La robótica es la rama de la ingeniería y la informática que se ocupa del diseño, la construcción, el funcionamiento y la programación de máquinas físicas, los robots, que perciben su entorno y realizan acciones físicas en él. Aunque la robótica precede a la inteligencia artificial moderna por décadas, remontándose a los brazos industriales desplegados en las fábricas a partir de la década de 1960, el campo se ha entrelazado cada vez más con la IA a medida que la percepción, la planificación y el control han pasado de reglas codificadas a mano hacia modelos aprendidos, una convergencia que a menudo se discute bajo el encabezado más amplio de IA corpórea.
De la robótica industrial a la aprendida
Los primeros robots industriales, como el brazo Unimate instalado en una planta de General Motors en 1961, operaban mediante secuencias de movimiento fijas y preprogramadas en entornos estrictamente controlados y no requerían percepción de un mundo no estructurado. La robótica de investigación durante las décadas de 1980 y 1990, ejemplificada por proyectos como los robots de arquitectura de subsumción de Rodney Brooks, exploró el control reactivo basado en sensores como alternativa a la planificación simbólica. Las competiciones Gran Desafío DARPA de 2004 y 2005, que encargaban a vehículos autónomos navegar por el desierto, son ampliamente reconocidas por impulsar la investigación moderna en percepción y planificación robótica y por sembrar la industria del vehículo autónomo. Durante las dos décadas siguientes, la visión por computadora y el aprendizaje por refuerzo reemplazaron cada vez más las reglas diseñadas a mano para tareas como la sujeción, la locomoción y la navegación, permitiendo que robots entrenados en gran parte en simulación generalizaran hasta cierto punto en el mundo físico, una transferencia comúnmente llamada simulación a realidad.
Percepción y control impulsados por IA
La robótica moderna se apoya en gran medida en las mismas técnicas de aprendizaje profundo utilizadas en otras áreas de la IA. Los sistemas de red neuronal convolucional y, más tarde, de modelo de visión y lenguaje otorgan a los robots la capacidad de reconocer objetos y escenas; el aprendizaje por refuerzo y el aprendizaje por imitación, en el que un robot aprende imitando demostraciones humanas grabadas, se utilizan para entrenar políticas de control; y, desde principios de la década de 2020, los modelos de visión-lenguaje-acción (VLA) han combinado una gran base de modelo de visión y lenguaje preentrenado con una cabeza de salida que produce directamente comandos motores del robot, permitiendo que un solo modelo siga instrucciones en lenguaje natural en diversas tareas físicas. Esto ha producido una ola de modelos fundacionales robóticos de propósito general impulsados tanto por laboratorios de robótica establecidos como por empresas de IA recién llegadas al campo.
Dominios de aplicación
La robótica industrial y de almacenes sigue siendo la base desplegada más grande, con brazos robóticos y robots móviles autónomos ampliamente utilizados en manufactura y logística, incluso en grandes operaciones de cumplimiento gestionadas por empresas como Amazon. La robótica quirúrgica, ejemplificada por el sistema da Vinci, extiende la precisión del cirujano mediante instrumentos teleoperados. Los robots agrícolas manejan la cosecha y el monitoreo de cultivos, y los robots domésticos, con mayor éxito las aspiradoras robóticas, representan la categoría de consumo más adoptada hasta la fecha. Las plataformas de robot humanoide, destinadas a tareas de propósito general en entornos diseñados para humanos, y los sistemas de vehículo autónomo representan las fronteras más intensivas en capital y más observadas del campo a mediados de la década de 2020.
Desafíos
A pesar del rápido progreso en IA, la robótica ha avanzado históricamente más lentamente que las aplicaciones de IA puramente digitales, una brecha que a veces se resume en la paradoja de Moravec: las tareas que son triviales para los humanos, como recoger un objeto de forma irregular o caminar sobre terreno desigual, siguen siendo difíciles para las máquinas, mientras que las tareas que son difíciles para los humanos, como el cálculo complejo, son comparativamente fáciles para las computadoras. Los robots físicos también enfrentan restricciones que los sistemas de IA puramente basados en software no tienen, incluidos el costo del hardware, la durabilidad, la seguridad alrededor de los humanos y la dificultad de recopilar grandes y diversos conjuntos de datos de entrenamiento del mundo real comparables a los corpus de texto e imágenes a escala de internet que entrenaron los sistemas modernos de modelo de lenguaje grande y texto a imagen.