Introdução
Em um armazém na Califórnia, pesquisadores estão explorando uma nova fronteira no desenvolvimento de inteligência artificial física: o uso de ondas cerebrais para treinar robôs. A startup Encord, especializada em ferramentas de dados para IA, está conduzindo experimentos pioneiros que podem transformar a forma como ensinamos máquinas a realizar tarefas complexas no mundo real. Utilizando sensores de atividade cerebral durante o treinamento robótico, a empresa busca criar conjuntos de dados mais ricos e informativos que podem acelerar significativamente o desenvolvimento de robôs humanoides e sistemas de automação industrial.
O desafio dos dados para IA física
Enquanto modelos de linguagem como GPT e Claude foram treinados com vastos volumes de texto disponíveis na internet, a robótica enfrenta um obstáculo fundamental: a escassez de dados de manipulação física de alta qualidade. Vineeth Velmurugan, chefe de aprendizado robótico da Encord e veterano do laboratório de robótica da OpenAI, explica que simplesmente não existem dados suficientes para treinar robôs da mesma forma que treinamos chatbots. A empresa estima que seria necessário um conjunto de dados cinco vezes maior que todo o corpus de vídeos do YouTube para alcançar avanços significativos em IA física.
Essa limitação tem forçado empresas de robótica a buscar soluções criativas. Enquanto companhias de carros autônomos coletam seus próprios dados, essa abordagem é difícil de escalar para aplicações mais amplas. O treinamento baseado em vídeos, embora útil, carece da fidelidade necessária para ensinar manipulação precisa de objetos.
A inovação das ondas cerebrais
A Encord está testando uma abordagem revolucionária em parceria com a Zander Labs, uma startup alemã de neurociência. Durante as sessões de treinamento, operadores humanos (chamados de ‘pilotos’ pela empresa) usam headsets especiais que não apenas capturam vídeo do ponto de vista do operador, mas também medem sua atividade cerebral em tempo real. Esses sensores detectam estados mentais como erro, intenção e surpresa, criando uma camada adicional de informação extremamente valiosa.
Lucas Gehrke, neurocientista da Zander supervisionando o trabalho, destaca que a quantidade de atividade cerebral durante diferentes momentos de uma tarefa oferece pistas cruciais para os desenvolvedores de modelos. Essa informação pode ajudar a determinar quando é necessário implementar modelos de maior complexidade computacional versus quando abordagens mais simples são suficientes.
Metodologias complementares de coleta de dados
Além dos experimentos com ondas cerebrais, a Encord emprega duas metodologias principais para gerar dados de treinamento robótico. A primeira é o vídeo ‘egocêntrico’, coletado por trabalhadores usando câmeras em fábricas ao redor do mundo, frequentemente complementado com ângulos adicionais e outras métricas. A segunda utiliza configurações líder-seguidor, onde um braço robótico é controlado diretamente por um operador humano enquanto outro imita seus movimentos.
Durante uma demonstração, os pilotos da empresa trabalhavam em tarefas variadas: servir café de uma jarra em xícaras (uma tarefa surpreendentemente complexa devido aos respingos), empilhar fichas de pôquer e manipular cabos ethernet em servidores – exatamente o tipo de trabalho que operadores de data centers adorariam automatizar. O armazém da empresa está repleto de objetos do cotidiano: flores artificiais, livros, vegetais de plástico e caixas de areia para gatos, todos servindo como material de treinamento para futuros robôs domésticos.
O valor da anotação densa
Um diferencial crucial da abordagem da Encord é a anotação detalhada dos dados coletados. Cada vídeo é meticulosamente descrito com informações como ‘mão direita aperta parafuso’, permitindo que modelos baseados em LLMs compreendam melhor o que está acontecendo. Velmurugan estima que esse tipo de anotação densa vale 100 vezes mais que dados egocêntricos básicos para treinar tarefas específicas, embora custe apenas 20 vezes mais para produzir – uma troca vantajosa do ponto de vista econômico.
No entanto, esse ‘apenas 20 vezes mais’ representa um custo significativo. Diferentemente dos modelos de linguagem que foram treinados praticamente de graça com dados raspados da internet, a IA física requer manufatura ativa de dados, alterando fundamentalmente a economia do desenvolvimento desses modelos.
Implicações para o mercado brasileiro
Para o Brasil, essas inovações apresentam oportunidades e desafios únicos. Empresas brasileiras de automação industrial e logística poderiam se beneficiar enormemente de robôs mais capazes e intuitivos, especialmente em setores como agronegócio, manufatura e e-commerce. A capacidade de treinar robôs com dados enriquecidos por informações cerebrais pode acelerar a adoção de automação em tarefas que atualmente requerem destreza humana.
Por outro lado, o alto custo de geração desses dados pode representar uma barreira para startups locais que queiram competir neste espaço. Parcerias com universidades brasileiras que possuem laboratórios de neurociência e robótica poderiam ser uma estratégia viável para desenvolver capacidades similares localmente.
O futuro da força de trabalho em IA
O trabalho dos pilotos da Encord representa uma nova categoria profissional emergente: treinadores de robôs. Sofia Infante e Andrew Ceja, ambos ex-funcionários da Scale (outra empresa de anotação de dados para IA), exemplificam essa transição. Ceja, que anteriormente trabalhava em uma empresa de gestão de resíduos mantendo um robô classificador de lixo, agora encontra satisfação no desafio diário de resolver problemas de treinamento robótico.
Essa evolução sugere que, mesmo com o avanço da automação, surgirão novas oportunidades de emprego focadas em ensinar e aprimorar sistemas de IA. Para profissionais brasileiros, desenvolver habilidades em anotação de dados, operação de sistemas robóticos e compreensão básica de machine learning pode abrir portas neste mercado em crescimento.
Conclusão
O uso de ondas cerebrais para treinar robôs representa mais uma etapa na evolução da inteligência artificial física. Embora ainda em fase experimental, a abordagem da Encord demonstra como a criatividade e a inovação podem superar limitações fundamentais no desenvolvimento de IA. Para o mercado brasileiro, essas tecnologias prometem não apenas maior eficiência em processos industriais, mas também a criação de novas categorias de trabalho especializado. À medida que a fronteira entre cognição humana e inteligência artificial continua a se estreitar, empresas que souberem aproveitar essas sinergias estarão melhor posicionadas para liderar a próxima onda de automação inteligente.
Fonte original: Este artigo foi adaptado e traduzido a partir da matéria publicada em TechCrunch, disponível em https://techcrunch.com/2026/07/26/are-brain-waves-the-next-unlock-for-physical-ai/.
