El potencial de los videojuegos en la inteligencia artificial
Con solo girar una palanca, apretar un gatillo y presionar algunos botones, incluso un jugador novato puede desenvolverse con cierta destreza en un videojuego 3D. En este contexto, una startup británica ha puesto su mirada en la idea de que estas sencillas interacciones contienen una abundante cantidad de información valiosa para el entrenamiento de nuevos modelos de inteligencia artificial.
En diversos sectores de la industria de la IA, se ha comenzado a cuestionar la capacidad de los grandes modelos de lenguaje (LLM) debido a su limitada habilidad para operar en el mundo físico. Estos modelos, entrenados exclusivamente con texto, pueden no estar preparados para tareas que requieren precisión y delicadeza, como pilotar vehículos autónomos o manejar brazos robóticos. Para abordar esta limitación, un grupo de investigadores destacados, incluyendo a Fei-Fei Li y Yann LeCun, se ha enfocado en desarrollar una nueva categoría de inteligencia artificial: los modelos del mundo.
Entrenamiento basado en datos visuales y de acción
Para que los modelos del mundo comprendan la física del entorno real, es fundamental que se entrenen utilizando una combinación de datos visuales y de acción. Por ejemplo, antes de que un modelo pueda manipular con maestría un brazo robótico, es probable que necesite ejercitarse con grabaciones de vídeo de un entorno de fábrica, además de recibir información sobre la firmeza de su agarre y la fuerza necesaria para interactuar con diferentes objetos. Sin embargo, a diferencia de los LLM, que tienen acceso a vastos volúmenes de texto, los laboratorios de modelos del mundo carecen de un conjunto de datos equivalente.
Xiatian Zhu, profesor asociado especializado en IA de la Universidad de Surrey, señala: «Para los modelos del mundo, se necesitan causas y consecuencias. En internet, hay muy pocos datos de este tipo disponibles».
Worldmodeldata: un nuevo enfoque en la recopilación de datos
Worldmodeldata, una startup británica asesorada por LeCun, se propone solucionar este reto. Su estrategia consiste en recopilar entradas de controles y otros datos que se generan en los estudios de videojuegos, un recurso residual que existe en grandes cantidades. Algunas empresas, como General Intuition y Niantic, ya están recolectando datos de sus propias plataformas para desarrollar modelos, pero Worldmodeldata se posiciona como un intermediario que organiza y selecciona esta información, evitando que los laboratorios tengan que negociar de forma individual con numerosos estudios de videojuegos.
Rhea Loucas, directora general de Worldmodeldata, comenta: «Existen millones de videojuegos fascinantes, y cada vez se asemejan más al mundo real. ¿Por qué no aprovechamos las vastas, ricas y variadas experiencias que ofrecen los videojuegos para enseñar a la IA?».
Superando la escasez de datos de entrenamiento
Aunque la hipótesis aún no ha sido completamente validada, los investigadores trabajan bajo la premisa de que el rendimiento de los modelos del mundo mejorará a medida que aumenten los conjuntos de datos de entrenamiento, similar a lo que ocurre con los LLM. Esto implica que la falta de datos adecuados para el entrenamiento se convierte en uno de los principales obstáculos para el avance en este ámbito.
Algunos laboratorios han intentado generar sus propios datos manualmente, utilizando sensores en personas y robots en entornos de prueba. No obstante, este enfoque solo produce una cantidad limitada de datos y no abarca los escenarios extremos que un modelo podría enfrentar en situaciones reales.
Nicole Fraenkel, socia de la firma de capital de riesgo Khosla Ventures, que ha invertido en General Intuition, señala un punto crítico: «Puedes pagar a personas para que realicen tareas de recogida y colocación, pero la repetición por sí sola no capturará el desorden del mundo en el que se espera que opere una máquina».
