Quien haya educado a una mascota o formado a un compañero nuevo conoce la frustración de corregir el mismo error en formas ligeramente distintas. Un robot que planifica su trayectoria sobre una mesa abarrotada tiene el mismo problema: dile que evite el portátil y lo evitará, para luego pasar tan tranquilo una taza de café llena por encima del móvil de al lado. Investigadores del MIT y de la Universidad de Nueva York han creado un sistema, FLEX, que intenta leer la intención detrás de esa corrección, y lo presentarán este mes en la Conference on Robot Learning.
FLEX funciona en tres pasos. En el primero, Añadir, un objeto que menciona el usuario entra en la lista de cosas que importan para la tarea, que es como ya funcionaban los métodos anteriores. El segundo, Generalizar, es la novedad: un modelo de lenguaje grande, aquí GPT-4o, examina todo lo que hay en esa lista y deduce la categoría general, de modo que un portátil pasa a ser electrónica, una taza pasa a ser objetos frágiles y un montón de papel pasa a ser objetos inflamables. En el tercero, Enmascarar, el sistema de visión del robot comprueba qué objetos de la lista ya no están en la escena y los elimina, para que la lista no crezca sin fin. Todo el ciclo dura unos cinco segundos.
El equipo lo probó en simulación con un brazo robótico que servía café, movía una vela y transportaba una bola de bolos, mientras voluntarios escribían órdenes como "No derrames sobre mi portátil". En cada caso, el robot siguió la instrucción literal y la regla deducida, y esquivó un móvil del que nadie le había advertido.
La idea es aprovechar el sentido común que un modelo como el que hay detrás de ChatGPT adquiere a partir de enormes cantidades de texto, en lugar de pedir a la gente que detalle cada regla. Encaja en un esfuerzo más amplio para que las personas hablen con robots domésticos y de asistencia en vez de programarlos.
Las pruebas son escasas por ahora. Los resultados proceden de tres tareas simuladas descritas en una nota de prensa universitaria, sin tasas de éxito ni cifras comparativas. Un modelo de lenguaje que generalice en exceso podría volver tímido a un robot, que evitaría cualquier objeto que considere valioso, y el trabajo aún no muestra con qué frecuencia los usuarios tendrían que deshacer esas deducciones. Las cocinas reales, con su iluminación y su desorden, pondrán a prueba el paso de visión mucho más que un simulador.