Segun MarkTechPost (AI/ML News), el equipo de investigación de Ant Group ha presentado LingBot-VA 2.0, un modelo de base para robots físicos que opera de forma nativa en entornos reales. Este avance representa la primera implementación de un modelo de base generalista diseñado específicamente para la manipulación en robots, eliminando dependencias de generación de video digital tradicional. En lugar de ajustar un generador de video ya existente, el equipo entrena desde cero una pila completa integrada al entorno físico, permitiendo una conexión más directa entre acciones y cambios en el entorno.
El modelo se construye a partir de dos componentes clave que previamente se usaban en creación digital: un codificador de visualización (VAE) y un modelo de difusión bidireccional con un módulo de acción. Sin embargo, estas soluciones presentan cuatro limitaciones críticas. El VAE conserva la apariencia visual pero carece de representación estructural. El proceso de eliminación iterativa de ruido en secuencias de video es lento y no adecuado para control en tiempo real. Los objetivos generales de video no enseñan cómo una acción modifica el entorno. Además, los modelos de atención bidireccional no alinean con el flujo temporal lineal que requiere el control de robots. LingBot-VA 1.0 abordó estas brechas mediante un modelo causal, pero LingBot-VA 2.0 eleva el enfoque al entrenar desde cero un modelo causal de difusión (DiT), manteniendo la arquitectura de mezcla de transformadores (MoE) y distribuyendo el aprendizaje entre expertos en video y en acciones.
En su fase inicial, el sistema reemplaza el VAE estándar por un tokenizador que integra dos objetivos adicionales: alineación semántica entre latentes visuales y un codificador de percepción fijo, y un objetivo de latente-acción que extrae variables de transición entre estados consecutivos. Este enfoque permite que el modelo aprenda cómo las acciones transforman el entorno, alineando estados visuales y de acción en un mismo espacio latente. Así, videos sin etiquetas de la red web proporcionan supervisión útil para el aprendizaje de comportamientos físicos. En la versión 2, se entrena un DiT causal sobre este espacio compartido, optimizando la velocidad y precisión en la predicción de acciones en tiempo real.
Para el lector peruano, este avance es relevante no solo como innovación tecnológica, sino como prefiguración de un futuro en el que los robots podrán operar en espacios no digitales, como fábricas, centros de salud o logística rural. Aunque aún en etapa experimental, el modelo demuestra que es posible entrenar inteligencia artificial para entender y modificar el mundo físico, no solo para simularlo. Esto podría acelerar la implementación de automatización en sectores como la agricultura, la logística o la mantenimiento de infraestructuras, donde el conocimiento práctico y la interacción física son esenciales. El desarrollo de tecnologías que comprendan el entorno real no es solo una cuestión de eficiencia, sino de accesibilidad al progreso tecnológico para comunidades que aún buscan herramientas prácticas y sostenibles.