OAT: cómo la tokenización de acciones acerca los robots a las capacidades de los LLM
Se ha presentado OAT (Action Tokenizer), un método para entrenar robots con los principios que sustentan los LLM. Permite escalar el entrenamiento de robots y ejecutar tareas con flexibilidad. OAT podría ser un paso importante hacia sistemas robóticos más avanzados y autónomos.
Procesado por IA desde MarkTechPost; editado por Hamidun News
La robótica está en el umbral de una nueva era, en buena medida gracias a los avances en los grandes modelos de lenguaje (LLM). Los investigadores llevan tiempo intentando aplicar al entrenamiento de robots los modelos autorregresivos que han funcionado bien en los LLM. La idea es sencilla: si un modelo puede predecir la siguiente palabra de una frase, también debería poder predecir la siguiente acción de un brazo robótico. Pero en el camino aparecieron obstáculos técnicos serios.
Uno de los retos clave es representar las acciones del robot en un formato que un modelo autorregresivo pueda procesar. Los métodos tradicionales suelen ser ineficientes y requieren enormes volúmenes de datos y recursos de cómputo. Ahí entra OAT (Action Tokenizer), un nuevo método de tokenización de acciones diseñado para resolver este problema.
OAT representa las acciones complejas del robot como una secuencia de tokens discretos, de forma análoga a como los LLM representan las palabras. Lo logra mediante cuantización vectorial, que comprime la información sobre las acciones sin perder detalles importantes. Este enfoque reduce de forma notable la carga computacional y permite entrenar robots con muchos menos datos.
La principal ventaja de OAT es su flexibilidad. Permite a los robots planificar acciones en cualquier momento, y no solo al final de una secuencia predefinida. Esto es especialmente importante para robots que trabajan en entornos dinámicos e impredecibles, donde deben adaptarse rápido a condiciones cambiantes. Además, OAT hace posible escalar el entrenamiento, de modo que los robots aprendan tareas cada vez más complejas.
La adopción de OAT podría cambiar radicalmente la forma de entrenar robots. En lugar de programar cada acción a mano, los ingenieros podrán entrenarlos con datos recopilados en el mundo real. Esto abre la puerta a sistemas robóticos más autónomos y versátiles, capaces de abordar tareas muy variadas, desde el trabajo en almacenes hasta la asistencia en centros médicos. Así, OAT se convierte en un paso importante hacia robots que puedan aprender y adaptarse como las personas.
Sin embargo, como cualquier tecnología nueva, OAT tiene limitaciones. Hace falta más investigación para optimizar el proceso de tokenización y mejorar la precisión de la predicción de acciones. También es importante tener en cuenta los aspectos éticos del uso de robots autónomos, sobre todo en ámbitos donde pueden afectar a la vida y la salud de las personas.
En conclusión, OAT es un enfoque prometedor para entrenar robots que podría ampliar de forma significativa sus capacidades y su campo de aplicación. El método abre nuevas perspectivas para la robótica y nos acerca a máquinas inteligentes y autónomas capaces de resolver tareas complejas en distintos ámbitos de la vida.
- 13 ene 20261X presenta un modelo del mundo para entrenar robots humanoides
- 10 feb 2026Noematrix capta inversión para crear un «cerebro universal» para robots
- 28 abr 2026Google DeepMind presenta Gemini Robotics-ER 1.6 para la autonomía de robots y la lectura de instrumentos
- 20 may 2026Johns Hopkins crea un sistema de IA agéntica para coordinar equipos de robots
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.