Unitree UnifoLM-VLA-0: robôs chineses aprendem a pensar com as mãos

Por muito tempo observamos os robôs humanoides como peças impressionantes de maquinário que sabiam fazer piruetas, mas entravam em pânico diante de uma maçaneta ordinária. O problema não estava nos motores, mas na "cabeça". E agora Unitree, uma empresa que já nos acostumou com robôs acessíveis, decidiu levar a inteligência artificial a sério.

Eles abriram o código-fonte do UnifoLM-VLA-0, e este evento pode mudar as regras do jogo na indústria mais rápido do que parece à primeira vista. Estamos finalmente transitando de redes neurais simples que apenas falam, para modelos como VLA (Vision-Language-Action), capazes de controlar um corpo físico no espaço real. Para entender a escala, precisamos lembrar como os robôs costumavam aprender.

Geralmente era lógica de software rígida ou aprendizado por reforço para uma tarefa específica e estreita. Se você ensinasse um robô a abrir uma geladeira, era tudo que ele podia fazer. UnifoLM-VLA-0 funciona de forma diferente.

É um descendente de grandes modelos de linguagem que passou por ajuste fino em dados específicos de interação física. O resultado é um "cérebro encarnado" que entende o contexto. Ele não apenas vê uma maçã na mesa, ele entende como pegá-la, com que força apertá-la e onde colocá-la, baseado no comando textual do usuário.

A coisa mais irônica aqui é que Unitree escolheu o caminho da abertura. Enquanto gigantes ocidentais e até alguns concorrentes chineses constroem "jardins murados", ocultando a arquitetura de seus sistemas de controle, Unitree coloca suas cartas na mesa. Este é um cálculo estratégico.

Ao abrir o código-fonte do UnifoLM-VLA-0, eles estão essencialmente convidando milhares de desenvolvedores em todo o mundo para testar, melhorar e adaptar seu modelo para uma ampla variedade de hardware. Este é um movimento clássico do manual de história de software: se você não consegue vencer a todos sozinho, torne-se o padrão para todos. Se amanhã cada segundo projeto de pesquisa em robótica usar os cérebros da Unitree, a questão da liderança industrial se resolverá sozinha.

Tecnicamente, o modelo UnifoLM-VLA-0 tenta fechar a lacuna entre compreensão visual (VLM) e ação real. Modelos ordinários frequentemente alucinam ou não entendem as leis da física — podem "dizer" que levantaram uma xícara, mas sua mão virtual passará através dela. A nova arquitetura da Unitree visa dar ao robô o que os engenheiros chamam de "senso comum físico".

Este é o conhecimento de que os objetos têm peso, atrito e inércia. Sem isto, humanoides permaneceriam brinquedos caros de exposição, capazes apenas de acenar para pedestres em um ciclo pré-gravado. O que isto significa para nós?

Provavelmente veremos um salto acentuado nas capacidades de robôs domésticos e de armazém nos próximos um ou dois anos. Quando o software se torna bem comum, o progresso se acelera exponencialmente. Já vimos isso com modelos de linguagem após o lançamento do LLaMA.

Agora é a vez do mundo físico. Claro, um robô mordomo em pleno funcionamento ainda está longe, mas o fundamento na forma de um "cérebro" aberto já foi lançado. Agora depende da comunidade, que deve ensinar esse cérebro não apenas a entender comandos, mas também a não quebrar tudo no processo de executá-los.

O ponto-chave: Unitree está apostando em código aberto, tentando se tornar o "Android" do mundo da robótica. Os sistemas proprietários fechados como Tesla Optimus conseguirão resistir à competição com a inteligência coletiva dos desenvolvedores?