O novo app da Figure, o Index, paga pessoas comuns para filmarem a si mesmas fazendo tarefas domésticas — dobrar roupa, lavar louça, passar pano no chão — e transforma esses vídeos em primeira pessoa em combustível para o treino de robôs. Lançado globalmente em 26 de agosto, após quatro meses de testes, o Index já cobre 108 países, coletou 16 milhões de clipes e pagou US$ 15 milhões a criadores; a Figure se comprometeu a investir mais de US$ 1 bilhão em dados e computação nos próximos 12 meses. A história do app de consumo é quase secundária. O sinal estrutural é que a corrida dos humanoides entrou em sua fase de dados: depois dos corpos e dos modelos, o próximo campo de batalha é o comportamento humano real — e ele acabou de se tornar uma mercadoria comprável.
Por que “dados” viraram o gargalo
Os LLMs obtiveram seu combustível de treino quase de graça da internet — o GPT-4 sozinho foi treinado com mais de 13 trilhões de tokens de texto. Robôs corpóreos não têm essa internet. Estimativas do setor apontam que a demanda de dados para IA corporificada é mais de 1.000 vezes maior do que a dos LLMs; os 8,1 bilhões de pessoas do mundo produzem cerca de 100 bilhões de horas de dados de interação física todos os dias, e quase nada disso é gravado. É essa assimetria que faz a Figure — uma empresa avaliada em cerca de US$ 39 bilhões — tratar o Index não como um projeto secundário, mas como estratégia central. Seu modelo Helix é um sistema de ponta a ponta VLA (visão-linguagem-ação): um modelo de visão e linguagem de 7B de parâmetros que entende as tarefas, mais uma rede visuomotora de 80M de parâmetros que cuida do controle em tempo real. Um modelo assim exige dados massivos, diversos e fisicamente ancorados — exatamente o que nenhum fornecedor poderia oferecer.
Como o Index funciona
Você se cadastra, grava imagens em primeira pessoa fazendo tarefas domésticas ou profissionais, envia e é pago com base na qualidade e na quantidade dos dados. Também é possível contratar trabalhadores avulsos para fazer as tarefas enquanto você filma. O que a Figure compra não são rótulos nem anotações — é vídeo bruto e nativo de humanos resolvendo problemas físicos em ambientes reais: como os dedos beliscam uma camisa dobrada, como o punho gira ao passar o pano, como você julga que um prato está limpo. A simulação não consegue sintetizar esse nível de granularidade, e os laboratórios não conseguem capturá-lo em escala.
As estatísticas da plataforma mostram o que “dados diversos” significa na prática: a cada 1.000 horas de vídeo do Index há, em média, 373 tarefas únicas, 1.146 objetos manipulados e 116 ambientes únicos. Nos bastidores, a plataforma ingere 30 minutos de upload de vídeo por segundo, 24 horas por dia, 7 dias por semana. A máquina não é um pipeline de rotulagem — é uma mina de dados com um trilho de pagamentos acoplado.
Cinco rotas para dados de robôs
Os principais players corpóreos da China estão correndo a mesma corrida com equipamentos diferentes:
- Figure — plataforma de crowdsourcing + incentivo econômico + alcance global. O único modelo com upload simultâneo em massa.
- Zhiyuan (AgiBot) — um centro de coleta próprio de 2.000 m², com 850 TB de dados reais (AgiBot World, 217 tarefas, mais de 3.000 objetos), parcialmente open source; segundo algumas contas, o GR00T N1 da NVIDIA treina com mais de 80% de dados reais dos datasets abertos da Zhiyuan.
- Unitree — um modelo de hardware mais pipeline de dados; seu dataset de teleoperação UnifoLM-WBT (340 horas, 1,89 milhão de trajetórias) depende da contribuição da comunidade para continuar crescendo.
- Zizhang (“variável independente” em chinês) — coleta 100% em cenários reais, cunhou os termos “dados de leite” (a realidade ruidosa das casas) versus “dados de água com açúcar” (dados limpos de laboratório); seu esquema de coleta sem corpo QUANXTA Zero afirma cortar em cerca de 60% o custo de dados para tarefas simples.
- UBTech e outros — centros centralizados de coleta e circuitos internos fechados, ou rotulagem terceirizada.
Todas as rotas, exceto a da Figure, têm um teto: centros de ativos pesados não escalam barato, comunidades abertas crescem devagar, e a terceirização dificulta o controle de qualidade. Nenhuma delas tem milhões de pessoas fazendo upload de 108 países ao mesmo tempo. As rotas few-shot (o GEN-1.5 aprende uma tarefa com alguns segundos de demonstração) economizam dados, mas não substituem a diversidade do mundo real em escala exponencial.
