Cobrar per passejar gossos robot i altres maneres d'entrenar la IA al món físic
Un home passejant un gos robot per la ciutat. És una imatge real que es pot veure a San Francisco, una de les capitals tecnològiques mundials.
La proximitat amb Silicon Valley fa que els seus veïns pateixin una gentrificació salvatge, però, a canvi, els que es poden permetre quedar-s'hi tenen seients de primera fila per veure en primícia les escenes del futur distòpic que plantegen start-ups i empreses consolidades del sector.
És el cas de l'Adam Cue, que mentre passejava el seu gos pel barri de Dogpatch es va veure sorprès per la imatge i la va voler immortalitzar en fotografies i un parell de vídeos curts.
Cue ho ha compartit amb 3CatInfo: "Al meu gos no li va fer gens de gràcia, el robot."
Ja no hi ha gaires coses que em sorprenguin a San Francisco; la ciutat és cada cop més i més estranya.
Passejar robots per 20 euros l'hora
Passejar robots és una feina, a la ciutat californiana. El New York Times va explicar fa poc com un anunci, a una pàgina de Facebook on es pengen ofertes laborals a la zona (Bay Area Jobs), oferia 20 dòlars l'hora per acompanyar les màquines en "rutes exteriors de prova" per San Francisco.
L'oferta de feina "no requereix experiència en robòtica" i ofereix un entrenament pagat, però el candidat s'ha de trobar còmode caminant pel carrer en torns de 4 a 6 hores, utilitzar un telèfon intel·ligent per seguir rutes i instruccions i "manipular de forma segura equips d'uns 15 quilos de pes".
L'anunci ja ha estat retirat, però la start-up que hi ha darrere, Dimensional, segueix entrenant robots perquè el seu objectiu és fer de pont entre els agents d'intel·ligència artificial i les màquines que interaccionen amb el món físic.
L'objectiu de l'empresa és que els robots tinguin més autonomia i siguin capaços de moure's sense fer-se malbé o provocar el caos en el carrer.
A més, el component "agentiu" els permet seguir una cadena de decisions, una espècie de raonament, per prendre accions adaptades al moment i al context.
Per què entrenen les màquines?
A Dimensional es descriuen com un "sistema operatiu de codi obert per a robòtica general". Robots que ajuden a casa, patrullen pel carrer o mouen caixes, ja siguin amb forma humanoide, drons, braços manipuladors o quadrúpedes.
Per a una màquina, però, la dificultat dels càlculs i variables que suposa agafar una tassa i posar-la a un armari tancat és extrema. El problema és molt complex.
Tot just ara comencem a veure'n els primers resultats, tal com comentava Jensen Huang fa poc: "El moment ChatGPT per a la IA física ha arribat: quan les màquines comencin a entendre, raonar i actuar en el món real."
El camí, però, serà llarg. Entrenar un model d'intel·ligència artificial generativa per predir paraules, ones de so o píxels és molt diferent d'entrenar models per moure's pel món.
S'han de tenir en compte càlculs físics, la gravetat, la irregularitat del terreny, l'efecte dels corrents d'aire, el mateix pes i velocitat de la màquina o les situacions imprevistes que els éssers vius enfrontem de forma instintiva.
Una màquina no té instints ni sentit comú, no té una percepció natural de com funciona el món ni un model físic suficient per navegar-hi de forma segura. Necessita entrenament.
Com s'entrena un robot?
Els robots necessiten processar informació, molta, sobre com és el món real. El fruit del seu entrenament són els models d'intel·ligència artificial física (physical AI).
El problema és que internet és ple d'informació textual, però no hi ha gaires dades físiques. Els conjunts de dades de textos, imatges i sons és molt ric, però si volem que els models d'IA física tinguin nivells de precisió similars als models generatius, cal una quantitat ingent d'informació.
És el que busca una petita empresa emergent a San Francisco: que els robots extreguin tota la informació possible dels seus passejos, amb les càmeres i altres sensors, i la facin servir per millorar els seus models físics. Aquest pas, però, el de les proves en entorns reals, habitualment és l'últim, i el més arriscat i car.
Abans de sortir al carrer, però, hi ha molta simulació i vídeo. Dades sintètiques, generades artificialment per entrenar models.
S'utilitzen hores i hores de simulacions físiques i hores i hores de gravacions de vídeo per entrenar-se, com explica el mateix fundador de Dimension, Stash Pomichter:
Humans amb càmeres al cap
Els robots poden aprendre mitjançant prova i error, en milers de simulacions seguides, observant i imitant moviments dels humans o traslladant el coneixement que tenen del món en noves situacions o contextos físics.
La necessitat de dades físiques és el motiu pel qual, de tant en tant, veiem vídeos de persones fent activitats quotidianes amb una càmera enganxada al cap. Graven cada moviment, control i interacció que tenen amb objectes del món real per després aplicar-ho a models d'IA física, que n'extrauran patrons i informació essencial per desenvolupar tasques similars.
Fàbriques senceres on els humans treballen amb una càmera muntada al cap que grava cada moviment que fan, persones que es graven rentant els plats, persones que ensenyen als robots els moviments que han de fer per plegar roba, ordenar armaris o cuinar...
És el mateix motiu pel qual existeixen els "models de món", com el projecte de codi obert DreamDojo, desenvolupat per investigadors de diferents universitats i de Nvidia a partir de 44.000 hores de vídeos humans en primera persona.
La dificultat d'entendre el món físic
Un model del món no prediu la pròxima paraula que cal escriure per fer un text que tingui sentit: prediu com canviarà l'entorn quan es faci una acció, i com haurà de respondre a continuació.
Un robot pot agafar un objecte fix i moure'l, i repetir la mateixa acció milers de vegades de forma perfectament precisa. El problema és que si vol sobreviure en entorns canviants, necessita poder generalitzar i això l'obliga a tenir molta informació de tots els possibles escenaris.
Per això, abans que tinguem robots humanoides ajudant-nos a casa de forma segura, haurem de gravar-nos milions de vídeos amb càmeres al cap o generar de forma sintètica tones i tones de contingut on se'ls mostri com funciona el món.
Les primeres aplicacions que veiem, segurament, no són gaire útils a la pràctica i encara fallen quan intenten tancar la porta dels rentavaixelles, per exemple. Però demostren el potencial de màquines que es mouen lliurement i interaccionen amb els humans i el que els envolta.