Resumen: Si bien la teoría y la práctica a menudo se ven como dominios separados, este artículo muestra que la visión teórica es esencial para superar las barreras de ingeniería del mundo real. Comenzamos con un desafío práctico: capacitar una política de IA incorporada a la morfología que se generaliza a través de diversas morfologías de robots. Formalizamos esto como el problema de entrenamiento de agente incorporado (calor) heterogéneo y demostramos que se reduce a un proceso de decisión de Markov parcialmente observable estructurado (POMDP) que es completado por PSPACE. Este resultado explica por qué las tuberías de aprendizaje de refuerzo actual se descomponen bajo diversidad morfológica, debido a limitaciones de entrenamiento secuencial, acoplamiento de la política de memoria e incompatibilidad de datos. Además, exploramos la adaptación colectiva, una alternativa de aprendizaje distribuida inspirada en los sistemas biológicos. Aunque NEXP complete en teoría, ofrece beneficios significativos de escalabilidad y implementación en la práctica. Este trabajo ilustra cómo la teoría computacional puede iluminar las compensaciones de diseño del sistema y guiar el desarrollo de una IA incorporada más robusta y escalable. Para que los profesionales e investigadores exploren este problema, el código de implementación de este trabajo se ha puesto a disposición del público en esta URL HTTPS
Publicado Originalme en rss.arxiv.org El 4 de junio de 2025.
Ver Fuente Original
