Los algoritmos de aprendizaje por refuerzo en sistemas como ChatGPT o Gemini de Google pueden hacer maravillas, pero normalmente necesitan cientos de miles de intentos en una tarea antes de ser buenos en ella. Por eso siempre ha sido difícil transferir este rendimiento a los robots. No se puede permitir que un coche autónomo se estrelle 3.000 veces sólo para que aprenda que chocar es malo.

Pero ahora un equipo de investigadores de la Universidad Northwestern puede haber encontrado una manera de evitarlo. «Esto es lo que creemos que será transformador en el desarrollo de la IA incorporada en el mundo real», dice Thomas Berrueta, quien dirigió el desarrollo del aprendizaje por refuerzo de máxima difusión (MaxDiff RL), un algoritmo diseñado específicamente para robots.

Introduciendo el caos

El problema con la implementación de la mayoría de algoritmos de aprendizaje por refuerzo en robots comienza con la suposición incorporada de que los datos de los que aprenden son independientes y están distribuidos de manera idéntica. La independencia, en este contexto, significa que el valor de una variable no depende del valor de otra variable en el conjunto de datos: cuando lanzas una moneda dos veces, obtener cruz en el segundo intento no depende del resultado del primer lanzamiento. . Distribución idéntica significa que la probabilidad de ver cualquier resultado específico es la misma. En el ejemplo del lanzamiento de una moneda, la probabilidad de obtener cara es la misma que la de obtener cruz: 50 por ciento para cada una.

En sistemas virtuales e incorpóreos, como los algoritmos de recomendación de YouTube, obtener dichos datos es fácil porque la mayoría de las veces cumplen con estos requisitos desde el principio. “Tienes un grupo de usuarios de un sitio web, obtienes datos de uno de ellos y luego obtienes datos de otro. Lo más probable es que esos dos usuarios no estén en el mismo hogar, no estén muy relacionados entre sí. Podrían serlo, pero es muy poco probable”, afirma Todd Murphey, profesor de ingeniería mecánica en Northwestern.

El problema es que, si esos dos usuarios estuvieran relacionados entre sí y estuvieran en el mismo hogar, podría ser que la única razón por la que uno de ellos viera un vídeo fuera porque su compañero de casa lo vio y les dijo que lo vieran. Esto violaría el requisito de independencia y comprometería el aprendizaje.

“En un robot, en general, no es posible obtener estos datos independientes y distribuidos de manera idéntica. Existes en un punto específico en el espacio y el tiempo cuando estás encarnado, por lo que tus experiencias tienen que estar correlacionadas de alguna manera”, dice Berrueta. Para resolver esto, su equipo diseñó un algoritmo que empuja a los robots a ser lo más aventureros posible para obtener el mayor conjunto de experiencias de las cuales aprender.

Dos sabores de entropía

La idea en sí no es nueva. Hace casi dos décadas, la gente del mundo de la IA descubrió algoritmos, como el aprendizaje por refuerzo de máxima entropía (MaxEnt RL), que funcionaba aleatorizando acciones durante el entrenamiento. “La esperanza era que cuando se toma un conjunto de acciones tan diverso como sea posible, se exploran conjuntos más variados de futuros posibles. El problema es que esas acciones no existen en el vacío”, afirma Berrueta. Cada acción que realiza un robot tiene algún tipo de impacto en su entorno y en su propia condición; ignorar por completo esos impactos a menudo genera problemas. En pocas palabras, un automóvil autónomo que estuviera aprendiendo por sí solo a conducir usando este enfoque podría estacionar elegantemente en su camino de entrada, pero tendría la misma probabilidad de chocar contra una pared a toda velocidad.

Para solucionar esto, el equipo de Berrueta se alejó de maximizar la diversidad de acciones y optó por maximizar la diversidad de cambios de estado. Los robots impulsados ​​por MaxDiff RL no agitaron sus articulaciones robóticas al azar para ver qué hacía. En cambio, conceptualizaron objetivos como «¿puedo llegar a este lugar delante de mí?» y luego intentaron determinar qué acciones los llevarían allí de manera segura.

Berrueta y sus colegas lograron eso a través de algo llamado ergodicidad, un concepto matemático que dice que un punto en un sistema en movimiento eventualmente visitará todas las partes del espacio en el que se mueve el sistema. Básicamente, MaxDiff RL alentó a los robots a alcanzar todos los estados disponibles en su entorno. Y los resultados de las primeras pruebas en entornos simulados fueron bastante sorprendentes.

