extremo a extremo (end-to-end) para sistemas robóticos es una idea antigua. Los primeros sistemas de conducción autónoma que utilizaban aprendizaje de extremo a extremo datan de la década de 1980. ALVINN, desarrollado alrededor de 1986 o 1987, fue un sistema de conducción demostrado en autopistas y controlado por una diminuta red neuronal que recibía entradas de una cámara. Si bien los conceptos son veteranos, históricamente la dificultad en el aprendizaje robótico ha sido satisfacer varios requisitos simultáneamente: debe gestionar la aplicación de forma rentable sin requerir una recolección masiva de datos para cada tarea individual, debe manejar escenarios de cola larga (long-tail) con sentido común, y debe mantenerse robusto, rápido y confiable.

Sergey Levine: el aprendizaje automático funciona mejor cuando hay una gran cantidad de datos. Si se aborda ingenuamente un problema como lavar platos recopilando una cantidad descomunal de datos de lavado de platos, no resulta rentable porque hay que repetir todo ese proceso para la siguiente tarea. Entrenar modelos de propósito general reduce la cantidad de datos necesarios por tarea. Lo que ha cambiado más recientemente es la capacidad de gestionar escenarios inusuales. En casos límite (edge cases) donde se carece de experiencia previa, es necesario recurrir a conocimientos adquiridos de otras fuentes y fundamentarlos en la nueva situación. Los modelos multimodales de lenguaje son muy hábiles para incorporar un vasto conocimiento web. Aunque no están intrínsecamente fundamentados en situaciones físicas, proporcionan una vía para importar sentido común al control robótico.

Anfitrión: ¿Existen hitos equivalentes en la línea de tiempo de la robótica que sean comparables a AlexNet o al transformer?

Sergey Levine: Es pronto para responder a eso de forma definitiva. Si echamos la vista atrás, los primeros sistemas de aprendizaje de extremo a extremo en los años 80 fueron un hito. Los primeros sistemas de aprendizaje por refuerzo profundo (deep RL) a principios de la década de 2010 constituyeron otro hito importante porque el RL profundo nos otorga una vía para superar el rendimiento a nivel humano. Más recientemente, la llegada de los LLM multimodales adaptados para el control robótico con el fin de aportar sentido común es un avance fundamental, y es probable que veamos varios grandes hitos más en los próximos años.

El recorrido de investigación de Sergey Levine: de las hojas en blanco a los grandes modelos

Anfitrión: ¿Podría compartir su trayectoria personal al abordar este problema, desde que comenzó a interesarse hasta cómo decidió en qué enfocarse?

Sergey Levine: Empecé a trabajar en robótica en 2014, tras terminar mis estudios de posgrado y comenzar un posdoctorado con el profesor Pieter Abbeel en UC Berkeley. Antes de eso, trabajé en computación gráfica y animación de personajes. La pregunta central que siempre quise resolver era cómo construir sistemas de IA que mejoruen continuamente cuanto más interactúan con el mundo.

Sergey Levine: Inicialmente, lo abordé desde la perspectiva de una hoja en blanco, donde un agente comienza sin nada, practica una habilidad y mejora. Eso funciona en entornos acotados y controlados, pero es difícil convertirlo en un sistema general para entornos de mundo abierto porque cualquier cambio leve exige volver a entrenar desde cero. Más adelante, cuando trabajé en Google, exploré la posibilidad de paralelizar esto en muchos robots: el aprendizaje colectivo, donde colocas 20 robots en una habitación para que aprendan simultáneamente. Eso mejoró la generalización, pero aun así producía especialistas muy limitados que batallaban con los casos límite.

Sergey Levine: El siguiente paso consiste en combinar la capacidad de practicar habilidades con grandes cantidades de conocimiento previo. Este es un problema complejo en toda la IA. Los dos grandes logros de la inteligencia artificial en las últimas décadas han sido la IA generativa, ejemplificada por los LLM que reproducen capacidades humanas, y el aprendizaje por refuerzo profundo, ejemplificado por AlphaGo encontrando soluciones sobrehumanas como el movimiento 37. El desafío en Physical Intelligence consiste en combinar ambos paradigmas: aportar un vasto conocimiento generativo del mundo y utilizar el aprendizaje por refuerzo para superar el rendimiento a nivel humano.

Modelos de visión-lenguaje-acción y razonamiento en cadena de pensamiento

Anfitrión: ¿Qué están haciendo exactamente para lograr esa combinación?

Sergey Levine: En los últimos años, comenzamos desarrollando modelos de visión-lenguaje-acción (VLA). Un modelo VLA puede entenderse como un LLM adaptado para el control robótico. Está preentrenado en texto, adaptado con amplios datos de imágenes web para comprender escenas visuales, y luego ajustado (fine-tuned) con diversos datos robóticos. Eso sirve como base para incorporar conocimiento a escala de la web en el control de robots.

