Duas apostas diferentes sobre como um robô deveria aprender
A robótica clássica constrói uma tarefa à mão: módulos de percepção, um planejador, um solucionador de cinemática inversa, uma máquina de estados, e milhares de linhas de código de controle ajustadas para um robô, uma garra, um conjunto restrito de objetos. Ela oferece algo valioso — garantias formais sobre o que o sistema vai e não vai fazer —, mas não se transfere. Uma nova tarefa, ou um novo braço robótico, geralmente significa reescrever boa parte da pilha.
A aposta que remodela o campo desde 2023 é diferente: a mesma receita que produziu os grandes modelos de linguagem — conjuntos de dados enormes, um transformer, e escala — também deveria funcionar para o controle de robôs, descobrindo uma “variedade” geral para a habilidade física da mesma forma que descobriu uma para texto e imagens. Isso é uma hipótese, não um fato resolvido, e a evidência até agora é genuinamente mista. Esta página expõe o que de fato foi demonstrado, por quem, e o que as pessoas construindo esses sistemas dizem que ainda são problemas em aberto.
A primeira evidência: tokens de ação e transferência entre robôs
O RT-2 do Google DeepMind, publicado em julho de 2023, foi um teste inicial e concreto da ideia. Em vez de construir um módulo separado de previsão de ação, a DeepMind treinou tokens de ação de robô diretamente no próprio vocabulário de saída de um modelo de visão e linguagem, de modo que a mesma rede que descreve uma imagem em palavras também consegue emitir um comando motor (arXiv:2307.15818). Em 6.000 testes de avaliação, ele generalizou para objetos e cenários desconhecidos aproximadamente três vezes melhor do que referências anteriores específicas de tarefa — evidência de que o conhecimento visual e linguístico em escala da web de fato carrega alguma informação útil para manipulação.
Três meses depois, uma colaboração de 34 instituições foi além com o RT-X e o conjunto de dados Open X-Embodiment, reunindo dados de dezenas de tipos diferentes de robôs e treinando um único modelo de 55 bilhões de parâmetros em todos eles (arXiv:2310.08864). Isso mostrou um sucesso de habilidade emergente materialmente maior do que uma versão de 5 bilhões de parâmetros da mesma arquitetura — um sinal inicial de que a escala especificamente impulsiona a transferência entre diferentes corpos robóticos, não apenas dentro de um único corpo.
Um campo lotado de modelos de base para corpos
Esse resultado desencadeou uma onda de “modelos de base para robôs” construídos por empresas, cada um com uma arquitetura diferente e cada um fazendo afirmações que merecem ser lidas como afirmações de empresa, e não fato verificado de forma independente.
O π0 da Physical Intelligence (outubro de 2024) combinou o modelo de visão e linguagem PaliGemma com uma cabeça de ação de correspondência de fluxo, treinado em oito corporificações de robô, e demonstrou tarefas como dobrar roupa, limpar uma mesa, e ensacar compras. Incomumente para este campo, a Physical Intelligence disponibilizou em código aberto os pesos e o código como “openpi”, tornando o resultado reproduzível de forma independente, em vez de aceito por fé. Ainda assim, a própria avaliação da empresa foi direta: “políticas robóticas generalistas ainda estão em sua infância, e temos um longo caminho pela frente” (blog da Physical Intelligence, 31 de out. de 2024). Uma versão mais nova, π0.7, afirma generalização zero-shot entre corporificações de robô (arXiv:2604.15483), mas até o momento desta redação essa afirmação se apoia em um preprint que não foi replicado de forma independente.
A NVIDIA lançou o GR00T N1 em março de 2025 como o primeiro modelo de base humanoide de código aberto, depois o GR00T N1.7 em abril de 2026: um modelo de 3 bilhões de parâmetros treinado em 20.854 horas de vídeo egocêntrico humano e validado em três plataformas de robô diferentes, com pesos abertos no Hugging Face. A NVIDIA relatou que escalar esses dados de treinamento egocêntrico em aproximadamente vinte vezes “mais do que dobra a conclusão média de tarefas” em tarefas de destreza — uma afirmação que merece ser sinalizada como sendo da própria NVIDIA, já que nenhum parâmetro de referência independente a acompanha (blog do Hugging Face, 17 de abr. de 2026). Um sucessor, o GR00T N2, foi apresentado em prévia na GTC em março de 2026 como um “modelo de ação de mundo” que prevê estados futuros antes de agir; a afirmação da palestra principal da NVIDIA de que ele tem sucesso em tarefas inéditas “mais do que o dobro das vezes” em comparação com as principais referências continua sendo, até setembro de 2026, uma afirmação de produto ainda não lançado, e não uma testada.
O sucessor do RT-2 do Google DeepMind, o Gemini Robotics 2 (também chamado de ER 2), passou de demonstrações da parte superior do corpo para controle humanoide de corpo inteiro no Apollo 2 da Apptronik, incluindo o comando de uma mão de cinco dedos com 22 graus de liberdade para tarefas como amarrar nós e selar sacos. Os próprios números divulgados pela DeepMind são os mais francos do campo: 45,7–76,3% de sucesso em manipulação de corpo inteiro e um altamente variável 32–92% em destreza com múltiplos dedos, com a DeepMind afirmando claramente que “a manipulação destra com múltiplos dedos continua sendo um desafio” (blog da DeepMind, 30 de jul. de 2026). A própria manchete da Bloomberg sobre o lançamento colocou isso de forma ainda mais direta: os robôs do Google estão “com dificuldades com destreza” (Bloomberg).
