💻 computer science

Zeva: In-Context Causal Learning for Generalizable Embodied Manipulation

Zeva es un marco novedoso que permite la manipulación encarnada generalizable mediante la extracción de interacciones causales de las experiencias físicas de un robot hacia una memoria de doble escala temporal, permitiendo que un modelo de política congelado se autoevolucione y mejore su desempeño a través de diversas tareas mediante el aprendizaje en contexto sin requerir actualizaciones de gradiente.

Autores originales: Fu Chen, Xin Ding, Bingjia Huang, Xiangyu Li, Mingju Wang, Jiawei He, Kun Li, Wei Sun, Yunxin Liu, Hao Wu, Ting Cao

Publicado 2026-09-01

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Fu Chen, Xin Ding, Bingjia Huang, Xiangyu Li, Mingju Wang, Jiawei He, Kun Li, Wei Sun, Yunxin Liu, Hao Wu, Ting Cao

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Los robots han sido durante mucho tiempo maestros en la planta de producción, donde repiten el mismo movimiento miles de veces con una precisión perfecta. Pero si se les saca de ese entorno controlado y se les introduce en una cocina o un laboratorio real, a menudo tropiezan. El mundo físico es desordenado; los objetos se desplazan, las superficies son irregulares y la forma en que una pinza siente un vaso de agua es diferente de cómo siente una taza de metal. Durante años, el enfoque principal para enseñar a los robots ha sido alimentarlos con cantidades masivas de video y datos antes de que siquiera salgan del laboratorio, con la esperanza de que aprendan suficientes reglas generales para manejar cualquier cosa. Sin embargo, cuando estos robots se enfrentan a una situación que nunca han visto antes, suelen fallar porque su "cerebro" interno no puede adaptarse a la nueva física del momento. Se quedan estancados con el conocimiento que se les dio, incapaces de aprender de sus propios errores mientras ocurren.

Un equipo de investigadores de la Universidad de Tsinghua y Z-Trans AI ha propuesto un camino diferente, uno donde un robot aprende a pensar en causa y efecto en tiempo real. Presentaron un sistema llamado Zeva, que permite a un robot mejorar su propio rendimiento sin cambiar nunca el código de su software subyacente. En lugar de intentar reentrenar el cerebro del robot, lo cual es lento y arriesgado, Zeva actúa como un cuaderno altamente organizado. Mientras el robot intenta realizar una tarea, registra exactamente qué sucedió cuando se movió: vio un objeto específico, movió su brazo de una cierta manera, y el objeto se quedó en su lugar o se volcó. El sistema extrae la lección de esa interacción única —el vínculo causal entre la acción y el resultado— y la almacena. Cuando el robot intenta la misma tarea de nuevo, consulta este cuaderno, encuentra la lección relevante y la utiliza para ajustar su siguiente movimiento. Esto sucede instantáneamente, permitiendo que el robot mejore con cada intento, incluso si su programación central permanece congelada e inalterada.

Los investigadores probaron esta idea en dos mundos muy diferentes. Primero, utilizaron una sofisticada simulación informática de una cocina, un lugar lleno de objetos complejos como hervidores, tostadoras y batidoras. En este entorno virtual, Zeva se enfrentó a cinco tareas distintas, como encender un microondas o abrir la tapa de una batidora. Los resultados fueron sorprendentes. Mientras que otros sistemas robóticos avanzados lograban tener éxito aproximadamente entre el 60 y el 72 por ciento de las veces, Zeva alcanzó una tasa de éxito del 76.8 por ciento. Más importante aún, el sistema mostró un patrón claro de automejora. En su primer intento de una tarea, el robot tuvo éxito solo en una cuarta parte de las ocasiones. Pero a medida que se le permitía seguir intentando el mismo escenario, utilizando las lecciones de sus fallos para guiar sus siguientes movimientos, su tasa de éxito aumentaba constantemente. Para el cuarto intento, tenía éxito en el 73 por ciento de los casos. Esto demostró que el robot no solo estaba teniendo suerte; estaba aprendiendo genuinamente de la retroalimentación física de sus propias acciones.