Sergey Levine: Sobre esa base, exploramos dos capacidades principales: manejar situaciones inusuales mediante el sentido común y mejorar a través del aprendizaje por refuerzo. Para lograr el sentido común, utilizamos el razonamiento en cadena de pensamiento (chain-of-thought). Cuando el robot se encuentra con una escena, en lugar de ejecutar inmediatamente comandos motores, razona sobre la tarea. Si se le pide que limpie una cocina, analiza la entrada visual, genera un pensamiento semántico intermedio como recoger un plato específico y luego actúa. Estas inferencias intermedias se benefician del preentrenamiento a escala web.

Sergey Levine: El aprendizaje por refuerzo se aplica al practicar tareas repetidamente para mejorar la robustez, la velocidad y la precisión. En nuestra demostración de preparación de espresso, el sistema practicó una y otra vez para optimizar el rendimiento y la fiabilidad. Continuamos construyendo sobre esta doble base.

Requisitos de sensores y bucles de retroalimentación de datos

Anfitrión: Al observar estas plataformas robóticas, los datos se recopilan a través de sensores colocados en el hardware. ¿Cómo conciben el conjunto de sensores necesario?

Sergey Levine: A menudo es posible arreglárselas con menos sensores de lo que la gente piensa. Nuestra plataforma experimental principal utiliza tres cámaras: una en cada muñeca y otra en la base. No cuenta con sensores táctiles ni de fuerza dedicados. Un algoritmo de aprendizaje competente puede compensar las deficiencias del hardware. Por ejemplo, las cámaras en las muñecas actúan de manera efectiva como sensores táctiles porque la retroalimentación visual captura las deformaciones físicas locales al momento del contacto.

Anfitrión: En los modelos de lenguaje, la escala masiva de internet impulsó el gran avance. ¿Cómo crean el depósito de datos necesario para la IA incorporada?

Sergey Levine: Nadie sabe con exactitud cuántos datos de robots se necesitan para lograr una generalización universal, pero es posible que no necesitemos saberlo de antemano. Lo que importa es lograr que los sistemas sean lo suficientemente útiles como para poder desplegarlos y recopilar datos de forma autónoma. Tesla no se preocupa por recopilar datos de conducción insuficientes porque su flota ya es útil y recopila activamente. El objetivo es desplegar sistemas capaces de realizar diversas tareas y establecer un bucle de retroalimentación de datos (data flywheel).

Anfitrión: Desde que fundó Physical Intelligence, ¿qué es lo que más le ha sorprendido de la trayectoria de la investigación?

Sergey Levine: Logramos un progreso mucho más rápido de lo que anticipé inicialmente en cuanto a la destreza. Basándome en trabajos previos, esperaba que la generalización en diversos objetos y escenas escalara de manera constante con más datos. Sin embargo, los modelos también aprendieron comportamientos altamente diestros sin requerir arquitecturas complejas y especializadas.

Sergey Levine: Además, los modelos se generalizaron a través de diferentes formas corporales de robots —incluyendo manos con múltiples dedos y brazos con distintos grados de libertad— sin necesidad de modificaciones arquitectónicas ni instrucciones explícitas sobre la configuración del hardware. El ajuste (fine-tuning) con datos específicos de la forma corporal fue suficiente.

La paradoja de Moravec y el entrenamiento semántico

Anfitrión: ¿En qué áreas los sistemas actuales están más avanzados o menos avanzados de lo que la gente podría suponer?

Sergey Levine: Esto se relaciona directamente con la paradoja de Moravec. Los humanos asumimos intuitivamente que las tareas difíciles para nosotros, como el cálculo avanzado, son difíciles para las máquinas, mientras que las tareas fáciles para nosotros, como agarrar una taza, deberían ser sencillas. En realidad, los cerebros humanos han evolucionado con una maquinaria especializada masiva para la interacción física y la percepción visual. Programar esas habilidades físicas manualmente es extraordinariamente difícil.

Sergey Levine: El aprendizaje automático altera esta dinámica. Allí donde la recolección de datos es directa, las tareas se vuelven manejables incluso si son físicamente intrincadas. Por el contrario, las tareas que requieren sentido común abstracto, razonamiento multinivel y la vinculación de la ejecución física con un amplio conocimiento del mundo siguen siendo difíciles.

Anfitrión: ¿Cómo define el sentido común en el contexto de la robótica?

Sergey Levine: El sentido común en el aprendizaje robótico significa aplicar inferencias semánticas aprendidas en otros dominios a la tarea física en cuestión. Es lo opuesto a la pura memoria muscular. La memoria muscular opera automáticamente a través de la repetición. El sentido común se aplica cuando te encuentras ante una situación, recuerdas un hecho o principio relevante aprendido en otra parte, lo fundamentas en el entorno inmediato y seleccionas la acción correcta.

