Robótica
CocoMatrix quiere hacer del aprendizaje en contexto la base de la robótica
El medio chino QbitAI publicó el domingo 6 de septiembre una entrevista con Gao Yuxiang, fundador y director ejecutivo de CocoMatrix (COCO Matrix), empresa creada en abril de 2026. No se trata del lanzamiento de un modelo: el texto expone su apuesta técnica.
Recibe el resumen diario de IA
Cada mañana, lo esencial de la inteligencia artificial en tu correo, sin humo. Al día con la IA.
Al suscribirte aceptas recibir el newsletter de AI Informator. Puedes darte de baja cuando quieras.
En resumen
- Gao defiende el aprendizaje en contexto (in-context learning, ICL): que el robot se adapte a una tarea nueva a partir de ejemplos en su entrada, sin ajuste fino ni actualizar parámetros.
- La compañía dice trabajar en representaciones visuales condicionadas por la tarea y en memoria continua; son planteamientos propios, sin evaluación externa.
Aprender de una demostración, sin reentrenar
El aprendizaje en contexto se describió en 2020 con GPT-3 como la capacidad de resolver una tarea nueva usando solo los ejemplos incluidos en la entrada, sin actualizar los parámetros del modelo. En robótica ese contexto no es únicamente texto: mezcla decenas de imágenes por segundo, el estado del propio cuerpo y secuencias de acciones.
Gao propone una "representación condicional": una misma escena exige información distinta según la intención. Al reconocer una taza importa el significado; al ir a agarrarla, la posición, la profundidad y el contorno. Su modelo, afirma, extrae niveles distintos según la tarea, de modo que la generación de la acción puede ser más ligera si la comprensión previa es precisa.
Memoria continua y huecos de datos
Para el contexto largo, Gao sostiene que la clave no es estirar una ventana fija de minutos, sino un mecanismo en flujo continuo (streaming) que filtre y comprima el historial y conserve lo útil, venga de hace diez minutos o de una hora. Cita la compresión de la caché de claves y valores de la atención y variantes de atención lineal o dispersa, en pruebas internas.
Entre los límites señala la falta de datos de enseñanza humano-robot, corrección en tiempo real y trabajo conjunto, sin definiciones ni estándares de recogida compartidos. Las tareas complejas todavía no tienen evaluación completa, y la autocorrección —que presenta como otra forma de aprendizaje en contexto— sigue en desarrollo.
Conclusión
La entrevista fija una dirección técnica —contexto y adaptación rápida frente a acumular datos por tarea— más que un producto. Las afirmaciones proceden de la empresa y no cuentan con verificación independiente.
Fuentes primarias
Recibe el resumen diario de IA
Cada mañana, lo esencial de la inteligencia artificial en tu correo, sin humo. Al día con la IA.
Al suscribirte aceptas recibir el newsletter de AI Informator. Puedes darte de baja cuando quieras.
Comentarios