Ai2 presenta MolmoBot, una IA robótica abierta
Ai2 presenta `MolmoSpaces` y `MolmoBot`, una infraestructura y una familia de modelos abiertos para entrenar robots solo con simulaciones. La compañía afirma que pueden trasladar ese aprendizaje a robots reales sin demostraciones humanas ni ajustes posteriores, en tareas como recoger objetos, abrir cajones y abrir puertas.
Ai2 asegura haber logrado que robots entrenados únicamente en simulaciones manipulen objetos en el mundo real sin demostraciones humanas ni ajustes posteriores. El resultado, llamado transferencia cero-shot de simulación a realidad, llega junto con dos herramientas abiertas: MolmoSpaces y MolmoBot.
La idea ataca uno de los mayores obstáculos de la robótica. Hasta ahora, entrenar un robot en un entorno virtual servía como punto de partida, pero normalmente hacía falta recopilar durante meses demostraciones reales mediante teleoperación para que el sistema funcionara de forma fiable.
Ai2 sostiene que ese paso ya no es necesario en ciertos escenarios. Sus modelos aprenden en simulaciones y después se enfrentan a objetos y entornos que no habían visto antes, sin usar datos reales recogidos manualmente, renderizados fotorrealistas ni ajustes específicos para cada tarea.
Un mundo virtual para entrenar robots
MolmoSpaces es la infraestructura de simulación que sostiene el proyecto. Reúne:
- Más de 230.000 escenas interiores.
- Más de 130.000 objetos seleccionados.
- Más de 42 millones de anotaciones de agarre basadas en física.
Estas anotaciones indican, por ejemplo, cómo podría agarrar un robot un objeto sin que se le caiga o choque con su entorno. Los investigadores también pueden cambiar de forma controlada la iluminación, la distribución de los muebles, las propiedades de los objetos, sus partes móviles y las tareas que debe completar el robot.
La apuesta de Ai2 es que la variedad importa más que repetir millones de veces una misma situación. Un robot que practica con diferentes formas, materiales, posiciones, cámaras y condiciones físicas tendría más posibilidades de desenvolverse cuando el mundo real no coincide exactamente con la simulación.
Qué puede hacer MolmoBot
Construido sobre MolmoSpaces, MolmoBot es una familia abierta de modelos de manipulación entrenados por completo con datos sintéticos, es decir, generados en entornos virtuales.
Según las evaluaciones de Ai2, el sistema funciona en dos tipos de robots, incluido un manipulador móvil, y puede realizar tareas como:
- Recoger y colocar objetos.
- Abrir cajones y armarios.
- Manipular objetos articulados, aquellos con partes móviles.
- Abrir puertas.
Las pruebas se hicieron con objetos no vistos durante el entrenamiento y en entornos nuevos. Eso es importante: no se trata solo de repetir una rutina aprendida, sino de intentar generalizar a situaciones diferentes.
“La brecha se reduce cuando ampliamos de forma drástica la diversidad de entornos simulados, objetos y condiciones de cámara”, explicó Ranjay Krishna, director del equipo PRIOR de Ai2.
Qué cambia para la robótica
El cambio principal no es que los robots vayan a aparecer de inmediato en las casas. Es que el cuello de botella podría trasladarse de la recopilación de datos reales al diseño de mejores simulaciones.
En lugar de enviar personas a controlar robots durante meses para generar ejemplos, los equipos podrían crear millones de escenarios virtuales y entrenar con ellos. Eso puede hacer que la investigación sea más rápida, reproducible y accesible para laboratorios que no tienen grandes flotas de robots.
Ai2 publica de forma abierta los modelos, la infraestructura de simulación, las anotaciones de agarre, los procesos para generar datos y las herramientas de evaluación. MolmoSpaces también puede utilizarse con simuladores conocidos como MuJoCo, NVIDIA Isaac Lab y NVIDIA Isaac Sim.
La afirmación sigue teniendo un alcance concreto: se refiere a las tareas y plataformas evaluadas por Ai2, no a que cualquier robot pueda aprender cualquier tarea sin datos reales. El siguiente paso será comprobar si el enfoque mantiene su fiabilidad en más robots, objetos, entornos y trabajos complejos.
Si los resultados se reproducen fuera de Ai2, la consecuencia será relevante: entrenar robots podría depender menos de conjuntos de datos privados y de costosas demostraciones humanas. La competencia pasaría a centrarse en quién construye las simulaciones más variadas y realistas, y en cómo medir que lo aprendido allí funciona de verdad cuando el robot sale al mundo.