Xiaomi dice que entrenar robots mejora más con datos que con tamaño de modelo

Xiaomi plantea que primero hay que escalar los datos de robots antes que los modelos de robots

Xiaomi ha lanzado un nuevo modelo de robótica, Xiaomi-Robotics-1, basado en una idea que podría influir en cómo se entrena la próxima generación de sistemas robóticos: para lograr que las máquinas manipulen objetos en el mundo real, más datos podrían importar más que modelos más grandes.

Esa conclusión refleja un patrón conocido en los modelos de lenguaje de gran tamaño, donde el rendimiento suele mejorar a medida que aumentan los datos de entrenamiento y la computación. Pero la robótica tiene un cuello de botella distinto. Los modelos de texto pueden recurrir a un enorme internet público. Los modelos robóticos no pueden. Los datos útiles para agarrar, levantar, colocar y adaptarse a espacios desconocidos son mucho más difíciles de recopilar, mucho más caros de etiquetar y, por lo general, están ligados a configuraciones de hardware estrechas.

El enfoque de Xiaomi es notable porque intenta romper ese cuello de botella sin depender principalmente de flotas de robots físicos costosos. En cambio, la empresa dice que reunió la mayor parte de sus datos de preentrenamiento utilizando pinzas portátiles con cámaras. Las personas operaron esas herramientas directamente con la mano en entornos reales, capturando tareas de manipulación en lugares como cocinas, oficinas, tiendas, fábricas y escenarios al aire libre.

El resultado, según la empresa, fue un conjunto de datos de más de 100.000 horas de grabaciones de movimiento recopiladas en más de 1.700 entornos diferentes. Esa escala importa porque los sistemas de aprendizaje robótico a menudo tienen dificultades para generalizar más allá de los diseños, objetos y rutinas que ven en campañas de recopilación muy acotadas. Al usar equipos de mano en lugar de plataformas robóticas completas durante la fase inicial de obtención de datos, Xiaomi sostiene que puede recopilar una experiencia más amplia, más rápido y a menor costo.

Una respuesta distinta a la escasez de datos en robótica

El método estándar para recopilar datos de manipulación robótica es lento. Una persona guía a distancia a un robot a través de tareas, un movimiento a la vez, produciendo demostraciones adaptadas a los sensores, articulaciones y pinzas de esa máquina. El método puede funcionar, pero no escala fácilmente y a menudo produce muestras repetitivas de entornos similares.

La configuración portátil de Xiaomi pretende sortear esa limitación. Como una persona puede simplemente llevar la pinza a diferentes espacios y usarla directamente, la empresa puede recopilar ejemplos de muchos más entornos de los que normalmente cubriría una flota de robots. Eso no elimina, sin embargo, el problema de transferencia. Una pinza portátil no es lo mismo que un robot con ruedas o un sistema de doble brazo. El modelo todavía tiene que aprender cómo los patrones de movimiento registrados por una herramienta operada por humanos se corresponden con las restricciones físicas y los sistemas de control de los robots reales.

Xiaomi afirma que abordó eso transfiriendo el sistema preentrenado a robots físicos en etapas posteriores, incluidos plataformas con ruedas y sistemas de doble brazo. Para el postentrenamiento, combinó sus propias grabaciones de apartamentos reales con conjuntos de datos robóticos de código abierto y datos UMI anotados. La imagen que surge es una canalización por capas: recopilar experiencia de manipulación de forma amplia y barata, etiquetarla a gran escala y luego adaptarla al hardware que realmente ejecutará las tareas.

Eso podría ser importante para el sector robótico en general, porque el campo lleva mucho tiempo lidiando con una incómoda desconexión. Los investigadores quieren comportamiento robótico de propósito general, pero la infraestructura de datos para entrenarlo a menudo sigue siendo local, a medida y costosa. Xiaomi está argumentando, en efecto, que la IA robótica podría avanzar menos como la ingeniería robótica clásica y más como el desarrollo de modelos fundacionales, donde la calidad, el tamaño y la diversidad de los corpus de preentrenamiento se convierten en activos estratégicos.