Fideos de piscina de carreras

«En el aprendizaje por refuerzo existen puntos de referencia estándar con los que las personas ejecutan sus algoritmos, de modo que podemos tener una buena manera de comparar diferentes algoritmos en un marco estándar», dice Allison Pinosky, investigadora de Northwestern y coautora del estudio MaxDiff RL. Uno de esos puntos de referencia es un nadador simulado: un cuerpo de tres brazos que descansa en el suelo en un ambiente viscoso y que necesita aprender a nadar lo más rápido posible en una dirección determinada.

En la prueba de nadador, MaxDiff RL superó a otros dos algoritmos de aprendizaje por refuerzo de última generación (NN-MPPI y SAC). Estos dos necesitaron varios reinicios para descubrir cómo mover a los nadadores. Para completar la tarea, siguieron un proceso de aprendizaje de IA estándar dividido en una fase de entrenamiento en la que un algoritmo pasa por múltiples intentos fallidos para mejorar lentamente su rendimiento, y una fase de prueba en la que intenta realizar la tarea aprendida. MaxDiff RL, por el contrario, lo logró, adaptando inmediatamente sus comportamientos aprendidos a la nueva tarea.

Los algoritmos anteriores terminaron sin aprender porque se quedaron atascados al probar las mismas opciones y nunca avanzaron hasta donde pudieran aprender que las alternativas funcionan. «Experimentaron los mismos datos repetidamente porque estaban realizando ciertas acciones localmente, asumieron que eso era todo lo que podían hacer y dejaron de aprender», explica Pinosky. MaxDiff RL, por otro lado, continuó cambiando de estado, explorando, obteniendo datos más ricos de los cuales aprender y finalmente tuvo éxito. Y debido a que, por diseño, busca alcanzar todos los estados posibles, potencialmente puede completar todas las tareas posibles dentro de un entorno.

Pero, ¿significa esto que podemos tomar MaxDiff RL, cargarlo en un vehículo autónomo y dejarlo en la carretera para que resuelva todo por sí solo? No precisamente.

La primera noticia de la conferencia Automate de este año llega a través del spinout de Alphabet X, Intrinsic. La empresa anunció en el evento de Chicago el lunes que incorporará una serie de ofertas de Nvidia en su plataforma de aplicaciones robóticas Flowstate.

Eso incluye Isaac Manipulator, una colección de modelos fundamentales diseñados para crear flujos de trabajo para brazos robóticos. La oferta se lanzó en GTC en marzo, con algunos de los nombres más importantes de la automatización industrial ya a bordo. La lista incluye Yaskawa, Solomon, PickNik Robotics, Ready Robotics, Franka Robotics y Universal Robots.

La colaboración se centra específicamente en agarrar (agarrar y recoger objetos), una de las modalidades clave para la automatización de la fabricación y el cumplimiento. Los sistemas se entrenan en grandes conjuntos de datos, con el objetivo de ejecutar tareas que funcionan en todo el hardware (es decir, agnosticismo de hardware) y con diferentes objetos.

Es decir, los métodos de selección se pueden transferir a diferentes entornos, en lugar de tener que entrenar cada sistema para cada escenario. Como seres humanos, una vez que descubrimos cómo recoger cosas, esa acción se puede adaptar a diferentes objetos en diferentes entornos. En su mayor parte, los robots no pueden hacer eso, al menos no por ahora.

«En el futuro, los desarrolladores podrán utilizar habilidades de comprensión universales ya preparadas como estas para acelerar enormemente sus procesos de programación», dijo en una publicación la fundadora y directora ejecutiva de Intrinsic, Wendy Tan White. «Para la industria en general, este desarrollo muestra cómo los modelos básicos podrían tener un impacto profundo, incluido hacer que los desafíos actuales de programación de robots sean más fáciles de gestionar a escala, crear aplicaciones que antes no eran factibles, reducir los costos de desarrollo y aumentar la flexibilidad para los usuarios finales».

Las primeras pruebas de Flowstate se realizaron en Isaac Sim, la plataforma de simulación robótica de Nvidia. El cliente intrínseco Trumpf Machine Tools ha estado trabajando con un prototipo del sistema.

«Esta habilidad de agarre universal, entrenada con datos 100% sintéticos en Isaac Sim, se puede utilizar para crear soluciones sofisticadas que puedan realizar tareas de agarre de objetos adaptables y versátiles en simulación y real», dice Tan White sobre el trabajo de Trumpf con la plataforma. «En lugar de codificar pinzas específicas para agarrar objetos específicos de una determinada manera, se genera automáticamente un código eficiente para una pinza y un objeto en particular para completar la tarea utilizando el modelo básico».

Intrinsic también está trabajando con DeepMind, propiedad de Alphabet, para descifrar la estimación de posturas y la planificación de rutas, otros dos aspectos clave de la automatización. Para esto último, el sistema fue entrenado en más de 130.000 objetos. La compañía dice que los sistemas pueden determinar la orientación de los objetos en “unos segundos”, una parte importante para poder detectarlos.

