Na última vez, cobrimos o momento GPT-3 da IA encarnada que aprende assistindo uma única vez. Desta vez, o sinal vai mais fundo: dois humanoides rivais compartilhando um mesmo cérebro de propósito geral.
Um vídeo não editado de apenas 10 minutos acabou de fazer algo que nenhum comercial de robô bem produzido conseguiu em anos: deixou toda a indústria de IA encarnada em silêncio. O clipe — sem logotipo, sem créditos, sem narração, gravado num apartamento alugado de 15 metros quadrados, com má iluminação e um corredor onde você mal consegue se virar — mostra dois robôs humanoides trabalhando lado a lado sob um único “cérebro de propósito geral” compartilhado. Eles são rivais de mercado: Unitree G1 (1,3 m) e Zhiyuan (AgiBot) Expedition A3 (1,7 m). Sem cortes, sem roteiro, sem teleoperação, sem comandos humanos. Em dez minutos, eles limpam uma janela, deduzem que a mancha teimosa está do lado de fora e se inclinam para limpá-la, tiram roupas da máquina de lavar, separam e guardam as roupas, decidem o que vai na geladeira, arrumam uma escrivaninha, penduram um cachecol um no outro — e, quando um não alcança o armário, chuta uma caixa para mais perto e sobe nela. O vídeo é tosco. A afirmação não é.
Por que isso é uma mudança de paradigma, não uma demo melhor
Nos últimos dois anos, a indústria ficou dividida entre duas rotas, e ambas estão batendo na mesma parede. Modelos VLA (Vision-Language-Action) como RT-2 e OpenVLA aprendem um mapeamento estatístico de pixels para ações — “intuição de dados”. São rápidos e leves, mas não entendem de física; perturbe levemente a cena e eles alucinam ações, o erro se acumula em horizontes longos e eles ficam presos a um corpo de robô específico. WAM (World Action Model) faz a aposta oposta: prever como o mundo ficará após uma ação e, então, derivar a ação a partir desse futuro imaginado. Tem capacidade de antecipação, mas sofre com uma lacuna de execução — consegue imaginar, mas converter imaginação em trajetórias articulares que satisfaçam a dinâmica real é lento e pouco confiável.
Ambas as abordagens são, no fundo, ajuste de tarefas orientado por dados: todo comportamento é probabilidade sobre dados de treinamento, não raciocínio sobre regras físicas. É por isso que as demos continuam curtas, de tarefa única e sem interferências — a maioria dos modelos desmorona em menos de 30 segundos em uma cena não roteirizada.
O que o modelo vazado aparentemente faz é pular completamente a camada de ajuste. Observadores apontam três pilares técnicos:
1. Dinâmica com restrições físicas em vez de correspondência de padrões
Na cena da limpeza do vidro, o robô não “recorda” uma trajetória de limpeza dos dados de treinamento. Ele aparenta calcular em tempo real: a força de contato necessária sobre o vidro, o torque articular naquele ângulo, a mudança de atrito quando há uma mancha, o deslocamento do centro de massa quando um braço se estende para fora da janela e o ajuste de postura para manter o equilíbrio. É por isso que ele consegue lidar com uma cena que nunca viu — estender o braço pela janela para limpar o lado de fora — derivando o movimento ótimo das restrições físicas, e não de um conjunto de dados. E o mais crítico: nenhum conjunto de treinamento contém “chutar uma caixa com o pé”, mas isso aconteceu mesmo assim.
2. Modelagem unificada entre corpos distintos — o software finalmente se desacopla do hardware
O G1 e o A3 têm cinemática totalmente diferente: alturas, graus de liberdade, capacidade de carga e curvas de torque distintos. Historicamente, os algoritmos feitos para um eram inutilizáveis no outro — tudo precisava ser refeito. Supostamente, o cérebro compartilhado usa uma representação de ação unificada mais autoadaptação por corpo, de modo que um único modelo opera os dois corpos e os coordena. É o equivalente robótico do Windows rodando em qualquer PC: os parâmetros diferenciadores do hardware são abstraídos, restando apenas inferência física geral, tomada de decisão sobre tarefas e primitivas de movimento. A cena final da demo — um robô lendo a restrição do outro e dobrando o cachecol para dentro do armário — é a primeira colaboração pública em tempo real entre humanoides de marcas diferentes, sem nenhuma comunicação verbal.
