Harvard, Berkeley e NVIDIA buscam uma Scaling Law para robôs: +37,4 pontos em cinco benchmarks

Uma equipe de pesquisadores de Harvard, UC Berkeley e NVIDIA publicou um trabalho que busca padrões de escalonamento para robôs. Segundo o veículo chinês Jiqizhixin, em cinco benchmarks a nova abordagem supera, em média, bons baselines em 37,4 pontos. A imprensa logo colou no trabalho o rótulo de "momento o1" da robótica. A metáfora é clara para quem acompanhou os modelos de linguagem: depois de um período de "mais dados e mais parâmetros", os LLMs ganharam um novo eixo de crescimento. Pelo visto, os robôs chegaram a um ponto parecido.

Por que o escalonamento convencional não basta para robôs

Nos últimos anos, a embodied AI seguiu um roteiro conhecido. Pesquisadores coletaram cada vez mais dados de teleoperação, construíram modelos cada vez maiores, e os VLA (vision-language-action), junto com os WAM (world action models), vinham elevando regularmente o teto de capacidades nos laboratórios. Na implantação real, porém, o gargalo é outro. Basta trocar a plataforma ou o ambiente de trabalho para surgir a pergunta: quantas pessoas, quantos dados e quantas horas de GPU será preciso investir de novo? Milhares de horas de demonstrações coletadas para um robô se transferem mal para outro.

Essa é a parte mais cara da robótica. O modelo impressiona na demo, mas, em um armazém ou numa fábrica, precisa de meses de ajuste fino. Por isso, um trabalho que se propõe a oferecer uma nova forma de escalonar, e não apenas mais um ganho em benchmark, toca num ponto sensível do setor.

O que se sabe sobre o resultado

Os fatos-chave confirmados pela publicação:

• autores: Harvard, UC Berkeley e NVIDIA, ou seja, a academia mais uma fabricante de hardware para robótica;
• tema: estudo das leis de escalonamento para robôs;
• validação: cinco benchmarks;
• resultado: em média, +37,4 pontos sobre bons baselines;
• contexto da comparação: a classe de modelos VLA e WAM, hoje considerada de ponta em embodied AI.

Um ganho médio de 37,4 pontos nos cinco testes é incomumente alto. Em robótica, métodos novos costumam acrescentar alguns pontos percentuais, e saltos de dois dígitos aparecem quando muda a própria formulação do problema ou a distribuição da computação. A comparação com o o1 sugere justamente isso: nos LLMs, o efeito não veio de ampliar o conjunto de treinamento, mas de permitir que o modelo gastasse mais computação no próprio processo de resolução. Para robôs, em que um erro de ação custa mais caro que um erro em texto, essa mudança poderia ser especialmente visível.

O papel da NVIDIA e a questão do custo

A participação da NVIDIA faz sentido. A empresa mantém uma frente própria em robótica: simuladores, modelos de base para humanoides e infraestrutura de treinamento. Se ficar provado que a qualidade dos robôs cresce de forma previsível com mais computação em determinada etapa, isso significa demanda adicional por GPUs, tanto no treinamento quanto na inferência. Quando o robô "pensa" por mais tempo, a carga se aproxima do próprio dispositivo ou de servidores de borda.

O outro lado é evidente. Quanto mais computação cada decisão consome, mais rígidas ficam as restrições de latência e consumo de energia. Um robô em uma linha de montagem não pode passar segundos refletindo sobre cada movimento. Como os autores resolvem esse problema, só ficará claro com o artigo completo e com a reprodução dos resultados por grupos independentes.

O que as equipes que constroem robôs devem observar

A conclusão prática para empresas que adotam modelos VLA é esta: avalie não só a qualidade em uma única plataforma, mas também o custo de transferência para outra, isto é, quantos dados e quantas horas de GPU são necessários para recuperar o nível anterior de sucesso na tarefa. Se o novo trabalho mostrar que é possível crescer sem coletar novas demonstrações para cada robô, os orçamentos de teleoperação podem ser revistos.

Vale também olhar os próprios benchmarks e checar o quanto se aproximam dos seus cenários. Um ganho médio de dois dígitos em testes acadêmicos ainda não garante o mesmo efeito no chão de fábrica. Mas, como sinal de que a direção do escalonamento em robótica mudou, a publicação merece uma leitura atenta.