Otra pieza clave del trabajo de Intrinsic con DeepMind es la capacidad de operar múltiples robots en conjunto. «Nuestros equipos han probado esta solución 100% generada por ML para orquestar sin problemas cuatro robots separados que trabajan en una simulación de aplicación de soldadura de automóviles a escala reducida», dice Tan White. «Los planes de movimiento y las trayectorias de cada robot se generan automáticamente, no tienen colisiones y son sorprendentemente eficientes: funcionan aproximadamente un 25 % mejor que algunos métodos tradicionales que hemos probado».

El equipo también está trabajando en sistemas que utilizan dos brazos a la vez, una configuración más acorde con el mundo emergente de los robots humanoides. Es algo que veremos mucho más en los próximos años, humanoide o no. Pasar de un brazo a dos abre todo un mundo de aplicaciones adicionales para estos sistemas.

Alrededor de dos años Hace poco estaba en un auto con mi mejor amiga y su hijo pequeño. Ella conducía y yo estaba sentado atrás junto a su bebé de 10 meses, que estaba arropado en su asiento de seguridad. Durante un tiempo, el viaje fue tranquilo, pero luego el bebé rompió a llorar. Probamos todos los trucos comunes para consolarlo. Torcí mi cara en la pose más tonta, mi amiga estalló en una canción pegadiza, pero nuestros esfuerzos se encontraron con gemidos más fuertes hasta que finalmente, ¡afortunadamente!, llegamos al camino de entrada de mi amiga y ella pudo levantar a su hijo en brazos. .

Esta situación, sin el amigo inútil que va detrás, probablemente les resulte familiar a muchos padres que conducen solos con sus hijos pequeños. Y es la razón por la que el fabricante de automóviles japonés Nissan está desarrollando una peculiar marioneta para aliviar las rabietas en los asientos traseros. Se llama Iruyo, que se traduce como «Estoy aquí» en japonés.

La niñera peluda, que emite grandes vibraciones de Elmo, es de hecho dos títeres: “Iruyo grande”, que está atado al respaldo del asiento trasero, de cara al bebé; y el “pequeño Iruyo”, que se encuentra en el portavasos del conductor. Big Iruyo hace la mayor parte del trabajo. Cuando se le solicita mediante comandos de voz específicos pronunciados por los padres, el gran Iruyo puede agitar las manos, cubrirse los ojos para jugar al escondite o aplaudir mientras los padres cantan.

Fotografía: Nissan

Un robot para niños

Los asientos para niños orientados hacia atrás son significativamente más seguros que sus homólogos orientados hacia adelante, pero tienen un defecto inevitable: no puedes ver la cara de tu hijo mientras conduces. Es por eso que Big Iruyo también viene con una cámara incorporada para monitorear el rostro de su hijo. Cuando los ojos de su bebé estén cerrados durante más de tres segundos, el Iruyo grande asumirá que está dormido y le transmitirá el mensaje al pequeño Iruyo, que a su vez cerrará los ojos para reflejar a su pequeño. Cuando su bebé vuelva a abrir los ojos, el pequeño Iruyo hará lo mismo, como en un juego de alta tecnología de «el mono ve, el mono hace».

Iruyo fue diseñado por la agencia de publicidad de Tokio TBWAHakuhodo, en colaboración con Nissan y con una de las cadenas minoristas más grandes de Japón especializada en productos para bebés, Akachan Honpo. El proyecto comenzó como una campaña de marketing para la tecnología de detección de Nissan utilizada en su sistema de asistencia al conductor. Por ejemplo, algunos modelos de automóviles como el Nissan Ariya utilizan una combinación de sensores de radar y cámaras frontales para evaluar continuamente su entorno y automatizar parte de su conducción, de modo que pueda quitar las manos del volante y los pies de los pedales en una autopista. .

Iruyo utiliza tecnología de cámara similar para evaluar el rostro de su bebé y ayudarlo a cuidarlo. TBWA me asegura que la cámara del robot solo detecta el movimiento de los ojos, lo que, según la compañía, debería mitigar cualquier problema de privacidad asociado con la captura de expresiones faciales completas.

Es difícil ahí fuera y, sin embargo, desempeñar mi puesto de trabajo semiregular siempre me da esperanza. Parece que cada vez que publico uno de estos, el número aumenta. Con 74 empresas, esta es sin duda la lista más grande que hemos hecho, por un amplio margen. Eso significa más trabajo para mí al redactar esta publicación, pero si ayuda a algunas personas a encontrar trabajo, definitivamente valió la pena.

