IA Incorporada
Por que isso importa
Em profundidade
Um sistema de IA incorporada executa um loop contínuo: sensores — câmeras, sensores de profundidade, encoders de articulações, às vezes tato — alimentam uma pilha de percepção, um modelo de política transforma essas observações em comandos de ação, e motores os executam no mundo físico, produzindo novas observações. Robôs mais antigos rodavam esse loop em pipelines projetados à mão, com módulos separados para mapeamento, planejamento e controle. A onda atual substitui o máximo possível desse pipeline por uma única rede neural grande, tomando emprestado diretamente o manual da categoria Modelo de linguagem grande: um backbone Transformer recebe quadros de câmera mais uma instrução em linguagem natural e produz comandos motores. A aposta subjacente é que a receita que produziu modelos de texto fluentes — dados em massa, modelos em massa, pré-treinamento auto-supervisionado — também pode produzir habilidades físicas gerais, agora que modelos com capacidade Multimodal conseguem ver e raciocinar sobre imagens.
Modelos de Visão, Linguagem e Ação
A arquitetura característica dessa onda é o modelo de visão, linguagem e ação, ou VLA. Um VLA parte de um modelo pré-treinado de visão e linguagem que já compreende imagens e texto e depois acrescenta uma saída de ação: comandos motores são discretizados em tokens, e o modelo os prevê da mesma forma que um chatbot prevê palavras. O RT-2 do Google DeepMind, publicado em 2023, mostrou por que isso importa — instruído a pegar "um animal extinto", o robô escolheu um dinossauro de brinquedo, usando conhecimento do pré-treinamento em imagens e textos em escala web que nunca apareceu em seus dados de treinamento robótico. O π0 (pi-zero) da Physical Intelligence estendeu a ideia a uma política generalista treinada em várias plataformas robóticas, e laboratórios de robótica de empresas como a Figure hoje constroem internamente suas próprias pilhas VLA. O atrativo é o reaproveitamento: o modelo herda da internet conhecimento de senso comum sobre objetos, linguagem e cenas, e apenas a camada motora precisa ser aprendida do zero.
O Problema dos Dados
Dados são a restrição vinculante do campo. Modelos de linguagem treinam em trilhões de tokens coletados da internet pública, mas não existe uma internet de ações robóticas: nenhum corpus preexistente que associe filmagens de câmera aos comandos motores exatos que realizaram uma tarefa. A abordagem direta é a teleoperação, em que operadores humanos controlam robôs remotamente ou vestem equipamentos de captura de movimento para demonstrar tarefas como dobrar camisas ou carregar lava-louças. Isso produz dados de alta qualidade, mas lentamente — uma operação bem administrada pode coletar milhares de demonstrações por dia, enquanto uma política de propósito geral provavelmente precisa de milhões. A transferência entre corpos torna tudo pior: dados coletados em um braço robótico se transferem mal para outro com geometria diferente, portanto cada plataforma de hardware reinicia o problema de coleta.
O outro caminho é a simulação. Políticas são treinadas com Aprendizado por reforço dentro de simuladores de física como o Isaac Sim da NVIDIA, em que milhões de tentativas custam apenas tempo de GPU, e depois transferidas para hardware real — o pipeline sim-to-real. Como a física simulada nunca corresponde exatamente à realidade, engenheiros randomizam iluminação, texturas, atrito e massas dos objetos durante o treinamento, um truque chamado randomização de domínio que força a política a ignorar as diferenças. Dados Sintéticos da simulação hoje complementam demonstrações reais na maioria dos programas sérios, e um caminho baseado em Modelo de Mundo aprendido promete uma terceira fonte: treinar políticas dentro das previsões de uma rede neural, em vez de um simulador construído à mão. Nenhuma dessas abordagens produziu ainda uma lei de escala verificada para habilidade física, e, até que uma apareça, a economia da coleta de dados decide quem consegue competir.
A Parte Difícil Não é Pensar
Um equívoco comum é que robôs estejam atrás de chatbots porque o modelo por trás deles é mais fraco, de modo que um LLM maior fecharia a lacuna. A realidade está mais próxima do paradoxo de Moravec: habilidades que adultos acham fáceis — atravessar uma sala desorganizada, pegar um copo que cai, dobrar roupa — são computacionalmente brutais, enquanto jogar xadrez ou passar no exame da ordem acabou sendo relativamente fácil. Modelos de linguagem parecem sobre-humanos em parte porque texto é um canal limpo e completo: tudo o que o modelo precisa saber sobre uma frase já está dentro da frase. O mundo físico não oferece esse luxo. Forças de contato são difíceis de simular e ainda mais difíceis de sentir, objetos deformam e escorregam, e um erro não pode ser desfeito com backspace. Conectar símbolos abstratos a referentes físicos — o antigo problema de Grounding — é exatamente o que um corpo força um modelo a resolver, razão pela qual um sistema que escreve sonetos ainda pode fracassar ao rosquear uma lâmpada.
Por que Humanoides, e por que Agora
As máquinas de referência da onda atual — os humanoides da Figure, o Optimus da Tesla, H1 e G1 da Unitree — perseguem todas o mesmo argumento: o mundo construído foi projetado para o corpo humano, portanto um robô com forma humana herda escadas, maçanetas, ferramentas e estações de trabalho de graça. Céticos respondem que rodas são mais eficientes que pernas e que os maiores sucessos comerciais da robótica até agora, como os robôs de movimentação de armazéns da Amazon, não se parecem em nada com pessoas. O que mudou para tornar a aposta humanoide crível foi o software, não o hardware. Custos de atuadores e câmeras caem há anos, mas apenas a ascensão da tecnologia de Modelo de fundação tornou plausível que uma única política pudesse lidar com a cauda longa da variação no mundo real, em vez de exigir um engenheiro especialista por tarefa. Se pernas vencem rodas importa menos do que saber se essa generalização funciona.
Como é a Implantação Real
As implantações reais de hoje são estreitas e muito supervisionadas. Pilotos com humanoides rodam em fábricas automotivas e armazéns em tarefas delimitadas, como mover caixas e separar peças, normalmente com operadores humanos remotos prontos para assumir quando a política se confunde. Regras de segurança ainda isolam robôs das pessoas, tanto porque as políticas falham de maneiras imprevisíveis quanto porque os regimes de certificação estão atrás da tecnologia. Computação também é uma restrição: a política precisa rodar na frequência do loop de controle em hardware embarcado, o que empurra equipes para modelos pequenos e destilados e inferência por Edge AI, em vez de cérebros na escala de centros de dados. O resumo honesto é que a IA incorporada em meados dos anos 2020 está aproximadamente onde os modelos de linguagem estavam pouco antes de sua explosão — as demonstrações impressionam, a economia não foi provada, e o ritmo de melhoria, não a capacidade atual, é o verdadeiro argumento.