La empresa de inteligencia artificial robótica Skild AI creó para su sistema S1 un campo en el que pudiera aprender fútbol por sí mismo, en lugar de codificar cada aspecto del deporte por separado. En el entorno virtual Isaac Sim de NVIDIA, el sistema disputó partidos equivalentes a 140 años de experiencia futbolística; su único objetivo era marcar. Durante los partidos desarrolló habilidades como acercarse al balón, conducirlo y bloquear el paso del rival. El robot, que al principio tenía dificultades para caminar, recibió el nombre de «Messinator».
En el entrenamiento, el rival y el profesor eran versiones anteriores del robot. Mediante el método Self-play, conservó las jugadas que resultaban útiles en partidos cada vez más difíciles. Después del entrenamiento virtual, probó en una superficie real sus habilidades para conducir el balón, cambiar de dirección y bloquear al rival. El robot también siguió los movimientos del oponente y decidió su siguiente jugada mientras mantenía el equilibrio y controlaba el balón. Skild AI pretende utilizar este método en tareas de fábricas, obras y hogares.
Por qué es importante
Este enfoque pone en primer plano la idea de enseñar habilidades a los robots mediante objetivos y ensayo y error, en lugar de describir cada movimiento por separado. La posibilidad de probar en una superficie real los comportamientos desarrollados en un entorno virtual ofrece un método que puede utilizarse en tareas de fábricas, obras y hogares, al separar el proceso de aprendizaje de las pruebas realizadas con el robot físico. Sin embargo, aún no está claro hasta qué punto las habilidades de equilibrio, cambio de dirección y bloqueo que resultan útiles en el fútbol pueden aplicarse a tareas diferentes. Por ello, el avance plantea, especialmente para quienes se interesan por la toma de decisiones de los robots en condiciones variables, la cuestión de si el método de aprendizaje, más que una sola habilidad, puede trasladarse a otros ámbitos.