Me encanta escuchar historias de personas que fueron contratadas haciendo clic en un enlace de esta publicación, así que envíeme una nota a LinkedIn si eso se aplica a usted. Como siempre, buena suerte. Lo tienes.

Tecnologías 1X (23 papeles)
Robótica de construcción avanzada (4 roles)
escapar (5 roles)
Etón (5 roles)
Robótica de agilidad (5 roles)
toda visión (2 roles)
Ambi Robótica (2 roles)
ANYbotics (25 papeles)
Apptronik (16 papeles)
astrobotico (23 papeles)
Máquinas atómicas (2 roles)
Aurora (40 carreras)
Baubot (10 papeles)
Robótica del oso (13 papeles)
Robótica BHS (8 roles)
Robótica Bloomfield (5 roles)
robot de caja (3 roles)
Robótica Carnegie (1 papel)
cefeida (4 roles)
Cocinero Robótica (15 papeles)
Robótica Civil (5 roles)
Robótica colaborativa (10 papeles)
covariante (20 papeles)
Destreza (42 papeles)
Investigación de casos extremos (1 papel)
ecumen (3 roles)
Herramientas encantadas (50 papeles)
Artes de ingeniería (1 papel)
Exotec (174 funciones)
Ojo-Bot (4 roles)
Forzar (4 roles)
Formante, Inc. (4 roles)
Fórmico (8 roles)
Formlogic (12 papeles)
Cuatro productores (4 roles)
Dedalera (2 roles)
Cumplir con las soluciones (15 papeles)
Robótica Gecko (18 papeles)
Robótica Gray Matter (11 papeles)
Juerguista (6 roles)
Johnson & Johnson Med Tech (1 papel)
keybotico (2 roles)
Robots matic (10 papeles)
medra (3 roles)
Sistemas de visión de minas (2 roles)
Autonomía cercana a la Tierra (4 roles)
Neocís (15 papeles)
Neubilidad (1 papel)
Neuraville (8 roles)
Sistemas Neya (9 roles)
Robótica ágil (8 roles)
nuro (40 papeles)
Robótica hacia adelante (2 roles)
Más.ai (3 roles)
Robótica erudita (2 roles)
Robótica Pudu (2 roles)
Pyka (10 papeles)
Robótica confiable (36 papeles)
IA robótica (1 papel)
IA robusta (14 papeles)
Santuario AI (14 papeles)
Robótica Sakar (6 roles)
Robótica guadaña (11 papeles)
Seegrid (10 papeles)
Esfinge (5 roles)
Pila AV (40 papeles)
Sunnybotics (2 roles)
El Instituto de IA (19 papeles)
Robótica Titán (3 roles)
UnidadX (8 roles)
Robótica Vecna (7 roles)
Vención (20 papeles)
Viam (4 roles)
Automatización de volea (10 papeles)

Los humanoides han aspirado mucho aire de la habitación. Después de todo, es mucho más fácil generar prensa para robots que se ven y se mueven como humanos. Sin embargo, en última instancia, aún no se ha demostrado tanto la eficacia como la escalabilidad de dichos diseños. Desde hace un tiempo, el fundador de Collaborative Robotics, Brad Porter, ha evitado los robots que parecen personas. Sin embargo, las máquinas que potencialmente pueden razonar como personas son otra cosa completamente diferente.

Como lo indica el nombre de la startup de dos años, Collaborative Robotics (Cobot para abreviar) está interesada en las formas en que los humanos y los robots colaborarán en el futuro. La compañía aún no ha presentado su sistema, aunque el año pasado Porter me dijo que el “novedoso sistema cobot” no es ni humanoide ni un manipulador móvil montado en la parte trasera de un robot móvil autónomo (AMR).

Sin embargo, el sistema ha comenzado a implementarse en sitios seleccionados.

«La implementación de nuestros primeros robots en el campo a principios de este año, junto con la inversión de hoy, son hitos importantes a medida que incorporamos cobots con capacidad de nivel humano a las industrias de hoy», dice Porter. «Vemos un círculo virtuoso en el que más robots en el campo conducen a una IA mejorada y una cadena de suministro más rentable».

Un mayor despliegue se verá favorecido por una nueva Serie B de 100 millones de dólares, liderada por General Catalyst y protagonizada por Bison Ventures, Industry Ventures y Lux Capital. Eso eleva la financiación total de la empresa del Área de la Bahía a 140 millones de dólares. Teresa Carlson de General Catalyst también se unirá a la empresa en calidad de asesora.

Cobot también tiene pedigrí, con personal que incluye ex empleados de Apple, Meta, Google, Microsoft, NASA y Waymo. El propio Porter pasó más de 13 años en Amazon. Cuando terminó su carrera en la empresa en el verano de 2020, lideraba el equipo de robótica industrial del gigante minorista.

