Nuevos laboratorios

Sergey Levine

Physical Intelligence y UC Berkeley

Por qué lo seguimos: Aprendizaje de robots

Fichajes

No hay fichajes publicados.

Artículos

Artículo2026-10-06 · arXiv (Cornell University)

Aclaración de la relación entre el control ambiental y la centralidad estructural en los agentes de IA

The Geometry of Empowerment

Sergey Levine y 3 más

Qué: Los investigadores revelaron la relación entre el empoderamiento, que se refiere a la capacidad de un agente de IA para controlar su entorno circundante, y la centralidad estructural, que permite un amplio acceso a los resultados futuros.
Resultado clave: Propusieron una nueva estructura geométrica capaz de interpretar y analizar esto conectando la maximización del empoderamiento con los métodos de aprendizaje de habilidades.
Por qué importa: Proporciona implicaciones teóricas necesarias para construir métodos escalables de maximización del empoderamiento.Resumen IA

Agentes y programación

Resumen completo Leer artículo ↗ PDF ↗

Artículo2026-10-05 · arXiv (Cornell University)

Desarrollo de un nuevo estándar para estudiar el fenómeno de la tecnología de clonación de comportamiento en la inteligencia artificial

Behavioral Cloning Mystery

Sergey Levine y 1 más

Qué: Se propuso OCBench, una herramienta de evaluación de manipulación robótica con características similares a las demostraciones humanas.
Resultado clave: Se demostró que esta herramienta permite investigar científicamente diversos fenómenos relacionados con la clonación de comportamiento y verificar hipótesis en entornos basados en unidades de procesamiento gráfico (GPU).
Por qué importa: Proporciona una base para analizar en un entorno controlado aquellos fenómenos en la tecnología de aprendizaje de robots cuyas causas no estaban claras hasta ahora.Resumen IA

Robótica e IA física

Resumen completo Leer artículo ↗ PDF ↗

Artículo2026-08-24

Tecnología para aprender a actuar mientras el robot piensa

Learning to Act While Waiting: RL Finetuning of Generalist Robot Policies Under Inference Latency

Sergey Levine y 19 más

Qué: Los investigadores han desarrollado ARLI, un marco de aprendizaje por refuerzo consciente de la latencia que resuelve los problemas causados por el tiempo de pensamiento (latencia de inferencia) de los modelos de robots.
Resultado clave: Este nuevo método permite que los robots continúen aprendiendo con éxito incluso en entornos con latencia, mostrando un rendimiento igual o superior al de un entorno ideal sin latencia.
Por qué importa: Abre la posibilidad de que la IA robótica compleja y masiva mejore de forma autónoma su rendimiento en el mundo real sin congelamientos ni interrupciones.Resumen IA

Eficiencia de inferencia Robótica e IA física

Resumen completo Leer artículo ↗ PDF ↗

Artículo2026-08-03

Revelando por qué la agrupación de acciones (action chunking) mejora el rendimiento en el control robótico

Why Does Action Chunking Improve Behavioral Cloning Performance in Robotic Control?

Sergey Levine y 5 más

Qué: Mediante experimentos, se analizaron las causas de la mejora del rendimiento de la técnica de 'agrupación de acciones', en la cual el control robótico predice y ejecuta múltiples acciones a la vez.
Resultado clave: Se demostró que las hipótesis anteriores son incorrectas, se reveló que el factor de éxito clave de la agrupación de acciones es el efecto de 'ensamblaje implícito' que aprende diversas relaciones temporales, y se propuso una nueva política que aprovecha esto.
Por qué importa: Al descubrir los factores clave que mejoran el rendimiento de la tecnología de control robótico, se proporciona una base teórica para el desarrollo de futuros modelos eficientes de aprendizaje de robots.Resumen IA

Robótica e IA física

Resumen completo Leer artículo ↗ PDF ↗

Artículo2026-06-11 · arXiv.org

Desarrollo de una nueva tecnología para guiar con mayor precisión el comportamiento de los robots

Improving Robotic Generalist Policies via Flow Reversal Steering

Sergey Levine y 4 más

Qué: Para mejorar el rendimiento de las políticas generalistas de robots entrenadas con diversos conjuntos de datos de robots, se evaluó en entornos de control un método llamado Flow Reversal Steering (FRS), que transforma acciones subóptimas en otras mejores.
Resultado clave: El uso de FRS puede traducir instrucciones aproximadas de humanos o modelos de visión-lenguaje en un buen comportamiento robótico, mostrando una mejora absoluta en la tasa de éxito de las tareas de hasta el 95% con menos de 1 minuto de entrenamiento.
Por qué importa: Demuestra el potencial para ayudar a los robots a rendir mejor en nuevas tareas mediante el uso de instrucciones humanas o técnicas existentes.Resumen IA

Robótica e IA física

Resumen completo Leer artículo ↗ PDF ↗

Esta página recopila artículos publicados, anuncios oficiales e informaciones de prensa solo con fines informativos. Los resúmenes los redacta una IA a partir del resumen del artículo y los revisa el editor; pueden diferir del original, así que consulte el artículo para lo importante. Nada de esto es una recomendación de compra o venta ni asesoramiento de inversión. Los cambios de puesto citan anuncios oficiales o prensa relevante; parte de las trayectorias proviene de Wikidata (CC0). Los resúmenes de esta página se tradujeron con IA a partir de la versión coreana revisada por el editor.