ChatGPT se puede utilizar para controlar naves espaciales. Al menos, eso es lo que demuestra un concurso organizado por un grupo de ingenieros aeronáuticos, quienes desarrollaron participaron en el “Desafío de Juego Diferencial de Kerbal Space Program”, una variante del título original que permite diseñar, experimentar y probar sistemas autónomos en un entorno simulado realista, con misiones como perseguir e interceptar satélites o evadir la detección.
De acuerdo con la investigación, el problema parte de la gran cantidad de naves espaciales en el espacio, lo que hace necesario desarrollar formas de controlarlas sin intervención humana. Además, se enfrenta el reto de comunicarse con satélites en el espacio profundo, principalmente por las limitaciones que impone la velocidad de la luz para operar estos vehículos en tiempo real.
Según los resultados de la investigación, enviados al Journal of Advances in Space Research (aún en proceso de revisión), se descubrió que modelos de lenguaje grande (LLM), como ChatGPT o Llama, pueden ser utilizados para el control espacial, lo que sugiere que podrían desempeñar un papel importante en la toma de decisiones de operaciones autónomas de satélites.
Control espacial con LLM y Kerbal Space Program
Para comprobar esta hipótesis, los ingenieros desarrollaron una solución basada exclusivamente en LLMs para el “Desafío de Juego Diferencial de Kerbal Space Program”, una competición pública de software donde los participantes deben crear agentes autónomos capaces de maniobrar satélites en operaciones espaciales no cooperativas, dentro del motor de juego del propio Kerbal Space Program.
La aproximación de este grupo se enfocó en aprovechar la ingeniería de indicaciones mediante el uso de “pocos disparos” en los propulsores y técnicas de ajuste fino, para desarrollar agentes eficaces basados en LLM. Esta estrategia logró el segundo puesto en la competencia.
Según los investigadores, eligieron usar un LLM porque los métodos tradicionales requieren desarrollar sistemas autónomos completos, lo cual implica múltiples ciclos de entrenamiento, retroalimentación y perfeccionamiento. Sin embargo, como los desafíos de Kerbal están diseñados para durar unas pocas horas, perfeccionar continuamente resulta poco práctico.
En cambio, los LLM demostraron que, al haber sido entrenados con grandes cantidades de texto escrito por humanos, pueden operar con solo una pequeña cantidad de ajustes y un contexto bien estructurado, a partir de indicaciones limitadas.
Traducción textual a maniobras espaciales
Para lograr esto, los investigadores diseñaron un sistema que traduce el estado de la nave y su objetivo en un formato textual, el cual era enviado al LLM con la petición de recomendaciones sobre cómo orientar y maniobrar las naves.
Posteriormente, se creó una capa de traducción que convertía las salidas textuales del chatbot en código funcional, lo que permitía ejecutar las órdenes dentro del entorno simulado del juego.
Con unas cuantas indicaciones y ajustes, ChatGPT logró completar muchas de las misiones del desafío y se colocó como la segunda mejor solución de la competencia. El primer puesto fue para un modelo basado en ecuaciones tradicionales.
Lo más llamativo es que este rendimiento se obtuvo incluso antes del lanzamiento de ChatGPT en su modelo 3.5, a pesar de las limitaciones conocidas de los modelos anteriores, como las alucinaciones, que pueden generar respuestas sin sentido y representan un riesgo si se aplican en sistemas del mundo real.
Cortesía de Xataka
Dejanos un comentario: