El MIT enseña a un robot a generalizar las restricciones humanas: actualizar las reglas lleva unos 5 segundos

Un robot lleva café de un lado a otro de una mesa. Ves un portátil en su trayectoria y le dices: «No lo derrames sobre el ordenador». Pero al lado también hay un teléfono. Tener que explicarle por separado que tampoco debe empaparlo resulta bastante tedioso. Para quien desarrolla un robot doméstico, esto plantea un problema concreto de producto: ¿cuántas reglas debe enumerar el usuario antes de que el asistente resulte cómodo de usar?

Investigadores del MIT y de la Universidad de Nueva York propusieron FLEX, un sistema que extrae una regla más general de este tipo de indicaciones y modifica el plan de movimiento. En el ejemplo del café, la restricción se extiende a los dispositivos electrónicos. El ciclo completo de actualización lleva unos cinco segundos. Por ahora, el enfoque se ha probado con un brazo robótico virtual: los resultados señalan una vía de desarrollo, pero todavía no demuestran su fiabilidad en una vivienda.

Cómo una indicación se convierte en una regla

FLEX funciona en tres pasos. Primero, el sistema incorpora aquello que ha señalado la persona a su lista de características relevantes para la tarea. Si el robot transporta una bola de bolos y recibe la indicación «No la dejes caer sobre mi taza», la taza pasa a ser un objeto que debe tener en cuenta al elegir la trayectoria.

Este paso, por sí solo, ya es conocido en robótica. Su inconveniente es que la lista de restricciones individuales crece poco a poco. El usuario tiene que señalar cada vez más objetos, mientras que algunas restricciones anteriores dejan de tener sentido cuando cambia el entorno.

En el segundo paso interviene un modelo de lenguaje. En el estudio se utilizó GPT-4o. El modelo examina los objetos señalados por la persona y propone una generalización: por ejemplo, proteger las cosas frágiles. Así, el robot puede tener en cuenta otros objetos de esa categoría, aunque el usuario no los haya mencionado.

El tercer paso mantiene actualizada la lista. La visión artificial identifica qué objetos ya no están en el entorno y el sistema los elimina de la lista de objetos que tiene en cuenta. Esto ayuda al planificador a trabajar con la situación actual.

Aquí importa cómo se conectan todos los componentes. El modelo de lenguaje ayuda a formular una restricción, la visión evalúa el entorno y el planificador calcula el movimiento. Para un ingeniero, el valor reside precisamente en esta forma de vincular una corrección expresada en lenguaje natural con un cambio concreto de comportamiento.

Qué se probó y qué sigue sin saberse

Los autores describieron tres tareas en simulación: transportar una taza de café, una vela y una bola de bolos. Los voluntarios introducían las instrucciones por escrito. En respuesta, el sistema tenía en cuenta tanto la restricción concreta como una categoría más amplia: dispositivos electrónicos, materiales inflamables u objetos frágiles.

Estos ejemplos explican bien la idea, pero los resultados tienen limitaciones importantes. El material proporcionado no incluye tasas de éxito, comparaciones de la frecuencia de errores ni datos sobre el funcionamiento de un robot físico. Por tanto, no permite concluir que FLEX ya mejore la seguridad de los manipuladores domésticos en una magnitud medible.

Los cinco segundos también deben interpretarse correctamente: ese es el tiempo que tarda todo el ciclo de tres pasos descrito. No se trata de una latencia declarada para una parada de emergencia. Si una taza ya está cayendo, la publicación no permite concluir que FLEX llegue a tiempo para evitar el accidente.

También hay interrogantes sobre las propias generalizaciones. Una persona puede pedir que se proteja una taza concreta por su valor personal, y no por su fragilidad. Esta es una posible ambigüedad del enfoque; el texto proporcionado no explica cómo aclara el sistema esas intenciones ni cómo corrige las suposiciones equivocadas.

Qué pueden aprovechar los desarrolladores y los responsables de producto

La idea práctica de FLEX es reducir las explicaciones repetidas al adaptar un robot a una persona. En lugar de una larga lista de excepciones, el usuario aporta una breve corrección de la que el sistema extrae una regla para situaciones similares. Esto resulta especialmente interesante para los asistentes domésticos, que deberán trabajar entre objetos diversos y tener en cuenta las distintas preferencias de sus propietarios.

Para un prototipo, conviene separar tres tareas: extraer una preferencia de una frase, comprobar si es aplicable al entorno y modificar la trayectoria. Esta arquitectura permite identificar por separado dónde se produjo un error: el modelo entendió mal a la persona, la visión confundió un objeto o el planificador eligió un recorrido inadecuado.

La siguiente cuestión de producto es cómo mostrar a la persona la regla inferida y permitirle corregirla. Esta es una conclusión derivada del diseño de FLEX, no un resultado validado por el estudio. Pero es precisamente aquí donde se abre el camino desde una demostración llamativa con café hasta un asistente cuyo comportamiento el usuario pueda comprender y ajustar.