Si bien los grandes modelos de lenguaje (LLM) han dominado el arte del procesamiento de textos e imágenes, todavía están confinados en gran medida al ámbito digital. La transición de la generación de códigos a la ropa plegable requiere un cambio fundamental en la visión del mundo de la inteligencia artificial. Microsoft está intentando cerrar esta brecha Rho alfa (⍴ɑ), un nuevo modelo de robótica básica diseñado para adaptarse a tareas físicas.
Rho-alpha pertenece a la categoría de modelos Vision-Language-Action (VLA). Estos sistemas toman datos visuales y comandos en lenguaje natural para generar acciones del brazo robótico. Sin embargo, los VLA estándar suelen tener dificultades con tareas de precisión en las que la visión está obstruida o es insuficiente, como manipular un objeto resbaladizo o insertar un enchufe detrás de una mesa. Rho-alpha resuelve esto integrando la detección táctil directamente en su proceso de toma de decisiones, una capacidad a la que Microsoft se refiere como «VLA+».
La innovación fundamental de Rho-alpha reside en la forma en que procesa los datos sensoriales. La mayoría de los modelos multimodales intentan tokenizar todas las entradas, convirtiendo imágenes y texto en unidades discretas que pueden ser procesadas por un transformador. La retroalimentación táctil, sin embargo, es una señal continua de alta frecuencia que representa fuerza y resistencia y no puede representarse como una señal discreta.
Para solucionar esto, Microsoft diseñó una arquitectura compartida. El modelo utiliza la columna vertebral del modelo estándar de visión y lenguaje (VLM) de la familia Phi de Microsoft para manejar el razonamiento de alto nivel y la comprensión semántica. Sin embargo, el control real del motor lo maneja un módulo especial llamado «experto en acción» adjunto al VLM. Los datos táctiles se fusionan con imágenes, texto e incrustaciones de propiocepción en el experto en acción. Sin embargo, los datos táctiles pasan por alto el componente VLM y no se tokenizan.
En comentarios a TechTalks, Andrey Kolobov, jefe de investigación de Microsoft Research, explicó que esta arquitectura permite que el sistema evite componentes de pensamiento más lento cuando se requiere una respuesta física inmediata.
«El modelo trata el tacto como una fuente continua de datos y proporciona información sobre las fuerzas aplicadas actualmente a la punta del dedo de la pinza», dijo Kolobov.
Este mecanismo de derivación es fundamental para la latencia. Alimentar datos de energía de alta frecuencia a través de un transformador masivo introduciría retrasos que harían imposible el control en tiempo real. Al combinar datos táctiles en el experto en acción más pequeño y más rápido, el robot puede reaccionar inmediatamente a la resistencia física y al mismo tiempo aprovechar VLM en un contexto más amplio.
«Vemos el propósito de los modos de detección física para ayudar a que nuestro modelo sea más reactivo y adaptativo», añadió Kolobov. «En consecuencia, incorporamos estas modalidades al experto en acción, que es una pequeña fracción de la arquitectura general, sin pasar por el VLM».
Según Kolobov, el objetivo a largo plazo es que el experto en acción, o parte de él, opere con modos de propiocepción y sensores físicos con una frecuencia significativamente mayor que con datos visuales y lingüísticos.
Entrenar un modelo para que interactúe con el mundo físico es un desafío con escasez de datos. A diferencia del texto, que puede extraerse de Internet en petabytes, los datos de interacción de los bots son costosos y lentos de recopilar. Microsoft maneja esto usando Isaac Sim de Nvidia para entrenar Rho-alpha en un entorno simulado.
En robótica, la diferencia entre el entorno simulado y el mundo real es un problema, este obstáculo es la llamada «brecha entre simulación y real». Sin embargo, el enfoque de Microsoft evita la necesidad de cerrar perfectamente la brecha entre simulación y realidad. El propósito de la simulación no es crear una copia 1:1 del mundo físico, sino enseñar los conceptos generales de física y fuerza del modelo.
«Realmente no confiamos en que la brecha simulación-real sea pequeña y simplemente hacemos un aumento de datos tradicional», dijo Kolobov. «El propósito de utilizar datos simulados durante el entrenamiento es proporcionar una idea preliminar aproximada de cómo es la retroalimentación táctil y de fuerza y cómo podría ser útil».
Al aprender estos «precursores» en la simulación, el modelo ingresa al mundo real y ya comprende que una visualización de fuerza emergente generalmente significa que ha chocado contra un obstáculo. Esto le permite perfeccionar su política utilizando muchos menos datos reales.
Una vez instalado, Rho-alpha continúa aprendiendo a través de la interacción humana. Si el robot no realiza una tarea, un operador humano puede intervenir mediante control remoto (utilizando herramientas como un ratón 3D) para corregir el movimiento. El modelo procesa esta retroalimentación para actualizar su política.
Sin embargo, esta opción de aprendizaje en línea conlleva el riesgo de que «olvido catastrófico”, donde, al aprender una nueva tarea, el modelo pierde competencia en las anteriores.
«A medida que el modelo aprende de la retroalimentación de tareas específicas, el desempeño en tareas actualmente no practicadas puede deteriorarse a menos que se preste atención para combatir esto», señaló Kolobov.
Para mitigar esto, el sistema puede agregar datos y realizar actualizaciones periódicas, «recordando» efectivamente al modelo la experiencia pasada para mantener un conjunto de habilidades equilibrado.
Rho-alpha está actualmente optimizado para manipulación bimanual. Si bien, en teoría, muchas tareas se pueden realizar con un solo brazo, la coordinación de los dos usuarios finales mejora significativamente la eficiencia en un entorno industrial.
«En muchos escenarios más allá de la recogida y entrega, desde doblar la ropa hasta empacar alimentos y ensamblar, realizar tareas con dos usuarios finales en lugar de uno aumenta la velocidad y la solidez de la ejecución y, por lo tanto, el rendimiento», explicó Kolobov.
El modelo tiene limitaciones de hardware en su estado actual. Solo admite manipulación, lo que significa que no puede controlar la base móvil de un robot ni el cuerpo de un humanoide. Además, los datos de entrenamiento están muy sesgados hacia personas que agarran con dos dedos, por lo que el uso de manos complejas con múltiples dedos o ventosas requeriría datos adicionales posteriores al entrenamiento.
A pesar de estas limitaciones, la arquitectura ofrece una visión del futuro de la IA física. Al separar el pensamiento semántico de alto nivel del control motor de alta frecuencia y bajo nivel, Microsoft está construyendo un sistema que puede pensar como un LLM pero operar con los reflejos necesarios para el mundo real.
