Seguro para este momento ya sabe qué es un LLM, o Large Language Model. Si no:
LLM: Large Language Model. Un modelo de lenguaje grande es un tipo de algoritmo de inteligencia artificial que utiliza técnicas de aprendizaje profundo y conjuntos de datos masivamente grandes para comprender, resumir, generar y predecir contenido nuevo. El término Inteligencia Artificial Generativa también está estrechamente relacionado con los LLM, que son, de hecho, un tipo de IA generativa que ha sido diseñada específicamente para ayudar a generar contenido basado en texto.
Los LLM son la base de los avances de la revolución de la Inteligencia Artificial Generativa que tanto bombo ha tenido desde finales del año pasado con el lanzamiento de ChatGPT y la subsecuente explosión de soluciones de IA.
Ahora es el turno de hablar los VLMs o Vision Language Models y, específicamente, de RT-2 la segunda versión de un modelo de Visión-Lenguaje-Acción (VLA) publicado la semana pasada por Google DeepMind que aprende tanto de la información que un Robot (físico) puede capturar a partir de sus sensores como de información disponible en la web para construir instrucciones generalizadas que permiten controlar un robot.
Es gracias a RT-2 que ahora es posible dar instrucciones un poco más abiertas a un robot y que este pueda interpretarlas y ejecutar las acciones. Piense, por ejemplo, en este escenario: un robot con juguetes de diferentes tipos al que se le da la instrucción de “recoger el animal que ya se ha extinguido”.
El robot utiliza modelos de machine learning para “entender” la instrucción y los mezcla con el input de sus cámaras para escoger, dentro de todo lo que tiene enfrente, un juguete de un dinosaurio.
RT-2 demuestra que, basado en el éxito y avance de los LLMs, los modelo sed VLM pueden convertirse en modelos de VLA poderosísimos con los que el entrenamiento y funcionamiento de robots industriales cambiará para siempre. Así que prepárese. Ya vienen los robots.
