FLEX: cuando los robots leen la intención detrás de las órdenes
Investigadores de MIT y NYU presentan FLEX, una tubería de aprendizaje que usa modelos de lenguaje para que robots interpreten preferencias implícitas en comandos naturales. En simulaciones, FLEX permitió a un brazo robótico ajustar trayectorias evitando riesgos no mencionados explícitamente.
Qué es FLEX y por qué importa
Investigadores del MIT y la Universidad de Nueva York presentaron FLEX, una nueva plataforma asistida por inteligencia artificial que permite a los robots extraer significados más amplios de comandos en lenguaje natural. En lugar de limitarse a ejecutar instrucciones literales, FLEX ayuda a que un robot infiera intenciones y preferencias implícitas del usuario, y luego use esas inferencias para mejorar su planificación de movimiento.
El trabajo —liderado por la profesora Andreea Bobu del laboratorio CLEAR (Collaborative Learning and Autonomy Research) del MIT— será presentado en la próxima Conference on Robot Learning. Coautores del estudio incluyen a Audrey Lee SM ’26 e Ilia Sucholutsky de New York University. Nathan Dennler, postdoc en CSAIL, forma parte del equipo y destaca el papel de los modelos de lenguaje en el enfoque.
Cómo funciona FLEX: tres pasos simples
FLEX opera con una secuencia de tres etapas: Add, Generalize y Mask. La combinación permite al robot actualizar dinámicamente qué objetos y restricciones son relevantes para una tarea, sin que el usuario tenga que enumerar cada detalle.
-
Add: cuando una persona da una corrección (por ejemplo, “No lo dejes caer en mi taza” mientras un robot mueve una bola), el robot añade ese objeto o característica a su lista de elementos a evitar. Este paso ya es común en sistemas previos.
-
Generalize: aquí está la innovación clave. FLEX incorpora un modelo de lenguaje grande (en el estudio se utiliza GPT-4o) para detectar patrones y relaciones entre los objetos añadidos. Por ejemplo, si el usuario advierte que no derrame sobre una laptop, el modelo puede inferir que también conviene evitar otros dispositivos electrónicos frágiles, aunque no se hayan mencionado.
-
Mask: finalmente, el sistema de visión computacional del robot vuelve a evaluar el entorno para eliminar objetos que ya no estén presentes, manteniendo la lista de características relevante y actualizada.
El proceso completo toma alrededor de cinco segundos en las pruebas del equipo, lo que permite ajustes rápidos y en tiempo real durante la ejecución de una tarea.
Ejemplos prácticos de la demostración
En simulaciones, los investigadores mostraron un brazo robótico que transporta una taza de café sobre una mesa con objetos dispersos. Si una persona escribe “¡No derrames sobre la laptop!”, el robot no solo evita la laptop: gracias al paso de Generalize, también evita un teléfono cercano que podría resultar dañado por líquidos.
Otro ejemplo implicó mover una bola de boliche mientras un usuario advierte sobre una taza. FLEX añade la taza como objeto a evitar y, al generalizar, clasifica otros objetos frágiles como también relevantes. Esto permite que el robot elabore trayectorias más seguras sin instrucciones adicionales y sin que el usuario deba conocer la matemática de la planificación de trayectorias.
Por qué los modelos de lenguaje ayudan con el “sentido común”
La capacidad de generalización proviene del entrenamiento de los modelos de lenguaje en grandes volúmenes de texto: publicaciones en redes sociales, transcripciones, artículos web y más. Nathan Dennler lo resume: “LLMs have seen so many texts from the internet. People might have written about, ‘Oh, my phone dropped in the water and now it doesn’t work,’ or ‘I spilled coffee on my computer and now it doesn’t work.’ So LLMs pick up on the idea that liquids plus devices leads to things not working.” A partir de ejemplos dispersos, el modelo aprende asociaciones que los humanos consideran sentido común y las transfiere a la tarea de planificación robótica.
Como añade Dennler sobre la interacción humano-robot: “The idea is that there is some higher-level intention behind the words that you say. People naturally get this. But you have to carefully explain that to a robot, which takes time and effort. FLEX gives you an interface of communication with a robot to say, ‘When people say this, they mean that.’”
Ventajas frente a métodos previos
Las aproximaciones anteriores a integrar lenguaje natural en robótica solían limitarse a dictar acciones concretas: corregir una trayectoria, marcar un objetivo o indicar un obstáculo específico. Ese enfoque funciona, pero escala mal: la lista de objetos a evitar puede crecer sin control y volverse obsoleta si el entorno cambia.
FLEX mitiga ese problema al:
- Reducir la carga del usuario: no es necesario enumerar todos los objetos análogos o especular sobre variantes.
- Mantener la lista de características relevante: la etapa Mask limpia los elementos que ya no existen en la escena.
- Incluir razonamiento de alto nivel: al generalizar, el robot aprende categorías útiles (por ejemplo, “frágil” o “electrónicos”) aplicables a objetos no explícitamente nombrados.
Implicaciones para América Latina
En la región latinoamericana existen múltiples escenarios donde esta clase de avances puede tener impacto: hogares con asistentes robóticos, fábricas y talleres que buscan colaboraciones más seguras entre humanos y robots, logística de última milla y entornos de cuidado o salud donde el manejo cuidadoso de objetos es crítico.
Para adopciones comerciales y de consumo en América Latina, la facilidad de comunicación en lenguaje natural es un punto clave. Reducir la necesidad de configurar reglas técnicas complejas facilita la aceptación por parte de usuarios que no son especialistas. Además, la capacidad de inferir intenciones culturales o contextuales podrá requerir ajustar los modelos de lenguaje a variantes de español y usos culturales locales, una oportunidad para investigadores y empresas regionales.
Límites y consideraciones éticas
FLEX demuestra el potencial de combinar visión, planificación y modelos de lenguaje, pero aún hay desafíos. Los modelos de lenguaje pueden reflejar sesgos presentes en sus datos de entrenamiento o hacer inferencias incorrectas en contextos poco habituales. En aplicaciones donde la seguridad es crítica, los sistemas deberán complementar la inferencia con verificaciones adicionales y opciones para la corrección humana.
Asimismo, la generalización automática debe implementarse con transparencia: los usuarios deben comprender por qué el robot evita ciertos objetos y tener capacidad para corregir o afinar esas inferencias.
Conclusión
FLEX representa un paso concreto hacia robots que no solo siguen instrucciones, sino que interpretan la intención humana y aplican sentido común aprendido a partir de modelos de lenguaje. Liderado por Andreea Bobu y con participación de investigadores de MIT y NYU, el enfoque ya mostró resultados prometedores en simulaciones que incluyen escenarios cotidianos como evitar derrames sobre dispositivos electrónicos.
Para empresas y grupos de investigación en América Latina, FL EX abre la posibilidad de interfaces más naturales con sistemas robóticos, reduciendo la barrera técnica para su uso en hogares, fábricas y servicios. El siguiente reto será adaptar y validar estas técnicas en escenarios reales y diversos, manteniendo la seguridad y la transparencia en la toma de decisiones del robot.
Fuente original: MIT News AI