El etiquetado automatizado ayuda a que la recopilación a gran escala sea viable

Recopilar 100.000 horas de datos de manipulación es solo la mitad del problema. Esas grabaciones también necesitan descripciones de las que un modelo pueda aprender. Xiaomi dice que el etiquetado manual a esa escala no era práctico, así que utilizó otro sistema de IA para generar descripciones de texto para cada segmento de movimiento. La empresa afirma que etiquetó todo el conjunto de datos en unas dos semanas.

Esa etapa es importante porque los modelos robóticos diseñados para seguir instrucciones habladas o escritas necesitan un puente entre el movimiento y el lenguaje. Si la calidad del etiquetado es lo suficientemente alta, el modelo puede empezar a asociar objetivos textuales con acciones físicas y cambios de escena. Si las etiquetas son débiles o inconsistentes, la escala por sí sola no salvará el rendimiento. El plazo informado por Xiaomi sugiere que la anotación automatizada se está volviendo central en la robótica, no solo como comodidad, sino como requisito previo para construir conjuntos de datos lo bastante grandes para respaldar una generalización amplia.

El modelo está diseñado para seguir comandos hablados o escritos en entornos desconocidos sin exposición previa y para adaptarse a nuevas tareas con poco entrenamiento adicional. Es un objetivo ambicioso, pero encaja con un impulso más amplio en la industria para pasar de políticas robóticas específicas de una tarea a sistemas que puedan transferir conocimiento entre entornos e instrucciones.

Por qué el resultado de Xiaomi importa más allá de un solo lanzamiento

En las pruebas de Xiaomi, aumentar el tamaño del modelo sí mejoró el rendimiento, pero aumentar los datos de entrenamiento produjo ganancias mucho mayores. Esa es la conclusión principal. Si se mantiene más allá de la evaluación interna de Xiaomi, sugeriría que la vía más rápida para mejorar la manipulación robótica podría no ser solo ampliar indefinidamente las arquitecturas, sino reunir una experiencia física más rica y variada y conectarla con el lenguaje a gran escala.

Eso tiene implicaciones prácticas para cómo las empresas asignan capital. Los modelos más grandes exigen más computación, pero los conjuntos de datos más grandes y diversos exigen sistemas de recopilación, canalizaciones de anotación, almacenamiento, curación y métodos de transferencia que puedan absorber la variación desordenada del mundo real. Una empresa que resuelva esos problemas operativos puede obtener una ventaja difícil de replicar solo con escalado de modelo.

También replantea una pregunta clave en robótica: no solo cuán inteligente es un modelo en abstracto, sino cuánto del mundo físico ha visto realmente. Para los modelos de lenguaje, internet proporcionó esa amplitud. Para los robots, no existe un corpus equivalente listo para usar. El trabajo de Xiaomi sugiere que la industria quizá necesite fabricar ese corpus mediante nuevas herramientas y flujos de trabajo, en lugar de esperar a que aparezca.

Siguen existiendo preguntas abiertas. El material proporcionado no incluye detalles de evaluación comparativa independiente, resultados de despliegue ni tasas de fallo en tareas concretas. Tampoco muestra qué tan bien mantiene el rendimiento el modelo cuando se transfiere entre formas de robot sustancialmente diferentes. Aun con esas reservas, el lanzamiento destaca porque desplaza la atención del tamaño del modelo, que suele acaparar titulares, hacia el problema menos glamuroso de la generación de datos.

Para una industria ansiosa por construir máquinas capaces de operar en hogares, lugares de trabajo y espacios públicos, ese puede ser el cambio más importante. Xiaomi no solo está presentando un modelo robótico. Está planteando una tesis sobre de dónde vendrá el próximo avance en la IA robótica: un contacto más amplio con el mundo físico, capturado en suficiente volumen y variedad para que los robots puedan empezar a aprender de la experiencia a una escala más cercana a la de la IA moderna.

Este artículo se basa en la cobertura de The Decoder. Leer el artículo original.