Amazon se convirtió en uno de los principales impulsores y consumidores de robótica industrial del mundo durante ese tiempo, y los ahora omnipresentes AMR de la compañía son un testimonio de la eficiencia de combinar trabajadores humanos y robots.

Naturalmente, la IA será fundamental para la promesa de la empresa de “solución de problemas humanos”, mientras que el alejamiento del factor de forma humanoide es un intento, en parte, de reducir el costo de entrada para implementar estos sistemas.

El Helldivers 2 La comunidad es un lugar único, con más jugadores que cuentan con la capacidad de comprometerse con el bit que quizás en cualquier otro lugar de Internet. No es nada inusual ver a los fanáticos negarse a comunicarse de otra manera que no sea con un patriotismo inquebrantable hacia Super Earth y un profundo deseo de difundir la Democracia Administrada, esencialmente interpretando Helldivers de la vida real incluso fuera del juego.

Sin embargo, no todo el mundo quiere asumir el papel de ciudadano de la Súper Tierra. Anteriormente hemos visto Reddit inundado de juegos de rol de Terminid, con ‘bichos encubiertos’ rogándoles a Helldivers que dejen de aplastarlos y pidiendo parches de equilibrio para hacerlos más fuertes. Quizás no sea una sorpresa entonces que esta tendencia haya continuado con los Autómatas de Helldivers 2, e incluso haya resultado en la creación de una pista de distorsión robótica contra Super Tierra.

Para cada tecnología historia de éxito, hay innumerables proyectos que chocan de cabeza contra la pared de ladrillos de la realidad. Las ambiciones de vehículos eléctricos de Apple son uno de los ejemplos más recientes (y, francamente, mejores) de un proyecto que fracasa a pesar de que parece tener todo a su favor.

Aún no se sabe cuál será el destino final del Vision Pro, pero al menos los auriculares de realidad mixta de Apple demuestran que la compañía no tiene miedo de seguir intentando donde casi todos los demás han fracasado. Con el Apple Car firmemente en el retrovisor, se informa que la compañía está explorando otro camino notoriamente difícil: los robots domésticos.

La categoría es única y excepcionalmente difícil por varias razones. Lo que lo diferencia de otras categorías es el hecho de que ha habido precisamente un caso de éxito: el robot aspirador. Han pasado 22 años desde que se presentó el primer Roomba y durante las últimas dos décadas, toda una industria (incluido el propio iRobot) ha estado persiguiendo ese éxito.

La incapacidad de iRobot para encontrar oro por segunda vez no se debe a que no lo intentó. En el casi cuarto de siglo transcurrido desde que presentó Roomba, nos ha brindado limpiadores de canaletas, limpiadores de piscinas, cortadoras de césped e incluso un Roomba diseñado específicamente para quitar tornillos y otros restos de hardware de los pisos del garaje. Sin embargo, a pesar de esos esfuerzos, a la empresa le fue mejor cuando centró sus recursos nuevamente en su robot aspirador.

El robot aspirador tuvo éxito por la misma razón por la que cualquier robot ha tenido éxito: era un producto creado para realizar una única tarea bajo demanda de forma repetitiva lo mejor que podía. Hasta el día de hoy, las aspiradoras son el campo de batalla en el que se libran las guerras de los robots domésticos. Tomemos como ejemplo la bien financiada startup Matic del Área de la Bahía. Los antiguos ingenieros de Google/Nest que fundaron la empresa creen que el próximo avance en el hogar se construirá sobre la base de aspiradoras robóticas. Su caso, en parte, es que iRobot efectivamente se arrinconó con su factor de forma similar a un disco.

Esos primeros Roombas no se construyeron teniendo en cuenta las capacidades actuales de detección y mapeo. Matic cree que simplemente haciendo que el robot sea más alto, se mejora drásticamente su punto de vista. Este fue también el impulsor detrás de la innovación más interesante encontrada en el robot doméstico Astro de Amazon: la cámara de periscopio.

El hecho es que la funcionalidad del robot doméstico se ve gravemente obstaculizada por el factor de forma. El diseño del disco de hockey que prevalece en las aspiradoras robotizadas no es ideal para nada más allá de la funcionalidad principal para la que está diseñado. Para realizar con eficacia más tipos de tareas que la gente podría desear en un robot doméstico, el hardware debe volverse más complejo. Los manipuladores móviles son un gran objetivo en movimiento. Es decir, si quieres una mano amiga, una mano es un buen lugar para empezar.