Anfitrión: Los modelos de lenguaje han avanzado desde el chat de un solo turno hasta el razonamiento agéntico de largo alcance. ¿Cuál es el equivalente de capacidad de largo alcance en la robótica?

Sergey Levine: Estamos trabajando intensamente en esto. Utilizando el razonamiento en cadena de pensamiento, nuestros modelos pueden ejecutar tareas prolongadas, como descargar platos de un lavavajillas, guardarlos en los gabinetes y limpiar las encimeras. Un descubrimiento importante que hicimos hace aproximadamente 6 meses es que el rendimiento del modelo en tareas de largo alcance puede mejorarse simplemente supervisándolas con instrucciones semánticas de alto nivel.

Sergey Levine: Cuando un robot fallaba durante una tarea de limpieza de cocina, en lugar de recopilar trayectorias adicionales de teleoperación de bajo nivel, proporcionamos etiquetas semánticas para los pasos intermedios. Esto mejoró la generalización. El cuello de botella operativo se había desplazado desde el accionamiento físico de bajo nivel hacia la interpretación de escenas de nivel medio y la selección de pasos. Esto permite a los operadores humanos mejorar el rendimiento del robot mediante asesoramiento lingüístico en lugar de demostraciones físicas manuales.

Riesgos técnicos y prácticos para el despliegue generalizado

Anfitrión: Si miramos hacia el año 2050 y la robótica doméstica generalizada aún no está muy extendida, ¿cuál sería la explicación principal?

Sergey Levine: El cuello de botella es probablemente la intersección entre la tecnología y la comodidad humana. Los vehículos autónomos se enfrentaron a dinámicas de adopción similares. Desplegar sistemas en los hogares implica casos límite y cuestiones de tolerancia a fallos. ¿Se sienten cómodos los usuarios con la ruptura ocasional de platos o con el despliegue de robots alrededor de niños pequeños? Navegar por esos factores sociales y de seguridad determinará los plazos de despliegue en diferentes entornos.

Sergey Levine: Desde una perspectiva puramente técnica, el principal riesgo es gestionar la amplitud del mundo abierto. Los entornos comerciales estructurados, como la limpieza de habitaciones de hotel o la asistencia en cocinas comerciales, presentan variaciones acotadas. Los entornos domésticos no estructurados presentan eventos impredecibles que requieren una inferencia robusta y modos de fallo seguros.

Simulación frente a datos del mundo real y las Olimpiadas de Robots

Anfitrión: ¿Cómo ve el debate entre el uso de la simulación frente a los datos del mundo real en la robótica?

Sergey Levine: Existe una dicotomía clara en la investigación robótica actual. En la locomoción de humanoides, la tubería (pipeline) dominante se basa en gran medida en la simulación física con datos del mundo real mínimos o nulos. En la manipulación robótica, el enfoque dominante utiliza grandes conjuntos de datos del mundo real combinados con modelos base, con poca simulación. Sigue siendo una pregunta de investigación abierta si un enfoque dominará o si surgirá una síntesis.

Anfitrión: ¿Cómo equilibra el desarrollo de demostraciones impresionantes con la construcción de productos útiles?

Sergey Levine: Nuestro enfoque es hacer que los sistemas sean tan emocionantes como sea posible, sujetos a la limitación de que deben ser útiles. Priorizamos la investigación fundamental que hace avanzar los modelos base generales de robótica, pero sometemos los modelos a pruebas de resistencia frente a puntos de referencia (benchmarks) de manipulación difíciles.

Sergey Levine: Por ejemplo, el exinvestigador de Everyday Robots Benji Holson propuso unas Olimpiadas de Robots prácticas que consisten en tareas de manipulación cotidianas que a los humanos les parecen triviales pero con las que los robots batallan, como abrir puertas, fregar sartenes grasientas o usar una bolsa para recoger basura. Utilizamos esta lista para probar nuestra tubería general de incorporación. Sin desarrollar algoritmos especializados para tareas individuales, nuestro modelo base resolvió con éxito casi todas ellas. Las únicas excepciones fueron poner una camisa de vestir del revés, lo cual estaba limitado físicamente por el tamaño de la pinza (gripper), y pelar una naranja puramente con los dedos, lo que requería una pequeña herramienta debido a los límites de fuerza de agarre. Esto demostró el poder de un modelo general para incorporar diversas tareas con rapidez.

Agnosticismo de forma corporal y filosofía de investigación

Anfitrión: Mencionó el concepto del uso de herramientas en sistemas biológicos. ¿Cómo se relaciona eso con la inteligencia de los robots?

