La carrera por dotar a los robots de capacidades de propósito general, similares a las que ha alcanzado la inteligencia artificial generativa en el ámbito del lenguaje, está tomando nuevas direcciones. En este escenario, la empresa china X Square Robot emerge con una propuesta audaz y explícita: un «stack» de inteligencia artificial integrada que promete ser la clave para superar las limitaciones actuales de la robótica. A diferencia de los sistemas tradicionales fragmentados en módulos de percepción, planificación y control, X Square Robot apuesta por una arquitectura unificada que abarca los datos de aprendizaje, un modelo del mundo para predecir cambios físicos y un modelo de acción que coordina percepción, razonamiento y toma de decisiones para ejecutar comportamientos robóticos coherentes. La compañía no solo confía en esta receta, sino que se compromete a liberarla de forma abierta para el beneficio de toda la comunidad investigadora.
La Arquitectura Unificada de X Square Robot: Más Allá de los Componentes Discretos
El enfoque de X Square Robot se distingue por principios fundamentales que rigen su sistema. En primer lugar, considera la interacción como la unidad básica de datos robóticos, donde una demostración se valida por su capacidad de modificar el mundo según lo previsto, y no solo por el movimiento de las articulaciones. Segundo, postula que el preentrenamiento debe generar capacidades utilizables directamente, no meras inicializaciones que requieren una posterior y costosa adaptación. Tercero, prioriza el modelado del comportamiento en torno a eventos físicos significativos, en lugar de secuencias de tiempo arbitrarias. Estos principios interconectan las distintas capas del sistema, permitiendo que los datos utilizados para entrenar el modelo de acción también estructuren el modelo del mundo. La empresa denomina a esta arquitectura integrada como su «World Unified Model», una plataforma diseñada para entrenar conjuntamente visión, lenguaje, acción y predicción física, consolidando el avance hacia una IA más cohesionada y versátil en robots.
Ingeniería de Datos: Calidad y Coste por Encima de la Escala
Uno de los principales obstáculos para el desarrollo de robots de propósito general ha sido históricamente el coste y la calidad de los datos de interacción. X Square Robot aborda este desafío con su sistema de recolección de datos, denominado Universal Manipulation Interface (UMI) o QUANXTA Zero Series. Este sistema innovador se aleja de la teleoperación tradicional de robots, empleando en su lugar un arnés con pinzas duales que los humanos utilizan para registrar demostraciones. La singularidad de este enfoque radica en su riguroso control de calidad, que incluye una etapa de reproducción física de las trayectorias registradas en un robot real. Solo aquellas demostraciones que completan la tarea con éxito se consideran válidas, asegurando un alto nivel de fiabilidad y reduciendo la ambigüedad que a menudo plaga los grandes conjuntos de datos. Este método permite construir un conjunto de datos más pequeño pero significativamente más limpio, maximizando su valor para el entrenamiento.
Además, la compañía ha diseñado su sistema para combinar de manera eficiente datos humanos de bajo coste con datos robóticos escasos. El preentrenamiento se realiza sobre un vasto volumen de demostraciones libres de robot para establecer representaciones generales, complementado posteriormente con una pequeña cantidad de datos de robot real para anclar el sistema a la dinámica específica de la máquina. Este modelo híbrido, según reportes de la empresa, alcanza un rendimiento comparable al de un conjunto de datos puramente robótico, pero con un coste de recolección aproximadamente 20 veces menor. Este enfoque, además de ser económico, genera un conjunto de datos deliberadamente agnóstico al modelo, formateado para alimentar tanto modelos de acción como modelos del mundo, abriendo la puerta a una mayor flexibilidad y aplicabilidad en diversos escenarios robóticos. La validación independiente de estos resultados será crucial para confirmar su alcance en una variedad más amplia de configuraciones.
