El robot de Eka recoge 1.500 objetos por hora; un humano, unos 600

Un robotista de un laboratorio de IA de vanguardia, que pidió no ser nombrado, describió el momento en que un robot grande y pesado se precipitó hacia su brazo, frenó justo a tiempo y lo tocó con mucha suavidad. Al robot le habían entregado una frambuesa, el objeto de prueba preferido del laboratorio, y no la aplastó. Los robots llevan años aprendiendo a partir de demostraciones filmadas.

La startup detrás del proyecto, Eka Robotics, fue fundada por el profesor del MIT Pulkit Agrawal y por Tuomas Haarnoja, antiguo investigador de Google DeepMind. Su última ronda, una Serie A de 150 millones de dólares, valora la empresa en 1.450 millones de dólares posmoney, es decir, una vez sumado el nuevo capital. La ronda fue liderada por los fondos de capital riesgo a16z y F-Prime. Raghu Raguram, socio general de a16z que codirigió la operación, dijo a TechCrunch que espera «un rendimiento sobrehumano en muchas tareas de manipulación diestra» en «los próximos meses». Es una previsión de un inversor, no un resultado medido.

La elección técnica está en el centro de la historia. La mayoría de los modelos de robots combinan visión y lenguaje, un diseño conocido como visión-lenguaje-acción. El modelo base de Eka combina visión y fuerza, el empuje y la tracción que nota una mano cuando toca algo. Agrawal lo resumió sin rodeos: «La visión te dice más o menos dónde está el objeto y cuál es su postura, pero el agarre en sí, la búsqueda real, se produce a través de las fuerzas». La mano se rediseñó con más sensores de fuerza para que pueda reaccionar en el instante en que encuentra resistencia. La empresa entrena ese comportamiento en un simulador físico, que modela las fuerzas que encuentra un robot cuando intenta agarrar algo, y ejecuta a gran escala el aprendizaje por refuerzo resultante, un método en el que un programa aprende por ensayo y recompensa. Eka afirma que así se generan miles de horas de experiencia en minutos, en lugar de la lenta recopilación de imágenes por parte de trabajadores freelance u operadores. Los fundadores no han revelado cómo ajustaron la simulación, alegando competencia.

Lo que cambia, si las cifras se confirman, es la división del trabajo entre máquinas. Un modelo general puede planificar una tarea, mientras que uno como el de Eka se encarga del contacto físico. Su velocidad tiene un coste: el brazo es lo bastante fuerte como para dañarse a sí mismo cuando se mueve deprisa, y la cifra de fiabilidad de más del 95 % es de la propia empresa. La información no ofrece ninguna fecha para trabajar fuera de las demostraciones, ni cliente ni precio. Para los fabricantes de robots, la siguiente prueba es comprobar si el agarre se mantiene en una fábrica o un almacén, con objetos que el sistema nunca ha visto.