Что запустила Perceptron
Perceptron — startup fundada en noviembre de 2024. La crearon dos exinvestigadores de Meta: Armen Aghajanyan y Akshat Shrivastava. Trabajaban en Meta’s Fundamental AI Research (FAIR). Es la división de investigación en IA de Meta.
Esta semana la compañía lanzó el modelo Isaac 0.5. Según sus creadores, otorga a las máquinas la capacidad de “perceive, reason and act” en entornos industriales. El modelo se publica como open-weight. Por eso, cualquiera puede verificar los parámetros y los materiales de entrenamiento.
La compañía ve su software como el futuro del despliegue industrial automatizado.
Conclusión: Isaac 0.5 debe considerarse como un modelo abierto para tareas industriales. La verificabilidad de los pesos es un criterio clave al elegir.
Tarea: inteligencia física para almacenes y talleres
Perceptron desarrolla frontier vision models. Deben ayudar a las máquinas a interactuar con mayor competencia con entornos físicos. El software puede ayudar a los vision-guided robots a desplazarse en entornos complejos. Se trata de warehouses o factory floors.
La compañía describe el problema así: “Physical AI today forces a false choice”. Por un lado, generalist foundation models, que necesitan multiple dedicated cloud GPUs para cada instance. Por otro, narrow models, que procesan perception o control, pero nunca ambos. Isaac 0.5 busca dar a las máquinas la capacidad de percibir, razonar y actuar.
Shrivastava propuso considerar un proceso físico simple: organizar cajas. Un robot desplegado para clasificar paquetes debe completar muchos pasos. Primero, leer la etiqueta del paquete. Luego, hacer un análisis espacial para entender dónde están las cajas. Después, decidir cuál levantar. Si levanta una serie de cajas, tendría que planificar qué cajas levantar y en qué orden. El software de Perceptron está pensado para ayudar a los robots a recorrer cada paso del proceso.
Conclusión: el criterio de elección es la capacidad del modelo de cubrir todo el proceso, desde la percepción hasta la planificación de acciones, y no solo una operación aislada.
Cómo se entrenó Isaac 0.5
Los modelos como Isaac 0.5 aprenden habilidades operativas absorbiendo grandes volúmenes de datos de video de entrenamiento. Perceptron dice que entrenó el nuevo modelo con un millón de horas del llamado general video. Esto es necesario para enseñar al algoritmo a reconocer condiciones específicas, elementos visuales y escenarios.
La compañía también se apoyó mucho en ego video. Es video desde el punto de vista de una persona que realiza una tarea física. Se graba con una GoPro o una cámara corporal. También se usaron UMI video. De manera similar, sirven para entrenar a los sistemas de IA en movimientos mediante la grabación de acciones humanas repetidas.
Perceptron no revela las fuentes de sus datos de entrenamiento. Shrivastava dijo que la compañía “internally built petabyte-scale datasets that span across modalities”. Precisó: “whether it’s images, text, video, etc. all the way through robotic trajectories.”
Conclusión: el peso abierto del modelo permite verificar los parámetros y los materiales de entrenamiento. Es un criterio importante para los equipos que necesitan verificabilidad.
En qué se diferencia de los modelos existentes
Aghajanyan y Shrivastava dicen que su herramienta se diferencia de los modelos existentes. Es general-purpose, es decir, no está creada para una tarea repetitiva concreta. El modelo debe ser flexible según el entorno o la situación específicos.
En el sector ya hay software que ayuda a las máquinas a realizar la mayoría de estas tareas. Pero hay pocos programas destinados a hacerlo de forma flexible. A continuación, una comparación de enfoques según los hechos que presenta la compañía.
| Enfoque | Característica clave |
|---|---|
| Generalist foundation models | Necesitan varias GPU en la nube dedicadas para cada instancia |
| Narrow models | Procesan la percepción o el control, pero nunca ambos |
| Isaac 0.5 | General-purpose, open-weight, orientada a perceive, reason and act |
Aghajanyan dijo: “Nothing like this really exists out there.” Añadió: “We’re really excited about it.”
Conclusión: si la tarea requiere tanto percepción como control en un entorno cambiante, los narrow models no servirán. Los generalist models requieren GPU en la nube dedicadas por instancia. Isaac 0.5 se presenta como un punto intermedio entre estas opciones.
Dónde planean aplicarlo
La startup está lista para llevar el software al mercado para diversos proveedores. La compañía podría potencialmente integrar su intelligence layer en distintas industrias. Entre ellas, manufacturing, logistics and warehousing, security, mobility, así como media and entertainment.
El software ayuda a los vision-guided robots a desplazarse en entornos complejos, como warehouses or factory floors. También ayuda a las empresas a extraer inteligencia visual del video grabado por estos bots.
Conclusión: el criterio práctico es la coincidencia entre la industria y el escenario. Para almacenes y talleres importan el desplazamiento en entornos complejos y la extracción de datos del video. Para security, mobility, media y entertainment, la compañía declara una posible integración.
Financiación y estado
Perceptron recaudó anteriormente $21 million. Los inversores fueron Bessemer Venture Partners, Foundation Capital y S32. Esto se desprende de los datos de Pitchbook. SmartGateVC también participó en la founding round de la compañía.
Según TechCrunch, la startup está en proceso de cerrar una ronda adicional. No se revelan otras condiciones ni plazos.
Conclusión: la compañía cuenta con financiación de fondos de venture capital y un interés declarado en una ronda adicional. Esto no garantiza la madurez del producto, pero reduce el riesgo de una elección temprana.