Un Modelo del Mundo Organizado por Eventos: WALL-WM
X Square Robot ha desarrollado su modelo del mundo, denominado WALL-WM, adoptando una perspectiva novedosa. A diferencia de los modelos de acción convencionales que predicen secuencias de movimiento de duración fija, WALL-WM trata el «evento semántico anclado a la acción» como su unidad fundamental. Este evento representa un fragmento coherente de comportamiento, como alcanzar, agarrar o colocar, algo que puede ser descrito lingüísticamente, observado en video y ejecutado mediante movimiento. Esta organización en eventos, en lugar de ventanas de tiempo fijas, permite al modelo razonar sobre horizontes temporales más amplios, siguiendo la progresión natural de las tareas. El diseño de WALL-WM integra modelos de texto a video con redes de acción preexistentes, preservando la información visual sin sobrescribirla. Ofrece dos modos de operación: un modo de eventos para razonamiento a largo plazo y un modo de duración fija para la generación de salidas en tiempo real, crucial para el control robótico. Esta dualidad posiciona a WALL-WM como un puente entre los modelos de acción basados en fragmentos y los modelos de mundo puramente de video, manteniendo el carácter predictivo de un modelo de mundo y a la vez proporcionando control ejecutable. Los experimentos de la empresa, en los que se evaluó un modelo entrenado con un conjunto de datos limitado en tareas de largo horizonte y escenarios no vistos, han mostrado resultados prometedores, superando a los modelos de base. La publicación del código de WALL-WM permitirá a la comunidad científica probar, reproducir y extender estos hallazgos.
Acción Robótica: Capacidades Pre-entrenadas y Tokens con Significado
La capa de acción del sistema de X Square Robot, denominada Wall-OSS-0.5, se fundamenta en dos ideas clave. La primera es el requisito de que el modelo preentrenado sea capaz de operar en un robot real antes de cualquier ajuste fino específico para una tarea. Esto significa que el modelo debe poseer de antemano habilidades generales como acercarse, agarrar, moverse, evitar obstáculos y recuperarse de errores. Esta capacidad pre-entrenada, que incluye el entrenamiento conjunto de tokens de acción discretos, anclaje lingüístico y generación de acción continua, es un test más riguroso de lo que el preentrenamiento ha logrado realmente. La segunda idea central es la interfaz de acción, X-Tokenizer. A diferencia de otros sistemas que convierten el movimiento continuo en tokens discretos, X-Tokenizer aprende una interfaz semántica. Los códigos de alto nivel representan la intención del movimiento, mientras que los de menor nivel detallan la ejecución, todo ello alineado con las características del modelo de lenguaje. Esta aproximación ofrece una mayor estabilidad, ya que el ruido en la acción apenas modifica el código de intencionalidad, permitiendo reutilizar el tokenizador en diferentes robots sin necesidad de reajustes. La combinación de estas dos ideas confiere a la capa de acción una capacidad de transferencia de conocimiento notable, un paso fundamental hacia la generalización de las habilidades robóticas.
La apuesta de X Square Robot por un enfoque integrado, que combina capas especializadas en la recolección de datos de alta calidad, modelado del mundo basado en eventos y capas de acción con capacidades pre-entrenadas, se perfila como una estrategia distintiva en el campo de la IA para robótica. La validación externa de estas prometedoras investigaciones será el siguiente hito clave para confirmar la efectividad de su propuesta.
La creciente confianza de los inversores en el potencial de la infraestructura de datos, los modelos fundacionales y los sistemas de entrenamiento escalables como diferenciadores a largo plazo en la IA incorporada se refleja en la valoración de X Square Robot, que ha superado los 20 mil millones de yuanes (aproximadamente 2.9 mil millones de dólares estadounidenses). Este respaldo financiero subraya la percepción del mercado sobre la importancia estratégica de la aproximación de la compañía.
El futuro de los «stacks» de IA para robots de propósito general se vislumbra así en arquitecturas unificadas que priorizan la calidad y la semántica de los datos sobre la mera cantidad. La comunidad robótica espera con interés las pruebas y reproducciones de estos avances, que podrían acelerar significativamente la llegada de robots verdaderamente versátiles a nuestros hogares y lugares de trabajo. La iniciativa de X Square Robot de liberar parte de su código de forma abierta es un paso importante para fomentar la colaboración y el progreso colectivo en esta área transformadora de la tecnología.
By