Sin embargo, como tantas otras cosas en este mundo, los manipuladores móviles son engañosamente difíciles. De hecho, la robótica industrial aún no lo ha logrado. Los brazos grandes y atornillados son comunes en la fabricación, y los robots móviles autónomos (AMR) con ruedas como Locus y Kiva son comunes en los almacenes, pero el término medio entre los dos no se ha establecido firmemente. Ésta es en gran parte la razón por la que el elemento humano sigue siendo importante en ese mundo. Es un problema que se resolverá pronto, pero parece probable que suceda con estas máquinas industriales más caras mucho antes de que se abra camino hacia los robots domésticos más asequibles (como regla general, las corporaciones generalmente tienen bolsillos más profundos que las personas).

Esta es también una gran parte de la razón por la que muchos defienden el factor de forma humanoide en el lugar de trabajo (los seres humanos, después de todo, ofrecen una especie de manipulación móvil). Pero ese es un artículo de reflexión largo y extenso para otro día.

La manipulación móvil no está completamente fuera del alcance de los robots domésticos. Hello Robot’s Stretch es probablemente el ejemplo más convincente en este momento. En lugar de tener una forma humanoide, el robot parece un Roomba con un poste montado en el centro. Este alberga tanto un sistema de imágenes como un brazo que se mueve hacia arriba y hacia abajo para sujetar objetos (platos, ropa sucia) a diferentes alturas. Por supuesto, algunas tareas se realizan más fácilmente con dos brazos, y de repente empiezas a ver por qué tantas empresas de robótica han diseñado humanoides de forma retrospectiva.

En su forma actual, Stretch es prohibitivamente caro: 24.950 dólares. Probablemente esa sea una gran parte de la razón por la que la empresa lo vende como plataforma de desarrollo. Curiosamente, Matic ve su propio robot como una especie de plataforma de desarrollo, utilizando la aspiradora como puerta de entrada a tareas domésticas adicionales.

Otro problema con Stretch es que es teleoperado. No hay nada de malo en teleop en muchos escenarios, pero parece poco probable que la gente acuda en masa a un robot doméstico controlado por un humano en algún lugar lejano.

La navegación es otra barrera clave para el hogar. En comparación con los almacenes y las fábricas, los hogares son entornos relativamente desestructurados. Se diferencian mucho de uno a otro, la iluminación tiende a estar por todas partes y los humanos constantemente mueven cosas y las dejan caer al suelo.

El mundo de la conducción autónoma se ha enfrentado a sus propios obstáculos en este frente. Pero la diferencia clave entre un robot autónomo en la carretera y otro en el hogar es que lo peor que probablemente hará este último es tirar algo de un estante. Eso es malo, pero muy raramente resulta en la muerte. En cambio, con los vehículos autónomos, cualquier accidente representa un importante paso atrás para la industria. La tecnología, tal vez comprensiblemente, está siendo sometida a un estándar más alto que su contraparte humana.

Si bien la adopción de tecnologías de conducción autónoma está muy por detrás de la curva que muchos anticiparon, en gran parte por la razón de seguridad antes mencionada, muchas de las tecnologías desarrolladas para la categoría han ayudado a impulsar silenciosamente su propia revolución robótica, a medida que los vehículos autónomos se apoderan de granjas y aceras.

Probablemente esta sea una gran parte de la razón por la que podría considerar a los robots domésticos como “la próxima gran novedad” (para citar a Bloomberg citando sus fuentes). Sin duda, Apple ha invertido una enorme cantidad de recursos en impulsar tecnologías. Si pudieran reutilizarse para un proyecto diferente, tal vez no todo sea en vano.

Si bien los informes señalan que Apple «no se ha comprometido» ni con la pantalla robótica inteligente ni con el robot móvil que se dice que existen en algún lugar dentro de la fábrica de la compañía, ya ha puesto a los ejecutivos de Apple Home Matt Costello y Brian Lynch en el lado del hardware. , mientras que se dice que el vicepresidente senior de aprendizaje automático y estrategia de inteligencia artificial, John Giannandrea, está involucrado en el lado de la inteligencia artificial.

Dada la proximidad a sus esfuerzos locales, uno puede imaginar a la compañía trabajando en su propia versión de Astro de Amazon, aunque ese proyecto existe actualmente más como una advertencia por el momento. El proyecto se ha visto paralizado por el alto costo y la falta de características útiles que lo justifiquen. El sistema también sirvió efectivamente como un portal móvil de Alexa, y los asistentes domésticos han pasado de moda últimamente.

Apple tiene alguno experiencia en robótica, aunque nada que se acerque a lo que Amazon tiene en su lado industrial. La empresa ha estado involucrada en la producción de brazos robóticos como Daisy, que recupera metales clave de iPhones desechados. Sigue siendo un salto bastante grande hacia un robot doméstico.

