Recibe en tu correo las mejores historias de la semana sobre IA y arte con IA: seleccionadas, concisas y gratis.
Gratis. Cancela cuando quieras.
Los laboratorios de IA física de frontera se están quedando sin datos de vídeo utilizables y ahora recurren a rigs multicámara, anotación humana densa y lecturas experimentales de ondas cerebrales (EEG) para entrenar la próxima generación de modelos de IA encarnada — un cambio que revela cuán diferentes son las demandas de datos de la IA física respecto a los modelos de imagen y texto que la mayoría de los creadores utilizan hoy.
El problema central, según informa TechCrunch, es la perspectiva. Una sola cámara captura un único punto de vista de una tarea — un humano doblando ropa, por ejemplo — pero un robot que aprende esa tarea necesita entender la acción desde múltiples ángulos simultáneamente, con datos espaciales precisos sobre dónde se encuentra cada objeto en el espacio tridimensional. El vídeo de consumo estándar, incluso en alta resolución, colapsa esa información de profundidad. Los laboratorios están desplegando rigs de captura multicámara y sensores de profundidad para registrar incluso tareas domésticas sencillas, y luego pagan a anotadores humanos para etiquetar cada fotograma con posiciones de objetos, poses de manos y etiquetas de acción.
Esa carga de anotación es enorme. Los investigadores describen el coste de producir una sola hora de datos de entrenamiento de IA física utilizables como órdenes de magnitud superior al de una hora equivalente de datos de texto o imagen. Como referencia, los modelos de difusión que impulsan herramientas en plataformas como el generador de imágenes de Charmloop se entrenaron con miles de millones de pares imagen-texto extraídos de la web — un suministro que, aunque legalmente controvertido, era al menos abundante. La IA física no tiene una manguera de incendios equivalente.
El desarrollo más especulativo es la integración de EEG. La idea: colocar un sensor de ondas cerebrales a un demostrador humano y registrar sus señales neurales junto con sus acciones físicas. La hipótesis es que los datos de EEG codifican la intención — el momento en que una persona decide coger un objeto antes de que su mano se mueva — dando al modelo una señal más rica que la captura de movimiento por sí sola. Varios laboratorios están ejecutando pequeños pilotos, aunque ningún modelo de frontera ha sido entrenado aún a escala con datos de EEG. La técnica sigue estando más cerca de la curiosidad investigadora que de un pipeline de producción.
Lo que la hace digna de seguimiento es el ángulo de la anotación. Un problema persistente en el entrenamiento de IA física es la ambigüedad: cuando un humano hace una pausa a mitad de una tarea, ¿dudó porque el objeto era incómodo, porque cambió de opinión o porque se distrajo? Las grabaciones de cámara no pueden responder a eso. Los datos de ondas cerebrales, en teoría, sí pueden. Si la anotación con EEG demuestra ser fiable, podría reducir drásticamente la cantidad de grabación necesaria para entrenar un modelo físico competente — porque cada segundo de datos llevaría más señal.
Para los creadores que trabajan hoy con generación de imágenes y vídeo, el impacto práctico inmediato es indirecto pero real. Los pipelines de anotación que se están construyendo para la IA física — etiquetas densas, estructuradas y semánticamente ricas adjuntas a datos visuales — son el mismo tipo de datos estructurados que hace que los modelos de vídeo generativo sean mejores para entender la causalidad y la física. Los modelos entrenados con grabaciones del mundo físico ricamente anotadas tienden a producir movimientos más coherentes, interacciones de objetos más plausibles y menos de los artefactos de extremidades flotantes que todavía plagan el vídeo de IA.
Las técnicas que se están refinando hoy en los laboratorios de IA física tienen un historial de migrar hacia el entrenamiento de modelos generativos en pocos años. Los creadores que siguen guías sobre prompting para movimiento realista y coherencia espacial probablemente se beneficiarán de ese trabajo previo sin necesidad de tocar jamás un conjunto de datos robóticos directamente.
El cuello de botella de datos es también un recordatorio de que las ganancias fáciles en capacidad de IA — escalar el cómputo contra datos web abundantes — no son infinitas. La IA física está chocando contra ese muro primero, pero los modelos generativos de imagen y vídeo no van muy por detrás. Los laboratorios que invierten ahora en recopilación novedosa de datos se están posicionando para el próximo salto de capacidad, dondequiera que se produzca.