O antes-e-depois mais claro: o Helix 02 da Figure
A ilustração mais clara isolada do que muda sob essa abordagem vem da Figure. Seu sistema Helix original (fevereiro de 2025) usava uma arquitetura de duas partes, “Sistema 1 / Sistema 2”: um modelo de visão e linguagem de 7 bilhões de parâmetros raciocinando a 7–9 Hz, alimentando um transformer de 80 milhões de parâmetros rodando controle motor fino a 200 Hz, treinado em apenas cerca de 500 horas de dados — a Figure diz que isso é menos de 5% do tamanho dos conjuntos de dados VLA anteriores (blog da Figure, 20 de fev. de 2025).
O Helix 02, lançado em janeiro de 2026, acrescentou uma terceira camada que a Figure chama de “Sistema 0”: um controlador de equilíbrio de corpo inteiro de 10 milhões de parâmetros e 1kHz, treinado inteiramente em simulação em mais de 200.000 ambientes, além de mais de 1.000 horas de movimento humano reorientado. A própria descrição que a Figure faz do que isso substituiu é a comparação mais nítida entre o antigo e o novo disponível em todo este campo: o Sistema 0 “substitui 109.504 linhas de C++ projetado à mão por um único prior neural para movimento estável e natural” (blog da Figure, 27 de jan. de 2026). Isso é o paradigma clássico da robótica — lógica de controle enumerada e ajustada à mão — sendo substituído por completo por um modelo aprendido, na própria contabilidade de uma empresa. A Figure demonstrou uma tarefa de carregar a lava-louças de quatro minutos e 61 ações sem reinício humano, ao mesmo tempo em que alertou, no mesmo comunicado, que “os resultados são preliminares”.
A Boston Dynamics e o Toyota Research Institute relatam uma descoberta relacionada, mas mais comedida, a partir do trabalho de “Large Behavior Model” no humanoide Atlas: capacidades que antes exigiam programação manual agora podem ser acrescentadas sem código novo, já que um único modelo tem controle direto de todo o robô (blog da Boston Dynamics, ago. de 2025). Um estudo de acompanhamento de 2026 constatou que, depois do ajuste fino específico de tarefa, um modelo de comportamento pré-treinado precisou de aproximadamente 3 a 5 vezes menos dados específicos de tarefa e foi mais robusto a condições em mudança do que treinar do zero (TRI) — um ganho de eficiência real e delimitado, não evidência de generalidade aberta.
O programa Optimus da Tesla é a exceção mais clara do campo em termos de transparência. Elon Musk e Ashok Elluswamy, que assumiu o Optimus em junho de 2025, descrevem a mesma arquitetura de ponta a ponta “fótons entram, controles saem” que a Tesla usa para seu software de assistência ao motorista. Diferente da DeepMind, da NVIDIA, da Physical Intelligence, ou da Figure, a Tesla não publicou um artigo técnico sobre essa arquitetura — apenas comentários em conferências e em teleconferências de resultados (Not a Tesla App, resumindo a teleconferência de resultados do segundo trimestre de 2026 da Tesla, ago. de 2026).
Recordes restritos não são competência geral
Os Jogos Mundiais de Robôs Humanoides em Pequim (22–26 de agosto de 2026) tornam concreta a distinção entre capacidade restrita e geral. Entre 2.056 robôs de 666 equipes, uma máquina, o Tiangong Ultra, correu os 100 metros em 8,64 segundos — mais rápido do que o recorde mundial humano de 9,58 segundos de Usain Bolt. No mesmo torneio, a cobertura dos eventos de futebol, boxe, e levantamento de peso descreveu robôs com dificuldades em condições não estruturadas e com muito contato físico (Al Jazeera). Um sprint repetível e projetado não é a mesma conquista que competência flexível em um ambiente imprevisível, e os Jogos ilustram essa lacuna na mesma semana, e não de forma abstrata.
A visão fundamentada
Vincent Vanhoucke, que dirige a robótica no Google DeepMind, oferece a verificação de realidade mais afiada disponível sobre toda essa tendência: “a maioria — senão todas — as abordagens de aprendizado de robôs não podem ser implantadas para nenhuma tarefa prática”, porque a implantação real exige “99,X por cento ou mais de precisão e confiabilidade”, quando demonstrações acadêmicas relatam aproximadamente 80% de sucesso — em suas palavras, “uma fera fundamentalmente diferente”, não um problema de escala a ser resolvido com mais dados (IEEE Spectrum, 28 de maio de 2024).
Rodney Brooks, o roboticista do MIT que cofundou a iRobot e a Rethink Robotics, insiste ainda mais em por que o treinamento por imitação de vídeo em particular pode ser o substrato errado: o toque envolve um canal que os pipelines atuais nunca capturam, com pesquisa em neurociência que ele cita identificando pelo menos quinze famílias distintas de neurônios sensores de toque na pele humana. Ele chama as demonstrações de manipulação de hoje de precoces e limitadas, e descarta afirmações de que os humanoides alcançarão destreza geral em nível humano dentro de décadas como “pensamento de pura fantasia” (TechCrunch, 26 de set. de 2025).
As duas coisas são verdadeiras ao mesmo tempo. A abordagem de modelo de base produziu transferência real e medida entre robôs que o controle programado à mão nunca alcançou, e todo laboratório crível publicando números — não apenas os céticos — relata taxas de sucesso bem aquém do que a confiabilidade industrial e doméstica de fato exige.