Will Knight quer um robô que alimente sua gata. O jornalista sênior da WIRED, que cobre inteligência artificial, tem uma gata bengal chamada Leona e um plano: um pequeno robô ambulante que a encontre, abaixe a cabeça e deixe cair um petisco de um compartimento impresso para ficar encaixado em cima dele. O petisco não é a novidade. A novidade é que o robô já funciona em software e que um modelo de IA fez a maior parte do treinamento que um engenheiro de robótica normalmente teria de realizar à mão.

O robô é um Microduck virtual, o bípede em formato de pato da Pollen Robotics, braço de robótica da Hugging Face. Knight ensinou o robô a andar por um cômodo sem tombar e a identificar qualquer gata bengal por perto. Segundo ele, o trabalho levou algumas horas, quando antes talvez tivesse levado semanas. Sua coluna chama isso de futuro da robótica. Está certa pela metade. O ciclo de treinamento encolheu. O que existe de cada lado dele quase não mudou.

O que o modelo realmente fez

Knight combinou o GPT-6 Sol, da OpenAI, com o Hermes, uma estrutura para agentes da Nous Research, executados em um Nvidia DGX Spark, computador de mesa construído em torno de um poderoso chip de IA. O modelo fez mais do que escrever código. Por meio do Nvidia Isaac Sim, enviou instruções ao modelo que controlava o pato simulado, assistiu a vídeos do pato em ação, avaliou o andamento e sugeriu mudanças no regime de treinamento. Executar, observar, ajustar, repetir: essa é a parte lenta e pouco glamourosa do aprendizado robótico — e foi ela que acabou automatizada.

Laboratórios profissionais relatam a mesma mudança. Na UC Berkeley, o grupo do professor Ken Goldberg deu ao modelo Astra, da OpenAI, acesso a uma ferramenta da Nvidia chamada Newton, mostrou a ele um vídeo de um robô real e pediu que reconstruísse a cena como uma simulação. “O que deixou todos nós de queixo caído foi que, em uma hora, ele havia produzido uma simulação 3D completa, com todos os parâmetros definidos — a posição da câmera, a iluminação, o plano de fundo, todos os materiais”, disse Goldberg à WIRED. Astra também consegue executar os experimentos e analisar os resultados, afirma ele, assumindo boa parte do trabalho árduo de treinar um robô em uma simulação.

O método já tem nome. O ASPIRE, uma estrutura entre cujos autores estão Goldberg e Jim Fan, da Nvidia, usa um grande modelo de linguagem para escrever o código de controle de um robô, ler os registros de execução quando algo dá errado, corrigir o programa e guardar a solução funcional em uma biblioteca de habilidades que pode ser reutilizada em tarefas futuras. O laboratório de Fan na Nvidia publicou no GitHub o código da versão 1.0, sob licença Apache 2.0, em meados de outubro, segundo o ToolNavs e o RuntimeWire. Em uma demonstração, braços robóticos aprendem a montar um cubo mágico. “Ele pega o cubo, tenta girá-lo, mas usa o ângulo errado”, disse Fan à WIRED. “Então, fica raciocinando por muito, muito tempo, mas acaba conseguindo resolvê-lo porque aprende as habilidades com o tempo.”

A habilidade que ficou barata é alugada

Eis o que a ideia de “robótica vibe” deixa de fora. O artigo sobre o ASPIRE afirma claramente que seu desempenho depende do modelo de ponta que está por baixo. Com o Claude Opus 5.5, da Anthropic, o sistema registra uma taxa média de sucesso de 99% nas 80 tarefas de manipulação do LIBERO-Pro — um número divulgado pelos próprios pesquisadores e que ainda não foi reproduzido de forma independente. A lista de limitações do próprio projeto diz que o sistema depende de um modelo de ponta congelado e que ainda não foi verificado se modelos menores conseguem manter o mesmo ciclo de depuração.

Levando isso às últimas consequências: o pato de um entusiasta e o braço de um laboratório de Berkeley agora aprendem mais ou menos tão bem quanto o grande modelo que conseguem acessar. A experiência em engenharia que antes era uma barreira de entrada na robótica não desapareceu. Boa parte dela agora está dentro do modelo de ponta que o desenvolvedor pode pagar para usar.

O pato ainda está na fila

O outro lado do ciclo é o hardware, e Knight ainda está esperando o dele. A Pollen abriu as encomendas antecipadas do Microduck por US$ 399 no fim de agosto, com previsão de entrega antes do Natal. A Business Insider informou que os pedidos ultrapassaram US$ 2,6 milhões nas primeiras 24 horas, citando Thomas Wolf, cofundador da Hugging Face, e logo a página de compra passou a indicar um prazo de quatro a seis meses para novos pedidos. O Gadget Flow informa que a loja agora avisa que as encomendas atuais só serão enviadas depois de abril de 2027. O treinamento em simulação é o caminho previsto: o fluxo de trabalho da própria Pollen permite que os donos treinem comportamentos em um pato virtual e os transfiram para o robô físico. Mas uma política à espera de um corpo ainda não encontrou um tapete, o pé de um sofá ou uma gata que se recuse a cooperar.

Knight não esconde o restante. Segundo ele, o sistema de visão do pato ainda não funciona bem o bastante para ser usado em um produto real. Quando enviou ao modelo um GIF de Michael Jackson para ensiná-lo a fazer o moonwalk, horas de trabalho produziram o que ele chama de uma corrida para trás bastante animada. Os autores do ASPIRE apontam o mesmo conjunto de lacunas para o uso no mundo real: detecção confiável de sucesso, reinicializações seguras, monitoramento de segurança e calibração. Todas têm a ver com saber o que realmente aconteceu em um ambiente físico — justamente algo que um simulador não pode contar.

Para onde vai o dinheiro

Nada disso está diminuindo o interesse. Goldberg diz que várias empresas de robótica industrial e automação demonstraram interesse pela abordagem, e Knight argumenta que a velocidade pode em breve ter um grande impacto na indústria e no comércio eletrônico. Na Conference on Robot Learning, em Austin, nesta semana, Fan usou sua palestra principal para mostrar Astra assumindo o controle de um braço robótico e pintando a Golden Gate Bridge com tintas e pincéis que estavam por perto.

A consequência é uma mudança no lugar onde os erros acontecem. Quando treinar um comportamento robótico custa horas em vez de semanas, as equipes vão treinar muito mais deles, e o passo que se torna escasso é comprovar quais são seguros fora do simulador. Um petisco que cai fora do pote de Leona é uma forma barata de aprender essa lição. Um braço de armazém executando uma habilidade escrita por um modelo e que ninguém testou no piso real é uma forma cara.

Tags: nvidia, Hugging Face, Microduck, Pollen Robotics, robôs

O jornalista Will Knight usou IA para treinar em horas um Microduck virtual que procura seu gato

O que o modelo realmente fez

A habilidade que ficou barata é alugada

O pato ainda está na fila

Para onde vai o dinheiro

Conteúdo similar

Hugging Face aposta que um pato de 399 dólares vai provar que a IA física é para o lar, não para o laboratório

GR00T 2, da Nvidia, aprende tarefa de robô com cinco demonstrações e acerta 95% das vezes

Agente de IA guiou uma agulha até o cérebro de um camundongo vivo após recusa do Claude Opus

Baidu treina seus robotáxis com ciclistas e cachorros que não existem

Mark Zuckerberg apresenta o Muse Charm: “Colocamos muita tecnologia neste carinha”

Malware Volta vasculha seus recibos do Gmail e pergunta a uma IA quanto você vale

Discussão