Skip to content
La próxima gran revolución en la inteligencia artificial no se está gestando en centros de datos devorando texto de internet, sino en laboratorios donde los robots aprenden observando algo mucho más sutil: nuestras ondas cerebrales. Olvídese de la ciencia ficción; esto es una solución pragmática a un problema gigantesco. Empresas como Encord están explorando el uso de sensores cerebrales para capturar la intención humana, creando una nueva forma de enseñar a las máquinas que podría, por fin, sacar a la robótica avanzada de su estancamiento.
El cuello de botella de la realidad
El gran secreto a voces de la IA física es su hambre de datos. Mientras que modelos como ChatGPT tuvieron toda la web para aprender a conversar, los robots no tienen un “internet de las acciones físicas” del cual aprender. Necesitan ejemplos del mundo real, y generarlos es un proceso lento, costoso y terriblemente ineficiente. El problema es tan profundo que, como lo resume sin rodeos Vineeth Velmurugan, uno de los investigadores en este campo, “el dato simplemente no existe”. Este vacío de información es la principal barrera que impide que tengamos robots verdaderamente autónomos y adaptables en nuestras fábricas y hogares.
Traducir intención en acción
Aquí es donde entra la neurociencia. Según reportó TechCrunch, Encord está probando un casco desarrollado por Zander Labs que no solo monitoriza la actividad cerebral (EEG), sino también datos musculares. El objetivo no es controlar al robot con la mente, sino enriquecer los datos de entrenamiento. Por ejemplo, si un operario humano está enseñando a un brazo robótico a tomar un objeto y el robot se equivoca, el casco puede detectar la señal cerebral que corresponde al “reconocimiento de un error” por parte del humano. Ese dato —la intención o la corrección mental del supervisor— es infinitamente más valioso que simplemente registrar la trayectoria fallida del brazo robótico.
Un campo en plena efervescencia
Este enfoque convierte al entrenador humano en una fuente de datos mucho más rica. En lugar de solo proveer ejemplos de “qué hacer”, ahora también puede proveer datos implícitos sobre “qué no hacer” o “cuál era la verdadera intención”. El ambiente en estos laboratorios es de pura experimentación. Andrew Ceja, parte del equipo, lo describe como un territorio donde “es algo nuevo cada día”, reflejando la naturaleza pionera de un campo que apenas comienza a trazar su propio mapa.
Aunque estamos en las primeras etapas, el potencial es inmenso. Si esta tecnología madura, podríamos reducir drásticamente el tiempo y el costo de entrenar robots para tareas complejas. No se trata de crear un futuro de control telepático, sino de establecer una comunicación más intuitiva y eficiente entre humano y máquina, acelerando el día en que los robots puedan aprender con la misma fluidez con la que nosotros aprendemos del mundo que nos rodea.