Quizás la compañía podría adoptar un enfoque más parecido al de Vision Pro para la categoría, que se centra en gran medida en las contribuciones de los desarrolladores. Sin embargo, hacerlo requeriría una plataforma de hardware extremadamente versátil, lo que casi con certeza tendría un costo prohibitivo para la mayoría de los consumidores, lo que haría que el precio de $ 3,500 del Vision Pro parezca poca cosa.

Es difícil discutir con el director ejecutivo de Nvidia, Jensen Huang, cuando señala: «La construcción de modelos básicos para robots humanoides generales es uno de los problemas más interesantes de resolver en la IA actual». El factor de forma humanoide es uno de los temas más controvertidos en el mundo de la robótica en este momento, recaudando capital de riesgo a montones, al tiempo que genera un escepticismo masivo en el camino.

Naturalmente, Nvidia quiere una pieza. El gigante de los chips se ha convertido posiblemente en la empresa de hardware más importante en IA y, más recientemente, ha estado presentando argumentos convincentes como impulsor de la innovación robótica a través de iniciativas como Isaac y Jetson. Esta semana, en su conferencia anual de desarrolladores GTC, la compañía está plantando su bandera en la carrera humanoide con el Proyecto GR00T, que puede o no ser un guiño al árbol espacial parlante ileista de Marvel.

El fabricante de chips se refiere a la nueva plataforma como «un modelo básico de propósito general para robots humanoides». En esencia, la compañía está construyendo una plataforma de inteligencia artificial para la reciente serie de entradas en la categoría, incluidas compañías como 1X Technologies, Agility Robotics, Apptronik, Boston Dynamics, Figure AI, Fourier Intelligence, Sanctuary AI, Unitree Robotics y XPENG Robotics. Esto cubre a casi todos los fabricantes destacados de robots humanoides en este momento, con algunas excepciones notables como Tesla.

La agilidad recibe atención adicional en el anuncio, cortesía de una cita del cofundador y director de robótica Jonathan Hurst: “Estamos en un punto de inflexión en la historia, con robots centrados en el ser humano como Digit listos para cambiar el mundo laboral para siempre. La IA moderna acelerará el desarrollo, allanando el camino para que robots como Digit ayuden a las personas en todos los aspectos de la vida diaria. Estamos entusiasmados de asociarnos con NVIDIA para invertir en informática, herramientas de simulación, entornos de aprendizaje automático y otra infraestructura necesaria para hacer realidad el sueño de que los robots formen parte de la vida diaria”.

El cofundador y director ejecutivo de Sanctuary AI, Geordie Rose, también opina: “La IA incorporada no solo ayudará a abordar algunos de los mayores desafíos de la humanidad, sino que también creará innovaciones que actualmente están más allá de nuestro alcance o imaginación. Una tecnología tan importante no debería construirse en silos, por eso damos prioridad a socios a largo plazo como NVIDIA”.

GR00T también admitirá nuevo hardware de Nvidia. Manteniendo las cosas en Marvel Cinematic Universe está Jetson Thor, una nueva computadora diseñada específicamente para ejecutar flujos de trabajo de simulación, modelos de IA generativos y más para el factor de forma humanoide. Sigo advirtiendo a la gente que no utilice términos como “propósito general” al describir estas máquinas, pero el gran interés de Nvidia es una validación para la categoría que casi con certeza acelerará el desarrollo.

Notas de Nvidia del nuevo silicio:

El SoC incluye una GPU de próxima generación basada en la arquitectura NVIDIA Blackwell con un motor transformador que ofrece 800 teraflops de rendimiento de IA de punto flotante de 8 bits para ejecutar modelos de IA generativa multimodal como GR00T. Con un procesador de seguridad funcional integrado, un grupo de CPU de alto rendimiento y 100 GB de ancho de banda Ethernet, simplifica significativamente los esfuerzos de diseño e integración.

Si bien aún faltan años para el propósito general, democratizar el acceso para desarrolladores externos contribuirá en gran medida a cerrar esa brecha.

Los anuncios de robótica del GTC de esta semana incluyeron dos programas clave más: Isaac Manipulator e Isaac Perceptor. La manipulación ha sido un aspecto fundamental de la robótica desde hace décadas. A la vanguardia estaban los enormes brazos robóticos industriales que se han convertido en un elemento fijo de la fabricación de automóviles. La próxima generación será aún más hábil y mucho más móvil. Naturalmente, Nvidia quiere una parte de la acción.

«Isaac Manipulator ofrece destreza de última generación y capacidades modulares de inteligencia artificial para brazos robóticos, con una sólida colección de modelos básicos y bibliotecas aceleradas por GPU», escribe la compañía. «Ofrece una aceleración de hasta 80 veces en la planificación de rutas y la percepción de disparo cero aumenta la eficiencia y el rendimiento, lo que permite a los desarrolladores automatizar una mayor cantidad de nuevas tareas robóticas».

