Introdução
O setor de robótica está vivendo um momento crucial de transformação. Enquanto os avanços em Large Language Models (LLMs) revolucionaram a inteligência artificial nos últimos anos, a aplicação dessas tecnologias em robôs físicos ainda enfrenta desafios significativos. Especialistas do setor afirmam que a robótica está saindo de sua “era GPT-2” – uma referência ao modelo da OpenAI que precedeu o revolucionário ChatGPT – e começando a acelerar rumo a capacidades mais sofisticadas que podem transformar manufatura, logística e automação industrial nos próximos anos.
A recente volatilidade no mercado ilustra bem esse momento de transição. A Unitree, líder chinesa em robótica, viu sua avaliação despencar quase pela metade após um IPO inicial de US$ 66 bilhões, evidenciando a lacuna entre as expectativas do mercado e a realidade atual: robôs com capacidades físicas impressionantes, mas ainda incapazes de realizar trabalhos que gerem valor real de forma consistente.
O desafio dos dados na robótica física
Durante a conferência Actuate, que triplicou de tamanho desde 2023 e reuniu 1.500 desenvolvedores especializados em IA para robôs, ficou evidente tanto o entusiasmo quanto os riscos do setor. Um cartaz no estande da Avala, empresa de infraestrutura para IA física, prometia resolver “a crise de dados da robótica” – uma referência direta ao principal gargalo que impede o avanço da área.
Diferentemente dos LLMs, que podem ser treinados com vastas quantidades de texto disponível na internet, os modelos de IA para robótica sofrem com a escassez de dados de treinamento de alta qualidade. Tentativas de criar robôs generalistas capazes de executar qualquer tarefa ainda estão distantes da realidade comercial, e mesmo o aprendizado de ponta a ponta para tarefas específicas não tem entregado produtos com desempenho confiável o suficiente para uso comercial.
Harry Mellsop, fundador da Antioch, startup que desenvolve ferramentas de simulação para construtores de modelos, sugere que a IA física está em sua “era GPT-2”. Para superar essa fase, será necessário não apenas mais dados e poder computacional, mas especialmente GPUs otimizadas para ray tracing, essenciais para criar simulações de alta fidelidade que possam acelerar o treinamento dos modelos.
Veículos autônomos lideram o caminho
O setor de veículos autônomos está na vanguarda do desenvolvimento de IA física, beneficiando-se de duas vantagens cruciais: a capacidade de coletar dados relevantes de carros dirigidos por humanos e o fato de que sua tarefa principal é evitar contato, não manipular o ambiente físico. Não por acaso, muitas das ferramentas para construção de modelos vêm de empresas do setor automotivo – a própria Foxglove foi fundada por ex-funcionários da Cruise, o projeto de direção autônoma da General Motors.
Essa expertise acumulada está levando empresas automotivas a expandir suas ambições. Tesla já está explorando esse caminho com seu robô Optimus, e agora tanto a Wayve, focada em veículos autônomos, quanto a gigante de transporte Uber lançaram laboratórios de robótica dedicados a humanoides como projetos de pesquisa e desenvolvimento.
Alex Kendall, CEO da Wayve, explicou ao TechCrunch sua visão estratégica: “Acho que você precisa começar com veículos… robótica de manipulação é como direção autônoma há cinco anos. A infraestrutura de dados, simulação e operações de ML provavelmente será compartilhada, mas o modelo de mundo específico para o simulador será um pós-treinamento diferente.”
O dilema entre especialização e generalização
Um dos debates mais acalorados no setor gira em torno do foco do negócio. Empresas que miram tarefas específicas estão conseguindo colocar robôs em campo – a Gritt constrói fazendas solares, a Agility implanta robôs em ambientes industriais e a Bedrock opera escavadeiras autonomamente. Enquanto isso, humanoides de propósito geral permanecem confinados aos laboratórios.
