# Columna: patente de Google sobre aprendizaje por refuerzo en visión artificial: aprender recompensas, no solo respuestas AI Times publicó una columna sobre patentes de inteligencia artificial de Yongduck Kim, socio director y agente de patentes de IPLEX IP Law Firm. Source: https://www.iplexlaw.co.kr/es/blog/1537030 INICIO / Noticias y análisis Noticias y análisis Columna: patente de Google sobre aprendizaje por refuerzo en visión artificial: aprender recompensas, no solo respuestas AI Times publicó una columna sobre patentes de inteligencia artificial de Yongduck Kim, socio director y agente de patentes de IPLEX IP Law Firm. IA y software Publicado el 2026.09.15 IPLEX 2 min de lectura AI Times publicó una columna sobre patentes de inteligencia artificial de Yongduck Kim, socio director y agente de patentes de IPLEX IP Law Firm. En esta columna, miramos la tecnología de ajuste basado en el refuerzo del aprendizaje aplicada al campo de visión de la computadora, centrándonos en los EE.UU. de Google. Patente No. 12,731,392. Hasta el momento, la visión artificial IA ha estado aprendiendo con un enfoque en cómo predice con precisión los datos correctos de respuesta preparados por los humanos. Sin embargo, en los entornos industriales reales, no es suficiente obtener la respuesta correcta de los datos de aprendizaje. Esto se debe a que la eficacia de la IA alcanza sus objetivos en el trabajo real es más importante. La patente de Google señala esta diferencia. El método es construir primero un modelo de visión artificial pre-entrenado, luego establecer un indicador de rendimiento importante en el trabajo real como ‘Recompensa de descarga’ y ajustar el modelo de nuevo a través del aprendizaje por refuerzo. Por ejemplo, en la detección de objetos, los indicadores de rendimiento reales, como el recuerdo o la precisión media (mAP) se pueden utilizar como compensación, y proponemos que este método también se puede aplicar a diversas tareas de visión artificial, como segmentación de imágenes y colorización de imágenes. La columna se centra específicamente en las diferencias entre los datos correctos de respuesta y el rendimiento real del trabajo. En el método existente, el objetivo importante era que el modelo produjera resultados similares a las respuestas correctas de los datos de aprendizaje, pero aplicando el aprendizaje por refuerzo, los objetivos que se evalúan como importantes en el sistema real pueden reflejarse directamente en el aprendizaje. Además, se diferencia de los métodos existentes de aprendizaje de visión artificial, ya que no utiliza necesariamente una función de pérdida diferenciable, sino que también puede utilizar criterios de evaluación complejos o difíciles de calcular directamente como compensación. Estas tecnologías pueden tener mayor importancia en áreas donde IA hace juicios y actúa en ambientes reales, como conducción autónoma, robots, fábricas inteligentes e imágenes médicas. Especialmente en la era de la IA física, puede ser más importante realizar de forma fiable tareas reales basadas en resultados de reconocimiento en lugar de simplemente reconocer con precisión los objetos en imágenes. La última patente de Google se puede decir que es un ejemplo de la expansión de la tecnología de aprendizaje por refuerzo, que se ha desarrollado alrededor de la IA generativa, en las áreas de visión artificial y IA física. A través de esta columna, eche un vistazo a los cambios en la tecnología de aprendizaje IA y cómo estas tecnologías están protegidas por patentes. El artículo completo se puede encontrar en el enlace de abajo. Contribuciones de comprobación Leer el original coreano Este artículo del archivo refleja la situación en su fecha de publicación. Contacte con el despacho para analizar su caso. Consultar sobre este tema ↗ Todos los artículos HABLE CON IPLEX Consulte sus necesidades de propiedad intelectual Analizamos conjuntamente sus necesidades tecnológicas y empresariales. ↗ Contactar Más reciente Solicitud de patente con memoria provisional: cómo preparar la protección de una idea ↗ Anterior Guía para las empresas seleccionadas en el programa de apoyo al acceso a plataformas internacionales en línea de 2026 ↗ Artículos relacionados IA y software 2026.10.01 FiX: olvido selectivo por características en la atención softmax Yongduck Kim analiza las compuertas de FiX, su estabilidad numérica y la caché paginada, diferenciando los resultados medidos de las cuestiones aún abiertas. ↗ Lea el artículo IA y software 2026.09.30 MHAR: leer las capas anteriores desde distintos subespacios de características Yongduck Kim analiza Multi-Head Attention Residuals: selección en profundidad, resultados publicados, costes de implementación y relación entre características técnicas y efectos. ↗ Lea el artículo IA y software 2026.09.28 Columna: Claude Computer Use y el aprendizaje de los agentes de IA a través de las patentes Yongduck Kim, socio director de IPLEX, analiza en AI Times los datos y las secuencias de acciones que permiten entrenar a agentes de IA para utilizar software. ↗ Lea el artículo - https://www.iplexlaw.co.kr/es - https://www.iplexlaw.co.kr/es/blog/category/ai - https://www.aitimes.kr/news/articleView.html?idxno=41909 - https://www.iplexlaw.co.kr/forum/view/1537030 - https://www.iplexlaw.co.kr/es/contact - https://www.iplexlaw.co.kr/es/blog - https://www.iplexlaw.co.kr/es/contact - https://www.iplexlaw.co.kr/es/blog/1537741 - https://www.iplexlaw.co.kr/es/blog/1536697 - https://www.iplexlaw.co.kr/es/blog/fix-fine-grained-forgetting-attention - https://www.iplexlaw.co.kr/es/blog/fix-fine-grained-forgetting-attention - https://www.iplexlaw.co.kr/es/blog/mhar-multi-head-attention-residuals - https://www.iplexlaw.co.kr/es/blog/mhar-multi-head-attention-residuals - https://www.iplexlaw.co.kr/es/blog/claude-computer-use-agent-patent - https://www.iplexlaw.co.kr/es/blog/claude-computer-use-agent-patent