REDACCION TECNOLOGIA (AGENCIAS).-La robótica basada en inteligencia artificial atraviesa una fase de avances notables. En esa línea de evolución, la inteligencia adaptativa se presenta como la próxima frontera que podría ser cruzada por este campo de investigación.

Una empresa emergente estadounidense, Physical Intelligence, presentó recientemente un modelo de IA capaz de guiar a robots para que realicen tareas nunca antes entrenadas.

El sistema, denominado π0.7, marca un nuevo rumbo en el desarrollo de cerebros robóticos de propósito general, acercando a la industria a una etapa donde las máquinas puedan adaptarse a instrucciones en lenguaje sencillo y resolver problemas inéditos en tiempo real.

Un cerebro robótico de propósito general

El modelo π0.7 representa una evolución frente a los sistemas tradicionales, que requerían entrenar a los robots para cada tarea específica con conjuntos de datos y modelos independientes. Según informó la compañía en un comunicado, el nuevo sistema puede manejar tareas desconocidas al combinar y recombinar habilidades aprendidas en diferentes contextos, mostrando lo que los investigadores llaman “generalización compositiva”.

En los experimentos, π0.7 logró ejecutar tareas como manipular electrodomésticos nunca antes vistos y doblar ropa sin acceso previo a datos específicos sobre esa actividad. Este tipo de resultados sugiere la posibilidad de que los robots puedan transferir habilidades entre dominios, superando la rigidez de los enfoques anteriores.

De la especialización a la flexibilidad

El principal avance reside en la capacidad de π0.7 para aplicar conocimientos adquiridos en circunstancias nuevas, sin ajustes adicionales ni reentrenamientos extensos. A diferencia de los sistemas previos, que presentaban dificultades importantes al combinar visión, lenguaje y acción, este modelo puede generalizar entre diferentes tipos de robots, entornos y tareas.

La transición apunta a la creación de sistemas de IA de propósito general, flexibles y escalables, capaces de adaptar su desempeño según las demandas del entorno y las instrucciones recibidas. El modelo permite que los robots no solo resuelvan problemas concretos, sino que se enfrenten a escenarios dinámicos en los que deben improvisar soluciones a partir de combinaciones inéditas de habilidades.

Cómo logra π0.7 su capacidad adaptativa

El avance de Physical Intelligence se basa en una estrategia de entrenamiento que integra múltiples fuentes de datos: plataformas robóticas diversas, demostraciones humanas y episodios generados de manera autónoma. En lugar de limitarse a un único conjunto de datos o a tareas repetitivas, el modelo incorpora indicaciones multimodales que detallan no solo el objetivo, sino también la forma de alcanzarlo.

Estas indicaciones incluyen instrucciones en texto, subobjetivos visuales (como la disposición de objetos) y parámetros de la tarea, como la duración o la secuencia de pasos. Esta combinación de contexto y flexibilidad permite que el sistema interprete y ejecute diferentes comportamientos, adaptándose a nuevas situaciones sin necesidad de reentrenamiento.

Durante las pruebas, π0.7 fue capaz de seguir instrucciones en lenguaje natural y de incorporar sugerencias adicionales, como estrategias o metas visuales específicas. El resultado: los robots pudieron aprender a utilizar objetos desconocidos y resolver tareas inéditas con solo una mínima orientación previa. Cuando las instrucciones eran detalladas y estructuradas, el rendimiento del sistema mejoraba de forma considerable.

Limitaciones y desafíos

A pesar del progreso, π0.7 todavía necesita guías detalladas para operaciones complejas que requieren varios pasos y no puede ejecutar instrucciones amplias o abstractas únicamente a partir de un solo comando. Este límite demuestra que la autonomía total aún no ha llegado, aunque la dirección es prometedora.

Otro desafío es la falta de parámetros de referencia estandarizados para validar el desempeño de estos sistemas de IA en robótica. Sin métricas independientes, la confirmación de los resultados depende de la transparencia y el rigor de las empresas desarrolladoras.

Los hallazgos de Physical Intelligence abren la puerta a una nueva etapa en la evolución de la inteligencia artificial aplicada a la robótica. La posibilidad de que un robot aprenda a partir de instrucciones sencillas y combine habilidades para afrontar tareas nunca vistas acerca el objetivo de máquinas más versátiles y útiles en entornos cambiantes y no estructurados.

Si bien la autonomía total aún no es una realidad, la tendencia apunta a sistemas de IA cada vez más adaptativos, capaces de ampliar sus límites más allá del entrenamiento inicial y responder de forma flexible a los desafíos del mundo real. La inteligencia adaptativa podría definir el próximo capítulo en la relación entre humanos y robots.