Imagina un brazo robótico que, después de ver un videoclip de solo 3 a 12 segundos, es capaz de apilar vasos o meter bloques en un cuenco. Y, si le quitas la herramienta, improvisa con lo que tiene a mano, incluso con un plátano. Esto ya no es ciencia ficción, sino lo que ha mostrado la startup Generalist AI.

Con sede en Cambridge, Massachusetts, la compañía ha lanzado GEN-1.5, un modelo fundacional para robots que aprende tareas físicas nuevas a partir de una única demostración. No hace falta programar la tarea ni realizar un ajuste fino: basta con introducir los datos sensorimotores en su ventana de contexto de 30 segundos.

¿Cómo funciona el «prompting físico»?

El mecanismo clave se llama «physical prompting» . Se arrastra un ejemplo sensorimotor —que incluye flujos de sensores más la trayectoria de acción— a una interfaz y el modelo lo ejecuta al instante, sin dar ni un solo paso de gradiente. Según la compañía, esta capacidad no fue diseñada explícitamente: no hubo cambios arquitectónicos para fomentar el aprendizaje en contexto, ni bucles de meta-aprendizaje, ni objetivos auxiliares. Sencillamente, emergió tras más de ocho meses de preentrenamiento continuo con datos de interacción física, de la misma manera que el aprendizaje en un solo paso apareció en GPT-3.

Pete Florence, cofundador y CEO, lo explica en referencia al impacto del primer GPT-3: «Es exactamente el tipo de cosa que emocionó a la gente con GPT-3 —podías tomar ese modelo, darle una instrucción para una tarea nueva y tenía una oportunidad real de hacerla».

Los números: del 59% al 83%

En pruebas sobre 10 tareas diversas, el método de un solo disparo (one-shot) en contexto alcanzó una media de 59% de éxito (±10% de desviación estándar) partiendo del modelo preentrenado. Con solo 10 pasos de gradiente sobre cinco minutos de datos por tarea —aproximadamente 50 demostraciones— el acierto subió al 83% (±9%) . En un caso extremo, un único paso de gradiente con un minuto de datos llegó al 66,5% en una tarea no vista, sin necesidad de ajustar hiperparámetros.

Lo realmente interesante es el coste computacional: mientras que adaptar políticas robóticas suele requerir decenas de miles de pasos de gradiente, aquí diez pasos mueven los pesos del modelo en menos de un 0,15% . Generalist lo interpreta como un ajuste que reconfigura conocimiento ya existente, no como una construcción de representaciones desde cero.

Transferencia y sorpresas

El modelo también muestra capacidades emergentes de generalización:

  • Generalización compositiva: dos demostraciones grabadas de forma independiente pueden encadenarse en un solo comportamiento continuo, incluyendo movimientos de transición que no aparecen en ninguna de las demostraciones.
  • Transferencia sim-to-real: una demostración grabada íntegramente en simulación funciona como instrucción para el robot real, a pesar de que el preentrenamiento no contenía ningún dato simulado.
  • Imitación humano-robot: en algunos casos, una persona demuestra la tarea con sus propias manos delante de las cámaras del robot, y el modelo la reproduce con los efectores del robot.

Además, tras un ligero ajuste fino, el modelo improvisó herramientas: entrenado para barrer un bloque hacia un cuenco con un cepillo, al retirar el cepillo usó un plátano como sustituto, o empleó un recogedor para levantar y volcar el bloque. También retiró una hoja de papel que cubría el cuenco y trabajó de forma ambidiestra aunque las demostraciones usaran una sola mano.

¿Se puede usar ya?

No. Generalist AI advierte que GEN-1.5 es una versión de investigación, no un producto desplegable. No hay pesos públicos, ni API, ni página de precios, ni producto de autoservicio. La compañía ejecuta el modelo en su propia flota y motor de datos. Quien quiera acceder hoy debe hacerlo mediante una asociación directa.

Danfei Xu, robótico de Georgia Tech y conocedor del trabajo de Generalist, señala que la startup destaca entre las que persiguen modelos robóticos generales: «Han llevado esto al extremo y lo han ejecutado realmente bien». Xu añade que «son excelentes robóticos y han hecho muy buena ciencia». Karen Liu, de Stanford, coincide: «Su enfoque de datos, recogiendo interacción física a gran escala sin atarlo demasiado a un robot concreto, parece estar funcionando».

A pesar del entusiasmo, la fiabilidad aún es limitada. La compañía reconoce que la tasa de éxito ideal para un despliegue comercial estaría por encima del 99%, y que aún no está claro cómo de bien se generalizarán estas habilidades a cualquier tarea o entorno imaginable. Por ahora, GEN-1.5 es una señal prometedora sobre hacia dónde puede llevarnos la escala en el aprendizaje robótico.