Resumen del contenido central
Este artículo analiza la tecnología de robots que juegan al béisbol desarrollada por equipos como MIT, DeepMind, Berkeley, Galaxy General y Sony AI, y revela la disputa central en el campo de la IA Física (Physical AI): no se trata de determinar quién reemplazará al otro, sino de cómo ambos trabajan en colaboración. Los modelos físicos proporcionan un conocimiento estable y de bajo costo (como la gravedad y las leyes básicas del movimiento de la pelota), mientras que el aprendizaje automático se encarga de habilidades complejas y de alta dimensión (como el movimiento coordinado de un robot humanoide para golpear la pelota). Los enfoques de los diferentes equipos consisten en reasignar las responsabilidades de ambos: desde el control directo mediante modelos, hasta el uso de modelos para crear entornos de simulación para el entrenamiento, y finalmente a un modelo híbrido en el que la física proporciona la estructura básica y el aprendizaje completa los detalles.
Desglose detallado
1. ¿Por qué los robots que juegan al béisbol son un buen ejemplo de las diferentes líneas tecnológicas?
Jugar al béisbol parece sencillo, pero en realidad representa los desafíos más complejos para los robots:
- Tiempo de reacción extremadamente breve: La velocidad de una pelota de bádminton supera los 20 m/s, y el intervalo entre dos golpes es de menos de 0.5 segundos; los robots deben predecir el lugar donde caerá la pelota con antelación, ya que reaccionar después de que llegue es demasiado tarde.
- Cambios dinámicos complejos: La rotación de la pelota (por ejemplo, 1000 rad/s) afecta su trayectoria y el resultado de los choques; también deben considerarse la resistencia del aire y la fricción del suelo.
- Coordinación corporal difícil: Un robot humanoide que juega al tenis debe controlar más de 20 articulaciones (piernas, cintura, hombros, etc.) al mismo tiempo y mantener el equilibrio; para un mismo objetivo de golpe, puede haber decenas de posiciones posibles para el cuerpo.
Estos problemas ponen de manifiesto el conflicto entre el uso de modelos y el aprendizaje automático: calcular todos los detalles con modelos es demasiado complejo, mientras que el aprendizaje puro puede ser erróneo. Por lo tanto, los robots que juegan al béisbol son un excelente ejemplo para observar las diferentes líneas tecnológicas.
2. **El cambio en el uso de los modelos físicos**: de control directo a simulación y luego a la definición de posibles escenarios
Los modelos físicos no han desaparecido, sino que han cambiado su función en los sistemas:
- MIT: Control directo con modelos (2025: brazo mecánico para bádminton): El robot calcula la trayectoria futura de la pelota utilizando fórmulas físicas antes de planificar cada movimiento (como si un ingeniero enseñara cada paso paso a paso).
- DeepMind: El modelo está oculto dentro de una simulación (2024: sistema de bádminton competitivo): El robot se entrena en un entorno virtual construido según las leyes físicas millones de veces hasta desarrollar un “memoria muscular” antes de jugar en el mundo real (el modelo crea el entorno de entrenamiento virtual).
- Berkeley HITTER: División de tareas (2025: robot humanoide para bádminton): La capa superior del sistema utiliza modelos para calcular el lugar donde caerá la pelota y el objetivo del palo, mientras que la capa inferior permite que el robot aprenda cómo moverse (las leyes de la pelota se utilizan para el modelo y los movimientos corporales se aprenden automáticamente).
- Galaxy General LATENT: El modelo define posibles escenarios (2026: robot de tenis): Durante el entrenamiento virtual, el peso de la pelota, la fricción del suelo y la resistencia del aire cambian aleatoriamente dentro de rangos razonables; el robot aprende a adaptarse a diferentes situaciones (el modelo ya no busca la precisión absoluta, sino que proporciona un margen de error).
- Sony Ace: Modelo híbrido (artículo publicado en Nature en 2026): El aprendizaje automático es el método principal, pero se sigue utilizando el entrenamiento con simulación física, la estimación de la rotación de la pelota y la optimización de las restricciones de los choques (el aprendizaje domina, y el modelo complementa las deficiencias).
3. ¿Por qué los modelos físicos no han sido eliminados? Porque el reutilizado del conocimiento es muy rentable
El valor principal de los modelos físicos es proporcionar conocimiento a bajo costo:
- Por ejemplo, la gravedad: Escribir una fórmula (F=mg) cuesta casi nada, mientras que hacer que un robot descubra por sí mismo que la pelota caerá después de golpearla cien mil veces requeriría una gran cantidad de datos y recursos de cálculo.
- Otra ejemplo es la trayectoria de la pelota: Usar las leyes del movimiento de Newton es mucho más rápido que hacer que un modelo aprenda a partir de videos.
Estas leyes estables y universales son más económicas de utilizar que hacer que el robot las descubra desde cero; es como no enseñar a un niño a calcular “1+1=2” desde cero, sino darle la respuesta directamente.
4. La verdadera naturaleza de la disputa: no se trata de quién reemplazará al otro, sino de cómo distribuir las tareas
En realidad, se trata de una cuestión económica: ¿Es más barato utilizar ecuaciones, datos o recursos de cálculo para ciertas tareas?
- Ecuaciones preferidas: Para leyes estables, simples y de bajo costo de expresión (como la gravedad y el movimiento básico de la pelota).
- Aprendizaje automático preferido: Para comportamientos complejos y difíciles de predecir (como los movimientos de un robot humanoide para golpear la pelota).
- Modelos híbridos: Una combinación de ambos (como la rotación compleja de la pelota, que se corrige utilizando modelos y datos reales).
Por ejemplo, el enfoque de HITTER utiliza modelos para la trayectoria de la pelota (económico) y aprendizaje automático para los movimientos corporales; el enfoque de LATENT define rangos de parámetros con modelos (para evitar calibraciones repetidas) y permite que el robot se adapte a los cambios (lo que aumenta su robustez).
5. ¿El futuro de los robots generales? ¿La robustez es más importante que la precisión?
Los robots generales deben funcionar en entornos variados (hogares, fábricas, exteriores), por lo que no es posible calibrar sus parámetros con precisión en cada situación (como la fricción del suelo o el desgaste de la pelota). Por lo tanto:
- **Ya no se busca la “precisión absoluta”: Es más práctico que los robots se adapten a posibles escenarios, como en el caso de LATENT.
- La división de tareas se optimiza continuamente: A medida que aumentan los datos y los recursos de cálculo, los módulos que hoy en día se escriben a mano (como los contactos complejos) podrían ser reemplazados por el aprendizaje automático en el futuro; las partes que hoy dependen del aprendizaje (como las restricciones de seguridad) podrían ser complementadas por modelos en el futuro.
En resumen, la evolución tecnológica de los robots que juegan al béisbol refleja la reflexión constante de los humanos sobre qué conocimientos merecen ser proporcionados directamente a los robots y cuáles deben descubrir por sí mismos. Los modelos físicos y el aprendizaje automático no son competidores, sino socios que trabajan juntos para hacer que los robots sean más inteligentes y mejor adaptados al mundo real.