Sergey Levine: Los estudios en neurociencia demuestran que cuando los monos utilizan herramientas, las representaciones neuronales en el cerebro se adaptan de modo que la punta de la herramienta es tratada como una extensión de la mano física. Esto refuerza la idea de que la inteligencia debe ser agnóstica respecto a la forma corporal (embodiment-agnostic). Un modelo base universal debe adaptarse para controlar cadenas cinemáticas y herramientas arbitrarias. La manipulación, la locomoción y el control industrial se unifican bajo un único problema central de inteligencia.

Anfitrión: ¿Cuáles son los principales debates filosóficos dentro de la comunidad de investigación en robótica hoy en día?

Sergey Levine: Históricamente, el debate giraba en torno a si el aprendizaje automático tenía cabida en la robótica en comparación con la ingeniería clásica y los modelos físicos. Si bien el aprendizaje ya está ampliamente aceptado, todavía existe debate sobre el aprendizaje de extremo a extremo frente a los sistemas modulares que incorporan física codificada a mano. La amarga lección (The Bitter Lesson) postula que aprovechar métodos generales con datos y capacidad de cómputo supera al conocimiento de dominio diseñado a mano con el tiempo. Si bien la incorporación de modelos físicos explícitos ofrece estructura a corto plazo, el aprendizaje de extremo a extremo proporciona la escalabilidad y la auto-mejora necesarias para una verdadera generalidad en el mundo abierto.

Anfitrión: ¿Qué tipos de tareas espera que estén entre las últimas en ser automatizadas por los robots?

Sergey Levine: Las tareas que implican una interacción física directa y matizada con los humanos —como cambiar el pañal de un niño, el cuidado de adultos mayores o ayudar a una persona lesionada a levantarse— serán excepcionalmente desafiantes. Estas tareas requieren una modulación precisa de la fuerza, altos márgenes de seguridad y un profundo sentido común socio-físico.

Ejecución de la investigación, costos de hardware y perspectivas futuras

Anfitrión: ¿Qué diferencia a los investigadores de IA excepcionales al navegar por estos problemas difíciles?

Sergey Levine: La investigación requiere tomar decisiones críticas sobre cuándo persistir con un enfoque frente a cuándo pivotar. Pivotar demasiado pronto significa perderse avances que están justo debajo de la superficie; persistir demasiado tiempo en una premisa defectuosa desperdicia años. Los investigadores exitosos desarrollan una fuerte intuición para equilibrar la profundidad de enfoque con la experimentación exploratoria.

Anfitrión: Los costos de hardware también han disminuido drásticamente. ¿Cómo impacta eso en el ecosistema?

Sergey Levine: Hace una década, una plataforma de investigación como el PR2 costaba alrededor de $400.000. Cuando establecí mi laboratorio en UC Berkeley, los brazos estándar rondaban los $30.000. Hoy en día, se pueden conseguir brazos robóticos de bajo costo por aproximadamente $3.000, y los costos continúan bajando. Debido a que el software basado en aprendizaje puede compensar las limitaciones de cumplimiento y sensores del hardware, el hardware de bajo costo se vuelve viable para tareas complejas, reduciendo radicalmente la barrera de entrada.

Anfitrión: ¿Cuál es el enfoque principal de Physical Intelligence a corto plazo?

Sergey Levine: Nuestro enfoque principal es avanzar en el razonamiento semántico y espacial de nivel medio. El control físico de bajo nivel es en gran medida manejable, pero vincular esas primitivas motoras con el conocimiento del mundo de alto nivel requiere representaciones internas adaptadas para la interacción física en lugar de tokens puramente lingüísticos.

Anfitrión: Mirando hacia atrás en su carrera, ¿cuál es el gesto más amable que alguien ha tenido con usted?

Sergey Levine: Varias oportunidades clave moldearon mi trayectoria. Cuando estaba en mi segundo año de universidad, un gerente de contratación en Nvidia se arriesgó conmigo ofreciéndome una pasantía. Más tarde, Pieter Abbeel apostó por mi potencial aceptándome como posdoctorado en UC Berkeley a pesar de que no tenía experiencia previa en robótica. Finalmente, durante mi etapa en Google, líderes como Jeff Dean y Vincent Vanhoucke respaldaron nuestra propuesta de desplegar decenas de robots simultáneamente para el aprendizaje colectivo —el proyecto de la granja de brazos—, empoderando a los investigadores en etapas tempranas de su carrera para perseguir ideas ambiciosas. Contar con líderes que brindan autonomía y apuestan por las personas marca una diferencia profunda.

Anfitrión: Sergey, muchas gracias por compartir sus perspectivas hoy.

Sergey Levine: Muchas gracias.