ejecutar tareas sencillas más rápidamente
al compartir diferentes tipos
de experiencias de aprendizaje. Los investigadores están entrenando equipos de robots industriales para realizar tareas sencillas con una técnica llamada aprendizaje reforzado, que combina el ensayo y error con refuerzos positivos. De momento, estas tareas son extremadamente sencillas, como abrir puertas o mover objetos. Pero tales avances resultarán críticos si los robots van a llegar algún día a ser capaz de ayudarnos en tareas cotidianas como doblar la ropa o fregar los platos. Aunque los robots son cada vez más baratos y hábiles, programarlos de forma fiable en situaciones cotidianas impredecibles es prácticamente imposible. El aprendizaje reforzado ofrece una solución, al permitir a los robots programarse solos mientras aprenden sobre la marcha. Pero puede resultar complicado que un robot individual pruebe con muchas formas distintas de ejecutar una tarea. Compartir el proceso de aprendizaje, una técnica a menudo denominada robótica en la nube, puede ayudar a acelerar el proceso, aunque la idea sigue estando en una fase temprana (ver Robots que se enseñan unos a otros). En los tres trabajos publicados, el científico de investigación de Google que está liderando el esfuerzo de aprendizaje de robots, Sergey Levine, y sus compañeros detallan varias estrategias de aprendizaje que pueden ser distribuidas a un grupo de robots. En cada caso, los robots emplearon redes neuronales que intentaron predecir el resultado de distintas acciones. Cada robot varió ligeramente su comportamiento, y después reforzó las variaciones que generaron los mayores beneficios. Estas redes entonces alimentaron periódicamente un servidor central que construía una nueva red neuronal que combinaba todos los comportamientos aprendidos, y esa red era redistribuida a los robots para otra ronda de aprendizaje. En el primer experimento, el objetivo consistía en girar el pomo de una puerta para abrirla después, y cuatro robots diferentes