Decart Lanza Oasis 3: Modelo de Mundo Realista y Baja Latencia para Entrenamiento Robótico

El laboratorio de investigación IA Frontier Decart ha presentado Oasis 3, un modelo de mundo diseñado para cerrar la brecha entre simulación sintética y despliegue de IA en el mundo real.

El motor de salida de video, presentado este mes, acelera el entrenamiento de sistemas de control de robots y vehículos autónomos, equipándolos para prosperar en condiciones reales impredecibles.

Desarrolladores de robótica enfrentan escasez de datos de alta calidad necesarios para entrenar sistemas que naveguen entornos complejos del mundo real.

Mientras un vehículo puede aprender a maniobrar un estacionamiento estático con conos de tráfico fijos, la carretera abierta presenta un entorno mucho más demandante donde clima, iluminación y obstáculos dinámicos varían constantemente.

Entrenar sistemas para manejar el caos de calles urbanas —lluvia intensa, obstáculos repentinos, tráfico errático— representa un desafío distinto que Oasis 3 aborda.

El Cuello de Botella en Entrenamiento Robótico

Los grandes modelos de lenguaje (LLMs) han avanzado, pero la robótica de propósito general —o IA física— ha rezagado, largamente debido a escasez de recursos de medios ricos.

Bessemer Ventures notó que desarrolladores de LLMs se benefician de scraping de miles de millones de páginas web públicas, un lujo no disponible para modelos Vision-Language-Action (VLA) que deben interpretar y actuar dentro de espacios físicos.

Los modelos VLA ingieren datos ambientales, los procesan y luego responden. Entrenarlos ofrece tres caminos primarios:

• Teleoperación —operadores humanos imitan acciones de robot en traje controlado. Aunque produce datos de mayor calidad, es prohibitivamente caro y lento, haciendo despliegue a gran escala impráctico.
• Videos web abiertos —fácilmente disponibles pero desordenados, careciendo entornos consistentes, telemetría espacial y condicionamiento de acción directo.
• Datos sintéticos —un punto medio, pero motores de física actuales fallan en matiz del mundo real, llevando al llamado sim-to-real gap.

Esa brecha se manifiesta cuando aleatoriedad del mundo real —derrames de aceite, empaques frágiles, desechos inesperados— desequilibra sistemas autónomos, revelando sus limitaciones.

Cerrando la Brecha con Simulaciones Generativas de Lazo Cerrado

Decart afirma que Oasis 3 supera límites de entrenamiento virtual existentes al fusionar gráficos de movimiento fotorrealistas con motor de física robusto.

Incrustado en un único bucle de entrenamiento de alto rendimiento, Oasis 3 produce flujos de video condicionados por acción que pueden generar virtualmente cualquier escenario caótico que desarrolladores imaginen, creando un entorno de entrenamiento que refleja de cerca la realidad.

La plataforma soporta entornos ultra-realistas multivista totalmente controlables; la desviación lateral de un auto autónomo dispara un flujo generativo que ajusta perspectivas en menos de 200 ms —bien dentro de requisitos de aprendizaje por refuerzo.

Co-diseñado con el ecosistema IA física de Nvidia, Oasis 3 corre en infraestructura cloud especializada de CoreWeave a 22 fps, entregando entornos virtuales interactivos a resolución 512×768×3.

Ofrece vista nativa de tres cámaras para preservar consistencia espacial y temporal desde múltiples ángulos, permitiendo a sistemas autónomos medir profundidad y contexto periférico con precisión.

Oasis 3 es accesible vía API de Decart, permitiendo a desarrolladores integrarlo sin fisuras en sus pipelines de simulación IA física existentes.

Entrenando Robots para Conquistar Territorio Inexplorado

Lograr humanoides nivel ciencia-ficción requiere entrenar robots para manejar casos edge únicos en tiempo real —situaciones imposibles de replicar en laboratorio, como una carga cayendo en carretera mientras la cámara de un vehículo autónomo se oscurece por barro.

Oasis 3 empodera a desarrolladores para crear infinitas variaciones de tales eventos usando prompts de lenguaje natural simples, abarcando diferentes ángulos, condiciones climáticas y superficies de carretera.

Al exponer modelos a millones de peligros asequiblemente, los desarrolladores pueden asegurar preparación para cualquier escenario real plausible.