Ao vivo 18/11 · Turma 318 nov às 19:00 MSK — aula prática gratuita de agentes de IA · Turma 3 ao vivo começa 23/11Aula 18/11 →Turma 3 (23/11)
LançamentoAnálise · No radarMIT Technology Review→ original

Como OpenAI, Google e Figure estão mudando o treinamento de robôs: uma breve história da abordagem

Até pouco tempo atrás, a robótica funcionava no modo "sonhamos com o C-3PO, lançamos o Roomba". Agora a lógica está mudando: em vez de regras rígidas, os robôs são treinados em simulações, com demonstrações humanas e em grandes modelos vision-language-action. A mudança já aparece no dinheiro: em 2025, foram investidos 6,1 bilhões de dólares em robôs humanoides. Mas o assistente doméstico universal ainda está longe. Segurança, fragilidade e escassez de dados reais seguem como obstáculos.

Processado por IA de MIT Technology Review; editado por Hamidun News
Como OpenAI, Google e Figure estão mudando o treinamento de robôs: uma breve história da abordagem
Fonte: MIT Technology Review. Colagem: Hamidun News.
Ouvir artigo

A robótica vive mais do que um novo ciclo de evolução do hardware. O que está mudando é a própria lógica de treinamento: as máquinas são cada vez menos programadas à mão e cada vez mais treinadas com dados, simulações e grandes modelos multimodais. Por muito tempo, o setor conviveu com uma distância evidente entre ambição e resultado.

Engenheiros sonhavam com robôs dignos da ficção científica: assistentes universais capazes de circular pelo mundo real, entender pessoas e executar dezenas de tarefas com segurança. Na prática, durante décadas o mercado se sustentou principalmente com sistemas mais restritos, como braços robóticos para fábricas, manipuladores de armazém e dispositivos domésticos do tipo robô aspirador. O problema não era a falta de mecânica.

Os robôs simplesmente lidavam mal com ambientes imprevisíveis. Qualquer desvio do roteiro, como um objeto novo, outro ângulo de visão ou uma mudança na iluminação, rapidamente quebrava seu comportamento. A primeira grande virada veio com o aprendizado por tentativa e erro.

Nos anos 2010, os pesquisadores de robótica passaram a usar intensamente reinforcement learning e simuladores, em que a máquina pode treinar milhões de vezes sem o risco de danificar equipamentos caros. Um exemplo emblemático é o Dactyl, braço robótico da OpenAI treinado em simulação para manipular um cubo mágico, com a habilidade depois transferida para o mundo real. A ideia central foi a domain randomization: durante o treinamento, mudavam os parâmetros do ambiente, o atrito, a massa dos objetos, a imagem das câmeras e outros detalhes.

Assim, o robô aprendia um comportamento robusto em uma ampla faixa de condições, e não um único cenário ideal. Em paralelo, avançava o aprendizado por demonstração: os robôs passaram a ser ensinados a partir de ações humanas, em vez de terem cada regra escrita manualmente. Mas isso ainda não bastava.

As simulações aceleravam o treinamento, porém a distância entre o ambiente virtual e o físico não desaparecia, e os dados reais continuavam caros e raros. Por isso, a etapa seguinte começou quando a robótica incorporou as abordagens do boom dos grandes modelos. Em vez de sistemas separados para cada tarefa, os pesquisadores passaram a reunir grandes conjuntos de trajetórias, imagens, instruções em texto e ações.

No Google, o modelo RT-1 foi treinado com 130 mil episódios coletados por uma frota de 13 robôs, cobrindo mais de 700 tarefas. O RT-2 foi além: combinou dados de robótica com dados da web de modelos vision-language, para que o robô pudesse não só repetir um movimento conhecido, mas também tirar conclusões mais gerais a partir de um comando em linguagem natural. A mesma virada aparece em projetos que tentam escalar o treinamento para diferentes tipos de máquina ao mesmo tempo.

No conjunto Open X-Embodiment, os pesquisadores reuniram dados de 22 robôs de 21 instituições e descreveram centenas de habilidades, para que os modelos pudessem transferir experiência entre plataformas em vez de começar do zero a cada novo manipulador. Sobre essa base se constrói a ideia de foundation models para o mundo físico: uma inteligência de base que passa por fine-tuning para um corpo, uma garra ou um ambiente de trabalho específico. Startups como Figure, Apptronik, Covariant e Physical Intelligence já montam em torno disso uma estratégia que vai além da pesquisa e chega ao plano comercial.

Nesse contexto, o mercado também se aqueceu. Em 2025, empresas e investidores aplicaram 6,1 bilhões de dólares em robôs humanoides, quatro vezes mais do que no ano anterior. O dinheiro não chega porque os robôs já sabem fazer tudo, e sim porque surgiu um caminho mais plausível para continuar treinando-os no ambiente real.

Ainda assim, o robô universal continua distante. As máquinas ainda têm dificuldade com longas sequências de ações, manipulação fina de vários objetos ao mesmo tempo, trabalho em espaços bagunçados e interação segura com pessoas sem uma cena preparada com antecedência. Diferentemente dos modelos de linguagem, um robô não pode simplesmente errar em um texto: uma falha significa um objeto no chão, uma quebra, tempo parado ou risco para uma pessoa.

Por isso, o setor avança por um caminho híbrido: mais simulações, mais dados reais vindos das frotas, mais modelos gerais, mas também mais restrições de segurança e de economia. A conclusão principal é simples: o avanço da robótica hoje tem menos a ver com um novo tipo de corpo e mais com um novo modelo de treinamento. O setor está saindo de um mundo em que cada movimento precisava ser programado de antemão para outro em que o comportamento pode primeiro ser aprendido, depois transferido para outro robô e então aprimorado em operação.

Ainda não é o androide doméstico prometido pela ficção científica, mas já é uma trajetória de engenharia clara, e é por causa dela que os robôs voltaram a ser uma grande aposta para pesquisadores e investidores.

História
ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…