Para asegurar que esto no fuera solo un resultado de la simulación por computadora, el equipo llevó el sistema a un laboratorio químico real. Equiparon un brazo robótico físico con la capacidad de manipular cristalería delicada, como tubos de ensayo y vasos de precipitados, y realizar tareas como verter agua o pesar productos químicos. Este entorno era mucho más impredecible que la simulación, con gravedad real, fricción y el riesgo de romper el vidrio. Aquí, Zeva superó nuevamente a los mejores sistemas existentes. En las tareas más simples, como recoger un tubo de ensayo, tuvo éxito el 100 por ciento de las veces. En secuencias más complejas, como preparar una solución salina, logró una tasa de éxito del 70 por ciento, significativamente mayor que la de sus competidores. Los investigadores también midieron cuánto del proceso completó el robot, no solo si terminó todo el trabajo. Incluso cuando una tarea era difícil, Zeva logró completar más pasos de los requeridos que cualquier otro sistema, demostiendo que su capacidad para aprender de la interacción le ayudaba a navegar la realidad desordenada del mundo físico.

Una parte clave del éxito de Zeva es cómo organiza su memoria. El sistema no solo almacena una larga lista de todo lo que ha hecho; eso sería demasiado para procesar rápidamente. En su lugar, utiliza dos tipos de memoria trabajando en conjunto. Uno es un rastro a corto plazo que recuerda los últimos segundos de acción, ayudando al robot a entender qué está pasando en este preciso momento. El otro es una memoria persistente que conserva las lecciones más útiles de intentos previos, incluso si esos intentos fallaron. Cuando el robot comienza un nuevo intento, busca en esta memoria persistente una situación que se parezca a la que enfrenta en ese instante. Luego utiliza esa experiencia pasada como una guía. Por ejemplo, si el robot intentó anteriormente verter agua y el vaso se volcó porque se inclinó demasiado rápido, recuerda esa relación específica de causa y efecto. En el siguiente intento, consulta esta memoria y reduce la velocidad de su inclinación, evitando el mismo error. Este proceso ocurre sin ningún cambio en el software principal del robot, lo que significa que el robot puede aprender y adaptarse instantáneamente sin el proceso lento y peligroso de reentrenar todo su cerebro.

Los investigadores también descubrieron que este sistema podía aprender de los humanos, no solo de sus propios errores. En un experimento, un humano guió físicamente el brazo del robot a través de un único intento exitoso de una tarea compleja. El sistema registró esta demostración humana, extrajo las lecciones causales y las almacenó en su memoria. Cuando el robot intentó la tarea por su cuenta, utilizó ese único ejemplo humano para dar un impulso inicial a su aprendizaje. Este "calentamiento" permitió al robot desempeñarse mucho mejor desde el principio, mejorando su tasa de éxito hasta en un 15 por ciento en comparación con cuando tenía que aprender enteramente desde cero. Esto sugiere que un robot podría aprender una nueva habilidad a partir de una sola demostración humana y luego refinar esa habilidad mediante su propia práctica repetida, combinando lo mejor de la guía humana con el poder de la autoevolución.

El estudio también analizó si las lecciones que un robot aprendía en una tarea podían ayudarle en una completamente diferente. Descubrieron que el sistema podía reconocer cuándo un efecto físico en una nueva tarea era similar a uno visto anteriormente. Por ejemplo, el movimiento de inclinar un recipiente para verter agua fue reconocido como similar al movimiento de inclinar un recipiente para mezclar productos químicos, aunque los objetos y los objetivos fueran distintos. Esta capacidad de transferir conocimiento entre tareas significa que un robot no necesita empezar de cero cada vez que enfrenta un nuevo desafío. Puede recurrir a una biblioteca de relaciones de causa y efecto físico que ha ido construyendo con el tiempo, lo que lo hace más versátil y capaz en una amplia gama de situaciones.

A pesar de estos éxitos, los investigadores son claros sobre los límites de su trabajo. El sistema actualmente aprende solo de los intentos que realiza mientras trata de terminar un trabajo específico. Todavía no tiene la capacidad de deambular y explorar el mundo solo para aprender cosas nuevas, un comportamiento conocido como exploración activa. Los autores sugieren que el trabajo futuro se centrará en enseñar al robot a elegir sus propios experimentos, probando deliberadamente diferentes acciones para reducir la incertidumbre sobre cómo funciona el mundo físico. Hasta entonces, Zeva representa un paso significativo hacia adelante, mostrando que un robot no necesita ser reentrenado para volverse más inteligente. Simplemente prestando atención a las consecuencias de sus propias acciones y recordando qué funcionó y qué no, un robot puede evolucionar sus propias capacidades, convirtiendo cada fallo en una lección para el siguiente intento.

