RoboCat de DeepMind revoluciona el rendimiento de las tareas robóticas en diferentes modelos

DeepMind ha anunciado recientemente la creación de RoboCat, un modelo de IA que puede realizar de forma eficiente multitud de tareas utilizando múltiples brazos robóticos del mundo real. Esta revolucionaria innovación es la primera de su clase en abordar de forma eficiente varias tareas al tiempo que se adapta a diferentes modelos robóticos, reduciendo potencialmente la barrera para resolver nuevas tareas en robótica.

RoboCat se desarrolló a partir del modelo anterior de DeepMind denominado Gato, que funciona como un sistema de IA capaz de analizar e interactuar con texto, imágenes y eventos. Se entrenó con datos de imágenes y acciones de robótica simulada y real. Los datos utilizados para el entrenamiento comprenden modelos de control de robots dentro de entornos virtuales, robots controlados por humanos e iteraciones anteriores de RoboCat.

Los investigadores iniciaron el entrenamiento recopilando entre 100 y 1.000 demostraciones de tareas o enseñando brazos robóticos controlados por humanos. Posteriormente, RoboCat se afinaba en la tarea, creando modelos derivados especializados que practicaban la tarea unas 10.000 veces. Al ampliar el conjunto de datos de entrenamiento de RoboCat con datos de modelos derivados y datos de demostración, se generaron nuevas versiones del modelo de IA.

La versión final de RoboCat se entrenó en un total de 253 tareas y, a continuación, se evaluó en un conjunto de 141 variaciones de estas tareas en escenarios de simulación y del mundo real. DeepMind descubrió que, tras observar 1.000 demostraciones controladas por humanos, RoboCat era capaz de manejar distintos tipos de brazos robóticos. Además, a pesar de haber sido entrenado en robots con brazos de dos dedos, el modelo de IA podía adaptarse a un brazo más complejo con una pinza de tres dedos y el doble de entradas controlables.

Sin embargo, la tasa de éxito del modelo varió drásticamente del 13% al 99% en múltiples tareas dependiendo del número de demostraciones incluidas en los datos de entrenamiento. No obstante, DeepMind reveló que RoboCat podía aprender nuevas tareas con tan solo 100 demostraciones en algunos casos.

Los objetivos futuros del equipo de investigación incluyen reducir a menos de diez el número de demostraciones necesarias para enseñar a RoboCat una nueva tarea. A medida que avanza el desarrollo de modelos de IA que ayudan en tareas robóticas, la integración con plataformas modernas de low-code y no-code como AppMaster podría mejorar aún más la automatización y la eficiencia de una amplia gama de industrias, incluidas las de fabricación y logística.

Plataformas como AppMaster no sólo ayudan a las empresas a resolver problemas complejos con rapidez, sino que también reducen los costes de desarrollo de software. A medida que siguen apareciendo modelos avanzados de IA como RoboCat, la combinación de estos con las plataformas low-code y no-code para gestionar tareas en diferentes industrias tiene el potencial de revolucionar los procesos empresariales, la productividad y la innovación.