Cero. Ese es el número de generadores de video preexistentes que Ant Group utilizó como base para LingBot-VA 2.0.
En los últimos dieciocho meses, la tendencia en la IA encarnada ha sido perezosa. La mayoría de los laboratorios simplemente toman un modelo de generación de video de gama alta, le añaden una capa de control por encima y fingen haber creado un cerebro robótico. Básicamente, están intentando enseñar a una máquina a moverse mostrándole mil horas de clips de YouTube y esperando que la física “emerja” mediante el ajuste fino. Es el equivalente de la IA de intentar aprender a tocar el piano viendo una película de Liszt y luego preguntándose por qué los dedos no se mueven por sí solos.
¿Por qué seguimos fingiendo que un generador de video sofisticado es un cerebro robótico? Un modelo de video predice píxeles; un robot necesita predecir causalidad. Si el modelo piensa que el siguiente cuadro debe mostrar un vaso volcándose, eso es una predicción visual. Si el modelo sabe que aplicar 2 Newtons de fuerza en un ángulo específico causa que el vaso se volquee, eso es inteligencia física.
El informe técnico de LingBot-VA 2.0 describe un modelo causal de video-acción construido desde cero para la interacción física. Al evitar el atajo de “ajustar un generador de video”, Robbyant apuesta a que un modelo diseñado para la acción entenderá inherentemente la relación entre una observación y un resultado.
(Sospecho que los costos de entrenamiento fueron astronómicos).
Construir un modelo base desde cero para una modalidad específica es un movimiento arriesgado. Requiere una cantidad masiva de datos robóticos curados y de alta calidad, el tipo de datos que es notoriamente difícil de recopilar en comparación con el vertedero infinito de internet abierto. Pero la recompensa es un modelo que no sufre de la “física alucinada” que vemos en los modelos de video estándar. Cuando un modelo es nativo para la encarnación, no solo está adivinando cómo se ve el siguiente cuadro; está calculando la trayectoria de una acción.
Es la única manera de que esto funcione realmente.
La parte más interesante de la arquitectura es la capacidad de “Razonamiento de Previsión”. El modelo no solo reacciona al cuadro actual; predice estados futuros antes de la ejecución. Básicamente, ejecuta una simulación mental del movimiento antes de que el hardware se comprometa realmente con él.
Esta es la diferencia entre un chef que tiene un mapa mental de la cocina y un chef que intenta seguir una película de alguien cocinando en tiempo real. El primero sabe dónde está la sal antes de alcanzarla; el segundo solo reacciona a señales visuales. Al combinar esta previsión con un sistema que se reancla en cada observación real, LingBot-VA 2.0 evita la deriva que suele acabar con las tareas de horizonte largo. La mayoría de los robots comienzan una tarea perfectamente y luego se desvían lentamente hacia una pared porque su estado interno diverge de la realidad. La reanclación constante es la lente correctiva que mantiene al robot en curso.
Por supuesto, está el tema de la fricción del mundo real. Ejecutar un modelo causal de video-acción de forma nativa en la computación a bordo de un robot generalmente significa sacrificar tasa de cuadros por precisión. A nadie le gusta un robot que se traba o se detiene durante dos segundos de “pensamiento” mientras intenta atrapar un objeto que cae. Si la latencia de inferencia es demasiado alta, toda la previsión del mundo no salvará al hardware de un error torpe.
Aun así, la jugada estratégica aquí es correcta. La industria ha pasado demasiado tiempo tratando la robótica como una aplicación posterior de LLMs y VLMs. Al tratar la acción como una modalidad primaria en lugar de un efecto secundario de la visión, Ant Group se está moviendo hacia una autonomía real. Para el cuarto trimestre, veremos el primer conjunto de benchmarks que demuestre que los modelos causales nativos tienen menor latencia de inferencia y mayor precisión que los controladores basados en VLM.
