El agente de IA de Anthropic enseñó a un perro robot a realizar comandos 20 veces más rápido que los humanos.
La empresa Anthropic presentó los resultados actualizados de su experimento Project Fetch. En esta ocasión, el modelo lingüístico Claude Opus 4.7 demostró un impresionante salto en autonomía: logró configurar y controlar un robot de cuatro patas 20 veces más rápido que los equipos de ingenieros humanos que trabajaron el año pasado.
En agosto de 2024, empleados de Anthropic sin experiencia en robótica intentaron programar un robot perro utilizando IA. En ese entonces, el modelo solo ayudaba a las personas a encontrar soluciones más rápido. La nueva fase de pruebas cambió radicalmente el enfoque: Claude Opus 4.7 trabajó casi completamente autónomo bajo un control mínimo del investigador.
La red neuronal realizó de forma independiente el ciclo completo de tareas:
- se conectó a los sensores de video y al lidar;
- escribió un programa para el control manual;
- creó un sistema de monitoreo de la trayectoria de movimiento;
- configuró el algoritmo de reconocimiento de objetos.
El análisis comparativo mostró resultados sorprendentes. El modelo Opus 4.7 resultó ser 18 veces más rápido que el equipo que usó versiones antiguas de IA, y 37 veces más rápido que las personas que trabajaron sin ayuda del chatbot. Además, la red neuronal generó un código significativamente más eficiente: su volumen resultó ser 10 veces menor que el de los equipos humanos. Esto indica una comprensión profunda de la tarea y una capacidad de optimización a un nivel inaccesible para la mayoría de los ingenieros.
Es importante destacar que, según los desarrolladores, este progreso fue un efecto secundario del escalamiento general de los modelos lingüísticos. Anthropic no implementó algoritmos especializados para controlar el "hardware": el modelo simplemente aprendió a comprender mejor el mundo físico a través del código.
Sin embargo, no todo es perfecto. Claude todavía tiene dificultades con acciones físicas precisas en tiempo real. El modelo logró llevar al robot hasta el objetivo, pero no pudo completar la tarea de empujar suavemente una pelota hasta el punto deseado. Para ello se requiere una retroalimentación compleja, en la que los humanos aún mantienen la ventaja.
Mi evaluación experta: Estamos presenciando el inicio de la era de los "agentes físicos de IA". Anthropic tiene razón: en los próximos años, las redes neuronales comenzarán a utilizar herramientas y equipos estándar con la misma eficacia con la que ahora trabajan con código. Pero el punto débil —la interacción con un entorno físico impredecible— seguirá siendo el principal desafío. La industria tendrá que resolver el problema de la adaptación de la IA al mundo real, donde un error de un milímetro puede costar todo el experimento.