¿Una mano robótica? ¿Cuatro dedos autónomos y un pulgar que puedan hacer cualquier cosa que tu propia carne y sangre puedan hacer? Eso sigue siendo material de fantasía.
Pero dentro de los mejores laboratorios de inteligencia artificial del mundo, los investigadores se están acercando a la creación de manos robóticas que pueden imitar la realidad.
El Girador
Dentro de OpenAI, el laboratorio de inteligencia artificial de San Francisco fundado por Elon Musk y varios otros grandes nombres de Silicon Valley, encontrarás una mano robótica llamada Dactyl. Se parece mucho a la prótesis mecánica de Luke Skywalker en la última película de Star Wars: dígitos mecánicos que se doblan y se estiran como una mano humana.
Si le das a Dactyl un bloque alfabético y le pides que te muestre letras en particular, digamos la «O» roja, la «P» naranja y la «I» azul, te las mostrará y girará, girará y volteará el juguete de forma ágil.
Para una mano humana, esta es una tarea simple. Pero para una máquina autónoma, es un logro notable: Dactyl aprendió la tarea en gran medida por sí mismo. Usando los métodos matemáticos que permiten que Dactyl aprenda, los investigadores creen que pueden entrenar manos robóticas y otras máquinas para realizar tareas mucho más complejas.
Esta mano notablemente ágil representa un enorme salto en la investigación robótica de los últimos años. Hasta hace poco, los investigadores todavía estaban luchando para dominar tareas mucho más simples con manos mucho más simples.
La pinza
Creado por investigadores en Autolab, un laboratorio de robótica dentro de la Universidad de California en Berkeley, este sistema representa los límites de la tecnología hasta hace unos pocos años.
Equipada con una «pinza» de dos dedos, la máquina puede recoger elementos como un destornillador o un par de alicates y clasificarlos en contenedores.
La pinza es mucho más fácil de controlar que una mano de cinco dedos, y construir el software necesario para operar una pinza no es tan difícil.
Puede tratar con objetos que son poco familiares. Puede que no sepa lo que es una botella de ketchup, pero la botella tiene la misma forma básica que un destornillador, algo que la máquina sí sabe.
Pero cuando esta máquina se enfrenta a algo que es diferente de lo que se había visto antes, como una pulsera de plástico, todas las apuestas están cerradas.
El Recogedor
Lo que realmente quieres es un robot que pueda recoger cualquier cosa, incluso cosas que nunca antes ha visto. Eso es lo que otros investigadores de Autolab han construido en los últimos años.
Este sistema todavía usa hardware simple: una pinza y una ventosa. Sin embargo puede recoger todo tipo de elementos aleatorios, desde un par de tijeras hasta un dinosaurio de juguete de plástico.
El sistema se beneficia de los avances dramáticos en el aprendizaje automático. Los investigadores de Berkeley modelaron la física de más de 10.000 objetos, identificando la mejor manera de recoger cada uno. Luego, utilizando un algoritmo llamado red neuronal, el sistema analizó todos estos datos, aprendiendo a reconocer la mejor manera de recoger cualquier elemento.
En el pasado, los investigadores tenían que programar un robot para realizar cada tarea. Ahora puede aprender estas tareas por sí mismo.
Cuando se enfrenta con, digamos, un juguete de plástico de Yoda, el sistema reconoce que debe usar la pinza para levantar el juguete.
Pero cuando se enfrenta a la botella de ketchup, opta por la ventosa.
El selector puede hacer esto con una papelera llena de cosas al azar. No es perfecto, pero debido a que el sistema puede aprender por sí mismo, está mejorando a un ritmo mucho más rápido que las máquinas del pasado.
El Hacedor de camas
Este robot no puede hacer esquinas perfectas, pero representa un progreso notable. Los investigadores de Berkeley hicieron el sistema en solo dos semanas, utilizando las últimas técnicas de aprendizaje automático. No hace mucho, esto habría llevado meses o años.
Ahora el sistema puede aprender a hacer una cama en una fracción de ese tiempo, simplemente analizando datos. En este caso, el sistema analiza los movimientos que conducen a una cama hecha.
El empujador
Al otro lado del campus de Berkeley, en un laboratorio llamado BAIR, otro sistema está aplicando otros métodos de aprendizaje. Puede empujar un objeto con una pinza y predecir dónde irá. Eso significa que puede mover juguetes a través de un escritorio tal como tú o yo lo haríamos.
El sistema aprende este comportamiento analizando grandes colecciones de imágenes de video que muestran cómo se empujan los objetos. De esta forma, puede lidiar con las incertidumbres y movimientos inesperados que vienen con este tipo de tarea.
El Futuro
Estas son todas tareas simples. Y las máquinas solo pueden manejarlas en ciertas condiciones. Fracasan tanto como impresionan. Pero los métodos de aprendizaje automático que impulsan estos sistemas apuntan a un progreso continuo en los años venideros.
Al igual que los de OpenAI, los investigadores de la Universidad de Washington están entrenando manos robóticas que tienen los mismos dedos y articulaciones que nuestras manos.
Eso es mucho más difícil que entrenar una pinza o una ventosa. Una mano antropomórfica se mueve de muchas maneras diferentes.
Entonces, los investigadores de Washington entrenan su mano en un simulador, una recreación digital del mundo real. Eso agiliza el proceso de entrenamiento.
En OpenAI, los investigadores están entrenando su mano Dactyl de la misma manera. El sistema puede aprender a girar el bloque alfabético a través de lo que habrían sido 100 años de ensayo y error. La simulación digital, que se ejecuta en miles de chips de computadora, reduce todo ese aprendizaje a dos días.
Aprende estas tareas por ensayo y error repetidos. Una vez que aprende lo que funciona en la simulación, puede aplicar este conocimiento al mundo real.
Muchos investigadores han cuestionado si este tipo de entrenamiento simulado se transferirá al reino físico. Pero como los investigadores de Berkeley y otros laboratorios, el equipo de OpenAI ha demostrado que sí.
Introducen una cierta cantidad de aleatoriedad en el entrenamiento simulado. Cambian la fricción entre la mano y el bloque. Incluso cambian la gravedad simulada. Después de aprender a manejar esta aleatoriedad en un mundo simulado, la mano puede manejar las incertidumbres del mundo real.
Hoy, todo lo que Dactyl puede hacer es girar un bloque. Pero los investigadores están explorando cómo estas mismas técnicas se pueden aplicar a tareas más complejas. Piensa en manufactura. Y drones voladores. Y tal vez incluso autos sin conductor.
A CONTINUACIÓN: ¿Los taxis robots llegarán pronto a Japón? HAZ CLICK AQUÍ PARA SEGUIR VIENDO >>