¿Pueden los videojuegos enseñar a moverse a los robots? Por dentro de la apuesta por un 'momento ChatGPT' para la robótica

La inteligencia artificial ha transformado cómo las máquinas manejan palabras e imágenes, pero ha batallado con algo que un niño pequeño domina sin esfuerzo: moverse por el mundo físico. Una startup llamada General Intuition, retratada por TechCrunch, cree haber encontrado un improbable campo de entrenamiento para esa destreza ausente, y se halla en los vastos archivos de partidas de videojuegos grabadas.

La apuesta de la empresa es que millones de horas de imágenes de juego pueden usarse para entrenar modelos base para la IA física. El razonamiento es que los videojuegos son mundos simulados llenos de movimiento, causa y efecto y consecuencias, y que una IA que aprenda a navegarlos podría adquirir intuiciones sobre el espacio, el movimiento y la interacción que se transfieran, al menos en parte, a controlar robots reales.

Para entender por qué importa, ayuda ver por qué la robótica se ha quedado atrás. Los modelos de lenguaje aprendieron de un corpus de texto de un tamaño casi inimaginable extraído de internet. Esa abundancia de datos es justo lo que le falta a la IA física, porque no existe un archivo equivalente, a escala de internet, de un robot cogiendo una taza, abriendo una puerta o atrapando un objeto que cae.

Recopilar datos de robots en el mundo real es lento, caro y a menudo peligroso. Un robot debe intentar físicamente una tarea miles de veces, y cada intento requiere segundos reales, hardware real y un riesgo real de rotura. Ese cuello de botella de datos es una de las razones centrales por las que los robots siguen siendo torpes en tareas que los humanos encuentran triviales, y es el problema que General Intuition intenta esquivar.

Los videojuegos ofrecen un atajo tentador porque son, en efecto, simuladores de física que los humanos ya han explorado a fondo. Cada sesión grabada es una demostración de un agente que persigue objetivos, reacciona a obstáculos y aprende del fracaso, generada a enorme escala y esencialmente gratis. Si esas demostraciones pueden enseñar intuiciones generales sobre actuar en un mundo, la sequía de datos podría aliviarse.

La expresión a la que todos recurren es un momento ChatGPT, el instante en que una tecnología salta de repente de tosca a genuinamente útil. Para el lenguaje, ese salto llegó cuando modelos entrenados con suficientes datos cruzaron un umbral de capacidad. La esperanza en la robótica es que exista un umbral similar y que el enfoque de entrenamiento adecuado pueda desencadenar un salto comparable.

Un escepticismo sano es razonable, y TechCrunch lo plantea como una apuesta más que como una certeza. La brecha entre un mundo de juego simulado y la desordenada realidad física es justo donde han naufragado antes muchos sueños robóticos. Los juegos tienen su propia física, a menudo simplificada o exagerada, y las destrezas aprendidas en un entorno renderizado no sobreviven automáticamente al contacto con la fricción, la gravedad y objetos imprevisibles.

Ese reto tiene nombre en el campo: la brecha sim-to-real, la dificultad de transferir al mundo real el comportamiento aprendido en simulación. Salvarla es un problema de investigación de larga data, y la promesa de una startup de hacerlo a gran escala es justo el tipo de afirmación que merece observarse de cerca en lugar de aceptarse por fe. La idea es elegante; si funciona es una cuestión empírica.

Aun así, el enfoque refleja una intuición más amplia y cada vez más influyente en la IA. En lugar de recopilar laboriosamente datos reales de robots, ¿por qué no explotar los enormes tesoros existentes de comportamiento generado por humanos, ya sea en juegos, vídeos o simulaciones, y dejar que los modelos extraigan principios generales de ellos? Varias líneas de investigación comparten ahora este instinto, y General Intuition es una apuesta visible por él.

Si da resultado, la recompensa es grande. Robots que aprendan intuiciones físicas generales a partir de datos abundantes podrían volverse mucho más fáciles y baratos de construir, extendiéndose más allá de las fábricas hacia hogares, hospitales y almacenes. Si no, al menos habrá puesto a prueba una idea genuinamente interesante. En cualquier caso, el esfuerzo capta el estado actual de la robótica: un campo largamente atascado en los datos, ahora a la caza de la improbable fuente que por fin podría liberarlo.