Théophile Gervet, CEO da Genesis AI, empresa de robótica humanoide integrada verticalmente que levantou US$ 105 milhões em rodada seed este ano, articula bem o dilema: “Nenhum cliente se importa com o robô de propósito geral que funciona com 80% de taxa de sucesso. Vemos muitos outros players indo para o geral, mas não há valor fornecido porque não há foco vertical… mas então, se você está construindo para um vertical estreito em cima do GPT-2, você será esmagado pela empresa construindo em cima do GPT-4.”
A tentação de investir em um vertical específico é forte porque fornece não apenas receita, mas também dados cruciais de implantação no mundo real. Kevin Peterson, CTO da Bedrock, observou que sua empresa está começando com escavação como forma de entender os desafios da “manipulação em ambiente real”, mas planeja desenvolver uma camada de inteligência que se estenda por várias máquinas de construção.
Infraestrutura e ferramentas para acelerar o desenvolvimento
O gerenciamento de dados continua sendo um desafio significativo, especialmente devido à densidade de dados visuais e lidar. A Foxglove anunciou um novo produto construído sobre o modelo de mundo Cosmos da Nvidia, que permite aos engenheiros pesquisar esses dados com consultas sofisticadas em linguagem natural para construir avaliações e simulações. O objetivo é acelerar a triagem e depuração para que os construtores de modelos possam iterar mais rapidamente.
Essa evolução nas ferramentas de desenvolvimento é crucial para o setor. Assim como o desenvolvimento de frameworks como TensorFlow e PyTorch acelerou o progresso em machine learning, a criação de infraestrutura especializada para IA física pode ser o catalisador necessário para desbloquear o próximo salto em capacidades robóticas.
O que isso significa para o mercado
A busca pelo “momento ChatGPT” da IA física – aquele ponto de inflexão onde a tecnologia se torna irresistível para consumidores e não apenas investidores – está moldando as estratégias do setor. Para Kendall, esse momento virá quando conseguirmos “autonomia sem supervisão por menos de US$ 1.000 em hardware em um carro”. Para Gervet, será quando a “manipulação funcionar direto da caixa” com confiabilidade superior a 80% para tarefas básicas comandadas em linguagem natural.
Adrian Macneil, CEO da Foxglove, oferece uma perspectiva mais pragmática: “Não haverá um momento ChatGPT para robótica. O que tornou o ChatGPT um momento no tempo foi a distribuição – eles foram de zero para um milhão de usuários ativos em uma semana. Distribuição no mundo real é muito mais difícil.” Ele prefere pensar em termos de um “momento Apple II” ou “momento IBM PC” para robótica – quando consumidores poderão comprar um robô doméstico que faça coisas úteis e divertidas.
Para o mercado brasileiro, essas tendências sinalizam oportunidades significativas. À medida que a tecnologia amadurece, setores como agronegócio, mineração e manufatura – pilares da economia nacional – poderão se beneficiar de soluções robóticas mais acessíveis e confiáveis. Empresas locais que investirem agora em capacitação e parcerias estratégicas estarão melhor posicionadas quando a IA física atingir seu ponto de inflexão comercial.
Conclusão
A robótica física está em um momento de transição fascinante. Saindo de sua “era GPT-2”, o setor enfrenta desafios significativos em dados, hardware e modelos de negócio, mas o progresso é inegável. A convergência de avanços em IA, melhor infraestrutura de desenvolvimento e aprendizados do setor de veículos autônomos está criando as condições para um salto qualitativo nos próximos anos.
O caminho à frente provavelmente não será marcado por um único momento revolucionário como o ChatGPT, mas por uma série de avanços incrementais que gradualmente tornarão os robôs mais capazes e acessíveis. Para empresas e investidores, o desafio será equilibrar a paciência necessária para o desenvolvimento de longo prazo com a urgência de capturar oportunidades em um mercado que está prestes a acelerar significativamente. O futuro da automação está sendo construído agora, e quem souber navegar essa transição estará na vanguarda da próxima revolução industrial.
Fonte original: Este artigo foi adaptado e traduzido a partir da matéria “Robot brain builders are pushing out of their GPT-2 era” publicada em TechCrunch, disponível em https://techcrunch.com/2026/08/26/robot-brain-builders-are-pushing-out-of-their-gpt-2-era/.