3. Controle em malha fechada robusto em horizonte longo
Dez minutos ininterruptos não são um teste de tarefa única; são um teste de controle de erro acumulado. No meio do vídeo, um alarme dispara: ambos os robôs abandonam as tarefas domésticas, executam a instrução prioritária (arrumar a escrivaninha e a geladeira) e, então, retomam exatamente de onde pararam a tarefa de lavanderia interrompida. Isso exige três coisas funcionando simultaneamente: correção de erro em tempo real via feedback visual/força após cada etapa, agendamento dinâmico de tarefas com gerenciamento completo de estado e planejamento de horizonte longo (terminar o cômodo inteiro em 10 minutos) combinado com execução de horizonte curto (ajuste conforme feedback ao vivo). Troca de tarefas com recuperação de memória nesse nível nunca havia sido demonstrada publicamente em robôs.
O modelo mental: é adivinhar vs. calcular
Todo os outros modelos adivinham uma ação. Este modelo calcula uma e continua aprendendo com o cálculo. A analogia mais clara é a indústria de smartphones: Android + Qualcomm + fabricantes de hardware. Um cérebro universal significa que a IA encarnada finalmente se divide em três camadas — cérebro geral, corpos especializados e aplicações por cenário — em vez de cada empresa construir uma pilha vertical fechada e amarrada ao hardware. A consequência é desconfortável para o campo adorador de dados: relatos não confirmados dizem que o modelo foi treinado com apenas algumas dezenas de horas de vídeo. Se for sequer remotamente verdade, isso mina a premissa de que as leis de escala da IA encarnada espelham as leis de escala dos LLMs — que mais dados de teleoperação e mais GPUs são a única barreira competitiva.
O que quebra em seguida
- A corrida armamentista de hardware chega ao fim. Empresas que competem em “quem tem o melhor corpo de robô + algoritmo sob medida” veem a parte do algoritmo virar commodity. Os vencedores serão os que construírem o cérebro mais inteligente, as articulações mais baratas e confiáveis, ou os melhores apps de cenário — não os três juntos.
- A lei de escala é reescrita. Se dezenas de horas de vídeo podem gerar isso, a barreira muda do volume de dados para o entendimento da física — de “quem coleta mais dados de teleoperação” para “quem modela melhor o mundo”.
- O mapa de aplicações se inverte. O cenário da demo é deliberadamente o caso mais difícil: uma casa bagunçada. Se casas não estruturadas funcionam, fábricas, logística e serviços comerciais são alvos mais fáceis — um “ataque descendente” na escada de implantação.
- Quem está em risco: equipes cuja tese inteira é “algoritmo amarrado ao corpo + acervo proprietário de dados” enfrentam um problema argumentativo existencial; investidores que avaliam lagos de dados com premissas de escala estilo LLM precisam refazer as contas.
O que fazer a respeito
- Equipes de engenharia: parem de assumir que VLA vs. WAM é o enquadramento final. Adicionem “física primeiro, orientado pela dinâmica” à sua matriz de avaliação e testem se o seu stack generaliza entre dois corpos de robô diferentes — esse teste agora é a nova régua da indústria.
- Fabricantes de hardware: dobrem a aposta em articulações, bateria, custo e confiabilidade. Se os cérebros se tornarem universais, os corpos viram o diferenciador durável — e os que tiverem interfaces abertas e bem documentadas serão escolhidos por todos os fornecedores de cérebro. O mesmo gargalo é discutido em produção em massa de IA encarnada esbarrando na barreira das 10 mil unidades.
- Investidores: reavaliem qualquer startup de IA encarnada cuja barreira seja exclusivamente um pipeline proprietário de dados. O prêmio está migrando para a qualidade dos modelos de mundo e a transferibilidade entre corpos. O terreno de treinamento com modelos de mundo gerados da Veeda é uma peça inicial dessa barreira.
- Todos: tratem o vídeo como um sinal não verificado, mas forte em termos de direção — não como um fato consumado. A equipe é anônima; a afirmação precisa de replicação. Mas o padrão técnico que ela expõe — cérebro desacoplado, ação baseada em física, malhas robustas de horizonte longo — é exatamente a trajetória rumo à qual o campo já vinha derivando, só que décadas antes do esperado.
Uma era de demos engenhadas para as câmeras acabou com um vídeo que ninguém sequer se deu ao trabalho de editar. O corpo não é mais a história; o cérebro é. Essa é uma mudança estrutural, não um lançamento de produto.
