Figure afirma que Helix 2.5 permite a un robot ordenar una casa que no ha visto antes

Figure ha presentado Helix 2.5, un modelo de control para robots humanoides que, según la empresa, deja a la máquina entrar en una casa que no ha visto nunca y ponerse a ordenar sin entrenamiento adicional. Para probarlo alquiló 30 viviendas en el área de la bahía de San Francisco y metió allí a sus robots sin haber recogido antes ni un dato de esos hogares.

El entrenamiento previo se hizo sobre Index, un conjunto de datos de comportamiento humano a escala global que Figure usa como base. De ese único modelo fundacional salen tres comportamientos: ordenar el salón, doblar toallas y hacer la cama. Lo relevante no es la lista de tareas, sino que las tres parten del mismo punto y cubren motricidad de cuerpo entero, manipulación de objetos rígidos y deformables, coordinación de las dos manos y percepción activa.

Un solo modelo, tres tareas

La compañía sostiene que el preentrenamiento sobre Index fue el único cambio que introdujo en esa fase. Con la misma arquitectura, los mismos datos específicos de tarea y el mismo esquema de entrenamiento y evaluación, la tasa de éxito pasó del 8% al 56%. Frente a Helix 02, la red de la generación anterior, Helix 2.5 extiende el comportamiento a 30 entornos nuevos usando la mitad de datos específicos de tarea.

Sobre esa base, Figure presenta el resultado como una prueba de que la inteligencia de cuerpo entero puede aprenderse de la experiencia humana y trasladarse después a escenarios nuevos sin rehacer el modelo cada vez. Dicho de otro modo: el coste de recopilar datos y reentrenar por cada casa es lo que hoy hace inviable este tipo de despliegue, y aquí lo que se ataca es justo ese cuello de botella.

Lo que no se puede comprobar

Todas las cifras son de Figure. No hay pesos publicados, ni código, ni una API para que alguien reproduzca el experimento, y tampoco un artículo revisado por pares. Lo que hay es una demostración de la propia empresa sobre sus propios robots en casas alquiladas por ella, y así hay que leerla: como un anuncio con números concretos, no como un resultado verificado de forma independiente. Tampoco se detalla cuántos intentos hicieron falta para cada tarea, cuánto dura una ejecución ni qué pasa cuando el robot se cruza con algo que no estaba en el conjunto de entrenamiento.

Queda la pregunta de fondo, que es la misma que arrastra todo el sector de los humanoides: si tres tareas domésticas y 30 casas bastan para hablar de generalización o si son tres tareas bien ajustadas sobre un conjunto de datos muy grande. Para quien trabaja con modelos, el detalle interesante es metodológico, porque el patrón que describe Figure —un preentrenamiento masivo con datos de comportamiento y un ajuste mínimo por tarea— es exactamente el que se ha impuesto en el resto del aprendizaje automático. Aplicado a un robot que dobla toallas, empieza a ser un problema de ingeniería de datos y no de mecánica.