La startup respaldada por el departamento de IA de UC Berkley afirma que su nueva solución de inteligencia artificial podrá ayudar a los robots a pensar más como personas.
La startup Covariant, dedicada al desarrollo de soluciones de inteligencia artificial que buscan llevar la robótica al siguiente nivel, anunció el lanzamiento de un nuevo modelo de lenguaje avanzado diseñado para dotar a los robots con capacidades de razonamiento similares a las humanas llamado Robotics Foundation Model 1 o RFM-1.
Peter Chen, cofundador y director ejecutivo de la empresa respaldada por el departamento de inteligencia artificial de UC Berkeley, señaló que mediante su nuevo modelo Covariant pretende no solamente mejorar significativamente las capacidades de las máquinas, sino también acelerar la llegada de los robots humanoides a la sociedad.
“La visión del RFM-1 es ofrecer un modelo capaz de impulsar los miles de millones de robots que vendrán en un futuro no muy lejano. Ya hemos implementado nuestro modelo con éxito en algunas máquinas de almacenes, pero queremos ir mucho más lejos”, declaró Chen.
“Buscamos impulsar el uso de robots en todos los sectores, desde la manufactura y fabricación de bienes, hasta el procesamiento de alimentos, el reciclaje, la agricultura e incluso en los hogares de las personas para labores domésticas”, añadió el CEO de Covariant.
El nuevo RFM-1
A través de un comunicado oficial, Covariant mencionó que el nuevo RFM-1 es un modelo multimodal impulsado por más de 8 mil millones de parámetros, incluyendo documentos en texto, imágenes, videos, acciones de robots y una variedad de lecturas de sensores numéricos.
Además de lo anterior, la startup describió a su nuevo modelo como “una especie de ChatGPT para robots”, entrenado tanto con información general de bases en Internet como con datos empíricos de máquinas en almacenes de todo el mundo vinculadas a la plataforma de investigación abierta Brain AI de la startup.
Covariant asegura que la principal ventaja de RFM-1 es que permite a los operadores e ingenieros instruir a los robots para que realicen acciones específicas a través de instrucciones simples en lenguaje natural, sin la necesidad de reprogramarlos mediante procesos de codificación complejos.
Lo anterior no solo ayuda a que los robots sean capaces de realizar diversas acciones en función a comandos en lenguaje natural, sino que también reduce en gran medida las barreras de personalización del comportamiento de la IA detrás de cada robot, permitiendo abordar las necesidades únicas de cada propietario.
¿Cómo funciona el nuevo modelo de IA de Covariant?
La plataforma de RFM-1 contiene un campo de texto en donde los operadores pueden escribir un comando y el sistema utiliza sus millones de datos de entrenamiento para identificar la forma, color y tamaño, entre otras características del objeto que más se acerque a la descripción con el fin de cumplir su objetivo.
Posteriormente, RFM-1 genera simulaciones automáticas en videos cortos para determinar los pasos que debe realizar el robot para lograr dicha instrucción, con base en sus capacidades y sus alrededores, similar al procedimiento que atraviesa el cerebro humano al calcular los resultados potenciales de una acción antes de ejecutarla.
Durante una demostración en vivo, se pudo ver como un brazo robótico separó las manzanas del resto de las frutas, siguiendo una indicación que decía “recoge sólo la fruta roja y redonda”. Por si fuera poco, en otro ejemplo, RFM-1 respondió a una indicación más complicada que decía “recolecta las prendas que utilizas en los pies antes de ponerte los zapatos”, a la cuál la máquina reaccionó recogiendo únicamente un par de calcetines de una pila de ropa que contenía camisas, pantalones y calzones.
Por ahora, el nuevo software de Covariant se ha implementado en algunos brazos robóticos industriales dedicados a realizar una variedad de tareas de almacén, como la separación y recolección de contenedores. Actualmente, RFM-1 no ha sido integrado en robots humanoides, sin embargo, la compañía promete hacerlo más adelante este mismo año.