Resumen Técnico: Zeva – Aprendizaje Causal en Contexto para la Manipulación Corpórea Generalizable

1. Declaración del Problema

La manipulación corpórea generalizable sigue siendo un desafío significativo para la IA Corpórea (Embodied AI), particularmente al desplegar modelos preentrenados (como modelos de Visión-Lenguaje-Acción (VLA) y Modelos de Mundo-Acción (WAMs)) en entornos físicos del mundo real. Si bien los modelos fundacionales han progresado rápidamente, su despliegue suele ser frágil debido a condiciones físicas no vistas durante el preentrenamiento, incluyendo geometrías de objetos novedosas, dinámicas de contacto, variaciones visuales y errores de ejecución específicos del cuerpo robótico.

Los métodos de adaptación existentes enfrentan limitaciones:

Entrenamiento en tiempo de prueba (ej., RoboTTT, WAM-TTT): Estos métodos actualizan los pesos del modelo o los pesos rápidos mediante descenso de gradiente durante el despliegue. Esto deja la estructura de cambio de estado-acción implícita y a menudo sufre de alta latencia, lo que impide la adaptación entre intentos consecutivos.
Aprendizaje en Contexto Estándar (ej., GEN-1.5, Skild S1): Estos mantienen los pesos fijos pero dependen de demostraciones de tareas para la generalización. Se centran principalmente en la generalización de tareas en lugar del aprendizaje sobre la marcha de las interacciones físicas a partir de la propia experiencia del robot.

El problema central abordado es cómo permitir que un robot aprenda las relaciones causales entre sus acciones y los cambios de estado resultantes durante el despliegue en el mundo real, permitiéndole adaptarse y evolucionar por sí mismo sin actualizar los parámetros del modelo de política subyacente.

2. Metodología: Marco de Trabajo Zeva

Los autores proponen Zeva, un marco que permite el Aprendizaje Causal en Contexto (ICCL). Zeva mantiene el modelo de política congelado durante el despliegue, pero extrae conocimiento causal de las interacciones físicas para guiar las acciones subsecuentes. El marco opera a través de tres etapas principales:

A. Extracción de Interacción Causal

Zeva utiliza un Codificador de Transición Causal (CTE) para tender un puente entre los píxeles brutos y el razonamiento causal.

Entrada: En cada paso de tiempo, el sistema extrae latentes visuales ( $s_\tau$ ), codificaciones de acción ( $u_\tau$ ) y efectos observados ( $d_\tau$ ).
Procesamiento: Estas señales se integran en un Estado de Interacción Causal ( $B_\tau$ ) a través de una recurrencia con compuerta (GRU).
Salida: El estado se proyecta en dos componentes:
1. Un Token de Fase ( $p_\tau$ ) que representa el progreso de la tarea.
2. Una Señal de Interacción Causal ( $e_\tau$ ) que caracteriza la dinámica física.
Optimización: El CTE se entrena con una pérdida multiobjetivo que incluye Predicción de Efecto Causal (vinculando señales con efectos físicos), Agrupamiento de Identidad de Tarea (asegurando la consistencia de la tarea) y Progresión de Fase (ejecución de la tarea de forma monotónica).

B. Memoria Causal de Doble Escala Temporal

Para soportar la adaptación tanto dentro como a través de los intentos, Zeva organiza las unidades de interacción en dos flujos de memoria:

Traza de Interacción Breve (BIT): Una ventana deslizante de señales de interacción recientes ( $\{e_j\}$ ) dentro de un solo intento. Proporciona un contexto local inmediato sobre la eficacia de las acciones actuales. Se reinicia al inicio de cada nuevo intento.
Memoria de Interacción Persistente (PIM): Acumula unidades causales a través de múltiples intentos dentro de un mismo episodio. Emplea una fusión basada en similitud para consolidar evidencia útil. Una nueva experiencia se fusiona con un registro existente solo si coincide tanto con el progreso de la tarea (fase) como con la dinámica física (señal) del registro existente. Esta memoria se limpia solo al inicio de un nuevo episodio.

C. Inyección de Política en Contexto

La etapa final transforma las experiencias almacenadas en un Prompt Causal estructurado para la política fundacional congelada.

Recuperación: El sistema consulta la PIM utilizando el token de fase actual ( $p_\tau$ ) para recuperar la evidencia de interacción más relevante ( $R_\tau$ ) de intentos previos.
Construcción: Un Codificador de Contexto de Memoria ( $F_{mem}$ ) fusiona la instrucción de la tarea ( $g$ ), el token de fase actual, la BIT y las señales recuperadas de la PIM en un único vector de contexto ( $M_\tau$ ).
Inferencia: Este contexto se inyecta en las capas de auto-atención de la política fundacional congelada (específicamente en la ruta de difusión en la implementación). La política realiza una identificación de sistema implícita, infiriendo propiedades ambientales latentes (ej., masa del objeto, restricciones de articulación) para adaptar su estrategia de acción sin actualizaciones de gradiente.

