DeepMind reemplaza las leyes de Asimov con dataset adaptativo para robots
Google DeepMind bajo el liderazgo de Carolina Parada está repensando principios fundamentales de seguridad de robots y quiere alejarse de las leyes clásicas de Asimov hacia un sistema más flexible y entrenable. El nuevo llamado «Dataset de Asimov» representa no un conjunto rígido de reglas, sino una base adaptativa de escenarios de situaciones potencialmente peligrosas.
La diferencia clave del nuevo enfoque radica en el método de procesamiento de riesgos. Los robots modernos no simplemente siguen directivas preestablecidas – aprenden a analizar contexto. Y tomar decisiones basadas en una base extensa de ejemplos. Cuando un robot ve un vaso en el borde de una mesa, no ejecuta un comando pre-programado. Sino evalúa la situación y mueve el objeto a una posición segura. Descubriendo un objeto en el suelo, el sistema reconoce peligro potencial para una persona y lo elimina.
El dataset se forma basado en análisis de incidentes reales de diferentes países del mundo, lo que asegura diversidad de contextos culturales y sociales. Cada escenario está acompañado de ejemplos visuales e instrucciones para minimización de riesgos, creando un ambiente educativo integral para inteligencia artificial.
Este enfoque difiere con 3 características fundamentales: actualización dinámica de datos, control híbrido con participación humana y apertura para pruebas por desarrolladores terceros. Así, en DeepMind creen que el «Dataset de Asimov» crea no solo tecnología, sino un ecosistema de seguridad evolutivo.