Nvidia ya cuenta con algunos nombres importantes, incluidos Franka Robotics, PickNik Robotics, READY Robotics, Solomon, Universal Robots y Yaskawa.

Los AMR (robótica móvil autónoma) también están recibiendo algo de amor, en forma de Perceptor. El programa mantiene el antiguo enfoque de Nvidia en el procesamiento de visión para robótica. Está dirigido específicamente a “capacidades de visión envolvente 3D y multicámara”. ArcBest, BYD y El Grupo KION ya se ha registrado.

Los próximos años presentarán una carrera fascinante por la participación de mercado entre humanoides y manipuladores móviles, y Nvidia quiere una parte de toda esa acción.

Es muy alentador ver que nuestra pequeña lista se ha duplicado desde la última vez que hicimos uno de estos. Si bien es cierto que los despidos continúan afectando a la industria tecnológica en general, hay pocos campos mejores en los que ser experto en este momento que la robótica y la inteligencia artificial.

Con más de 60 entradas esta semana, hay muchos trabajos y empresas para elegir, en una amplia gama de segmentos diferentes, desde clasificación de correo hasta cirugía y espacio.

Para todos los que perdieron su trabajo, se graduaron recientemente o simplemente están buscando algo nuevo, aquí están para encontrar su próxima gran novedad.

ACK Robótica (10 papeles)
Robótica de construcción avanzada (3 roles)
escapar (7 roles)
Aigen (16 papeles)
Robótica Ambi (2 roles)
ANYbotics (24 papeles)
astrobotico (40 papeles)
Aurora (63 funciones)
Instituto Austriaco de Tecnología (1 papel)
Avidbots (12 papeles)
Baubot (12 papeles)
Robótica Bloomfield (5 roles)
Puente Electrodomésticos Inc (2 roles)
Robótica Carnegie (3 roles)
Cocinero Robótica (9 roles)
Robótica colaborativa (8 roles)
covariante (14 papeles)
Tecnología carmesí (3 roles)
Cyvl.ai (3 roles)
Destreza (39 papeles)
Investigación de casos extremos (3 roles)
Exotec (176 funciones)
Fórmico (7 roles)
Formlogic (10 papeles)
Cuatro productores (4 roles)
Dedalera (2 roles)
Reúne IA (5 roles)
Robótica Gray Matter (8 roles)
Juerguista (6 roles)
mielwell (10 papeles)
Tecnología identificada (5 roles)
Robótica Kef (3 roles)
kewazo (2 roles)
Robótica Matic (12 papeles)
Medra AI (2 roles)
Sistemas de visión de minas (2 roles)
Motor (19 papeles)
Centro Nacional de Ingeniería Robótica (3 roles)
Autonomía cercana a la Tierra (7 roles)
Sistemas Neya (6 roles)
Robótica ágil (9 roles)
Robótica hacia adelante (3 roles)
Navegación del punto uno (5 roles)
Robótica Pudu (2 roles)
Replantear sistemas (3 roles)
IA robótica (1 papel)
IA robusta (12 papeles)
Santuario AI (12 papeles)
Robótica guadaña (7 roles)
Seegrid (10 papeles)
ST Ingeniería Aethon (4 roles)
Pila AV (40 papeles)
Bots estándar (8 roles)
Stratom Inc. (7 roles)
simbótico (95 funciones)
El Instituto de IA (18 papeles)
Robótica Titán (3 roles)
Robótica Vayu (4 roles)
Robótica Vecna (5 roles)
Vención (19 papeles)
Automatización de volea (6 roles)

Desarrollado por Apple, Amazon, Google y Samsung (y otros), la materia es un de código abierto, capa de software de conectividad basada en IP para dispositivos domésticos inteligentes. Funciona a través de Wi-Fi, Ethernet y el protocolo de red en malla de bajo consumo. Hilo y actualmente admite más de 20 tipos de dispositivos. Estos incluyen iluminación, enchufes e interruptores, termostatos, cerraduras, sensores ambientales y de seguridad, refrigeradores, lavavajillas, detectores de humo, monitores de calidad del aire, y más.

Se puede configurar y utilizar un dispositivo doméstico inteligente con el logotipo de Matter con cualquier ecosistema compatible con Matter a través de un controlador de materia y controlado por ellos simultáneamente, una característica llamada multi-administrador.

Amazon Alexa, Google Home, Samsung SmartThings y Apple Home son algunas de las principales plataformas de hogares inteligentes que admiten Matter, junto con cientos de fabricantes de dispositivos.