3. Contribuciones Clave

Formulación de ICCL: El artículo formula la generalización de la acción corpórea en el despliegue del mundo real como Aprendizaje Causal en Contexto, donde una política congelada aprende de sus propias experiencias de interacción física sin actualizaciones de peso en tiempo de prueba.
El Marco de Trabajo Zeva: Una arquitectura novedosa que combina la Extracción de Interacción Causal, la Memoria Causal de Doble Escala Temporal y la Inyección de Política en Contexto para permitir la auto-evolución sin gradientes a través de intentos repetidos.
Validación Empírica: Evaluación exhaustiva tanto en simulación (RoboCasa365-Atomic5) como en entornos del mundo real (ChemLab-Evo), demostrando que el marco logra un rendimiento de vanguardia y exhibe capacidades de auto-evolución.

4. Resultados Experimentales

Los autores evaluaron Zeva en el benchmark de simulación RoboCasa365-Atomic5 y en el benchmark del mundo real ChemLab-Evo utilizando un manipulador ARX.

Rendimiento del Benchmark:
- RoboCasa365-Atomic5: Zeva logró la tasa de éxito promedio más alta de 76.8%, superando a modelos de frontera como Fast-WAM (72.4%) y Cosmos3-Nano (64.8%).
- ChemLab-Evo: Zeva logró la mejor tasa de éxito en los tres niveles de dificultad (Atómico, Secuencia Corta, Complejo). Por ejemplo, en la tarea "Pick Up Test Tube", logró un 100% de éxito, comparado con el 80-95% de las bases de comparación. También superó a las bases en "Process Score" (completitud de etapas ordenadas) para tareas de largo horizonte.
Escalamiento Post-Despliegue (Auto-Evolución):
- Zeva demostró que las tasas de éxito mejoran a medida que el robot acumula experiencia de interacción.
- En RoboCasa365-Atomic5, la tasa de éxito acumulada aumentó del 26% en el primer intento al 73% dentro de cuatro intentos repetidos.
- En ChemLab-Evo, se observaron tendencias de escalamiento similares, con tasas de éxito que subieron del 65% al 100% para "Pick Up Test Tube" a través de los hitos de evolución.
Inyección de Experiencia Guiada por Humanos:
- Zeva puede incorporar una única demostración de teleoperación humana (calentamiento de un solo paso) para inicializar la PIM. Esto mejoró el rendimiento hasta en un 20% en la tarea "Place Beaker" y un 15% en "Pour Water" sobre la auto-evolución por sí sola, permitiendo al robot reproducir enfoques demostrados (ej., trayectorias de agarre y colocación) sin actualizaciones de gradiente.
Generalización entre Tareas:
- Los estudios de ablación confirmaron la necesidad de la BIT y la PIM; eliminar la PIM redujo las tasas de éxito entre un 10% y 20%, mientras que eliminar la BIT causó caídas del 15% al 30%.
- Los experimentos mostaron que las señales causales pueden recuperarse entre tareas. Reemplazar las señales locales de la tarea con las coincidencias más cercanas de otras tareas preservó la mayor parte del rendimiento (ej., 95% de éxito en "Pick Up Test Tube" frente al 100% con señales locales), mientras que el reemplazo aleatorio causó caídas significativas.

5. Significado y Reivindicaciones

El artículo afirma que Zeva representa el primer marco que permite el aprendizaje en contexto a partir de las propias experiencias de interacción física de un robot manteniendo una política de modelo congelada.

Auto-Evolución: A diferencia de los métodos basados en gradientes que son lentos o propensos al colapso de capacidades, Zeva permite una mejora continua mediante intentos repetidos actualizando únicamente la memoria de interacción.
Generalización: Al modelar explícitamente la causalidad entre las acciones y los cambios de estado, Zeva permite que los robots se adapten a diversas condiciones físicas y transfieran conocimiento entre tareas sin reentrenar el modelo fundacional.
Eficiencia: El enfoque evita el costo computacional del entrenamiento en tiempo de prueba, lo que lo hace adecuado para el despliegue en tiempo real donde se requiere una rápida adaptación.

Los autores reconocen una limitación actual: Zeva aprende la causalidad solo de los intentos generados para la ejecución de tareas y no mediante la recolección activa de interacciones para el aprendizaje. Se propone un trabajo futuro para investigar la exploración impulsada por la causalidad para reducir la incertidumbre de manera más eficiente.