Estos robots se probaron en 30 hogares desconocidos de la Bahía de San Francisco sin entrenamiento adicional ni datos de esas viviendas. Ordenaron habitaciones, doblaron toallas y prepararon camas utilizando lo que ya habían aprendido. Este tipo de generalización en entornos reales representa un gran avance para los robots humanoides. La conversación enfatizó en gran medida la generalización zero-shot, resolviendo el problema persistente de políticas frágiles en tareas de manipulación robótica. Al aprovechar embeddings multi-modales preentrenados a gran escala, la red de políticas del robot mapea directamente las entradas visuales a pares articulares sin necesidad de reentrenamiento específico para cada tarea. Esta capacidad emergente zero-shot permite que la plataforma ejecute con éxito flujos de trabajo de manipulación novedosos y maneje dinámicamente entornos no estructurados. El CEO (Brett Adcock) detalló el cambio arquitectónico desde el control tradicional basado en pipelines jerárquicos hacia arquitecturas de red neuronal unificadas para percepción y control. La convergencia de la optimización del cómputo en el borde, la precisión de la fusión de sensores y el aprendizaje end-to-end está comprimiendo el plazo para la implementación autónoma. Aún espero que @continuumlabs_ lance pronto. Estamos todos ansiosos.