O roda-pé e o fosso
O Index é um clássico ciclo de efeitos de rede: mais uploads → mais diversidade de tarefas e ambientes → modelos mais fortes → robôs mais capazes → uma plataforma mais valiosa → mais pessoas pagas para entrar. Uma vez girando, esse roda-pé é difícil de alcançar. Três atritos freiam os imitadores, especialmente na China: privacidade e conformidade regulatória (filmear dentro de casas particulares esbarra em regulamentação de direitos de imagem e segurança de dados bem mais rigorosa do que o caminho de consentimento do usuário mais anonimização que a Figure pode adotar no Ocidente), economia dos incentivos (a mão de obra chinesa é mais barata, mas o poder motivacional de um pequeno pagamento também é — um Index local precisaria de subsídios pesados para fazer o tempo das pessoas valer a pena ser vendido), e diversidade de dados (um dataset de um único país não pode replicar o valor de 108 países em climas, tipos de construção e rotinas cotidianas). Os contrapesos da China são reais — 1,4 bilhão de pessoas, a cadeia de manufatura mais completa do mundo, custos operacionais menores — mas a lacuna de dados está, atualmente, se ampliando, não se fechando. O pipeline de dados e o muro das 10.000 unidades na produção em massa de robôs são duas pontas do mesmo gargalo: primeiro escalar os dados, depois escalar a manufatura.
Padrões: poças vs. um mar
O problema mais profundo é a interoperabilidade. Cada player hoje usa seus próprios formatos de coleta, suas próprias convenções de anotação, suas próprias definições de cena — datasets que não conversam entre si nem treinam juntos. Nessas condições, escala produz poças isoladas, não um mar. Quem definir as regras comuns para dados corporificados ganha o que equivale ao poder de definição de interfaces de toda a indústria. A leitura do analista industrial do UBS sobre o mercado é direta: o “momento do veículo elétrico” dos humanoides ainda não chegou — a maioria das entregas ainda vai para instituições de pesquisa e centros de coleta de dados, e o verdadeiro ponto de inflexão comercial ainda está por vir. A corrida de dados de hoje é precisamente o modo como as fichas estão sendo empilhadas para esse momento.
O que observar a seguir
Três sinais que valem atenção: primeiro, se o roda-pé do Index se mantém — acompanhe as métricas de diversidade por 1.000 horas (373 tarefas, 1.146 objetos, 116 ambientes) ao longo do ano prometido de US$ 1 bilhão. Segundo, se surge um “Index chinês”; se a realidade doméstica de 1,4 bilhão de pessoas for conectada a uma única plataforma, o design de conformidade e incentivos será o verdadeiro produto. Terceiro, padrões: a Zhiyuan já open sourceou parte do AgiBot World, e o GR00T N1 da NVIDIA se alimenta dele — esse é o modelo para dados que “falam” entre empresas. Quando os dados corporificados se tornarem negociáveis e interoperáveis, a corrida deixa de ser sobre quem tem o maior dataset e passa a ser sobre quem controla os canos.
Um fio relacionado: esse impulso da economia de dados acontece em paralelo com a mudança de paradigma do cérebro compartilhado na IA corporificada — modelos de corpo cruzado que permitem que robôs rivais rodem em um único cérebro. Menos cérebros, mais gerais, mais dados maiores e mais diversos é uma combinação que se retroalimenta — e é exatamente esse par que decide quais robôs realmente saem do laboratório.
FAQ
P: A Figure realmente paga pessoas para filmarem suas tarefas domésticas?
R: Sim. Em quatro meses de testes, o Index coletou 16 milhões de clipes em 108 países e pagou US$ 15 milhões a criadores, com pagamentos escalonados por qualidade e quantidade de dados — e a Figure prometeu mais de US$ 1 bilhão para os próximos 12 meses de dados e computação.
P: Por que os robôs não podem simplesmente aprender com simulação, em vez de pagar humanos?
R: A simulação enfrenta dificuldades com a física bagunçada e de granularidade fina da vida real — os “dados de leite” das casas ruidosas versus os “dados de água com açúcar” dos laboratórios limpos. Os modelos corporificados precisam de comportamento humano real em uma escala estimada em 1.000 vezes o apetite de dados de um LLM, e é por isso que a captura direta supera a geração sintética, por enquanto (treino com modelos generativos de mundo é a outra rota, veja a arena virtual de treino de robôs Veeda).
P: Isso é apenas rotulagem de dados via crowdsourcing?
R: Não. A rotulagem anota conteúdo existente; o Index captura comportamento físico humano nunca antes registrado — vídeo em primeira pessoa de tarefas reais em ambientes reais — que se torna matéria-prima de treino para sistemas VLA como o Helix (modelo de visão e linguagem de 7B + rede visuomotora de 80M).
