A IA física em 2026 não está faltando em grandes narrativas. Jensen Huang pronunciou as palavras “IA física” dezessete vezes em uma única keynote da CES; o financiamento global ultrapassou US$ 6,4 bilhões em um único trimestre; todos os players, do GR00T N1.6 da NVIDIA ao X-Foresight da XPeng e ao WAM da Geely, disputam posição no mesmo mapa lotado. Enquanto isso, um fato constrangedor segue fermentando: robôs que dão cambalhotas e dançam no palco entram em uma cozinha de verdade e derrubam a tigela de salada.
A essência da falha não é que o robô não seja inteligente o suficiente. É que ele não consegue entender com confiabilidade o que está na sua frente.
De 27 a 29 de junho, uma empresa chinesa de IA que raramente aparece nos títulos — a Om AI (Lianhui Tech), com sede em Hangzhou — lançou três modelos em três dias consecutivos, a série VLX. Três eventos de lançamento, três modelos, três objetivos de engenharia diretos: percepção contínua, localização precisa, execução de ações. E por baixo do lineup há uma afirmação contraintuitiva: o gargalo mais urgente da IA física não é nem a profundidade de raciocínio do “cérebro”, nem o poder preditivo da “imaginação”, mas o estágio mais básico de todos — se a IA consegue observar o mundo de forma contínua e ativa, como faz uma pessoa.
O Ponto Cego de Percepção que Todo Mundo Ignora
O mapa técnico da IA física não está mais em branco. Modelos VLA cuidam da linguagem e das decisões; modelos de mundo simulam as consequências das ações e validam a viabilidade. As duas vertentes estão convergindo rápido, e a indústria já debate sua fusão. Mas toda a atenção está em “decidir” e “prever”, enquanto todos silenciosamente ignoram uma pergunta mais a montante: a percepção da IA é, em sua base, intermitente.
Os modelos multimodais dominantes ainda processam vídeo como quem folheia um livro de figuras: captura um quadro, analisa, responde uma vez; quando o próximo quadro chega, começa tudo de novo. Cada quadro amostrado quebra o contexto do modelo. Se o usuário faz uma pergunta no meio do vídeo, o modelo responde apenas com base no quadro atual, sem saber nada sobre o que aconteceu antes. Essa percepção de folhear quadros funciona bem para chat digital — o usuário pergunta, o modelo responde, o usuário sempre inicia. O mundo físico não pausa. O drone está voando, o robô-cão está andando, a câmera continua gravando. A IA não tem o direito de dizer “espere, deixa eu calcular”, porque entre dois quadros qualquer coisa importante pode acontecer — um obstáculo aparece, uma ferramenta é movida, uma pessoa entra em uma zona de perigo.
Se a própria percepção é descontínua, nenhuma quantidade de inteligência de decisão ajuda: você está processando corretamente a informação errada, e o resultado continua errado. Esse é o problema que a VLX se propôs a resolver — e a parte mais fácil de subestimar.
O Trio VLX: Da Visão Contínua à Ação Direta
VLX não é um modelo, mas uma cadeia de capacidades de três elos — VLX-Flow, VLX-Seek, VLX-Go — mapeando as três habilidades básicas de qualquer agente no mundo físico: ver continuamente, localizar com precisão, agir diretamente.
VLX-Flow mantém a IA genuinamente online. O nome é apropriado, porque o núcleo não é um encoder de visão mais forte, mas uma mudança em como o modelo consome informação: de amostragem de quadros para streaming. O vídeo é cortado em pequenos blocos contínuos; cada bloco é codificado incrementalmente conforme chega e atualiza a memória interna do modelo. A memória tem duas camadas — um cache visual que guarda detalhes dos quadros recentes, e uma memória semântica que mantém o contexto de longo prazo. Quando surge uma pergunta, o modelo responde a partir da memória mantida em vez de reproduzir o vídeo inteiro. A latência de stream único chega a 0,06 segundos, e múltiplos streams não se acumulam, porque o custo computacional da atualização incremental é constante independentemente de quanto tempo o vídeo dure. A compreensão tradicional de vídeo escala linearmente com a duração — mais quadros amostrados, mais recomputação, respostas mais lentas — tolerável para análise offline, perigoso para dispositivos em tempo real, onde cada milissegundo pode ser uma parede que você bate ou um alvo que você perde. A inovação central não é um algoritmo campeão de benchmarks; é uma decisão de infraestrutura: o modelo para de esperar uma pergunta para carregar contexto e, em vez disso, permanece online mantendo-o. Essa decisão separa um aplicativo de celular do cérebro de um dispositivo físico.
VLX-Seek seleciona regiões em vez de adivinhar coordenadas. Mesmo um modelo com percepção contínua esbarra em um segundo problema: ele sabe que algo está por perto, mas não consegue dizer exatamente onde. A abordagem tradicional faz o modelo regredir coordenadas diretamente — X, Y, largura, altura — o que é fundamentalmente “chutar números numa imagem”, estável apenas na proporção dos dados de treino e notoriamente frágil em regimes de poucos dados. A VLX-Seek muda a tarefa: em vez de emitir coordenadas, ela escolhe a região correta entre um conjunto de candidatos pré-definidos — convertendo regressão contínua em recuperação discreta. A diferença não é uma nota de rodapé de implementação. É a diferença entre um jogador de futebol chutar às cegas sem ver o gol e o mesmo jogador, de frente para o gol, escolhendo um canto para mirar. A qualidade dos candidatos limita o teto, mas escolher é muito mais estável do que gerar. O resultado é direto: maior precisão de localização com um modelo menor e menos dados. Em dispositivos de borda, isso é decisivo — os chips embarcados em drones industriais e robôs de inspeção não comportam gigantes de dezenas de bilhões de parâmetros, mas um modelo bem projetado de 0,6B–10B combinado com recuperação por região entrega precisão estável. A lição para a indústria merece reflexão: talvez estejamos encantados demais com “grande e completo”. Às vezes, “pequeno e preciso” vale mais.
VLX-Go gera waypoints, não conselhos. Depois de perceber e localizar vem agir. Os modelos VLA tradicionais emitem texto — “mova para a esquerda”, “dois metros à frente” — que um sistema de controle então traduz em comandos de motor, e essa camada de tradução vaza incerteza a cada etapa. A VLX-Go a elimina: o modelo gera diretamente waypoints de curto prazo, trajetórias em coordenadas que um robô pode executar como estão, substituindo “sugestão em texto mais interpretação pelo controle” por “previsão de waypoints mais aprend offline de trajetórias mais RL online”. Sua contagem de parâmetros é de 0,6B, e deliberadamente: ele não faz raciocínio profundo, apenas resposta em tempo real — o que significa que ele sabe o que pode fazer e onde está seu limite, e permanece no seu papel.
Os três modelos partem da mesma premissa: as condições do hardware de borda são inegociáveis — computação limitada, energia restrita, latência que precisa ser determinística. Diante dessas restrições, a equipe recusou-se a “comprimir um modelo de nuvem até caber” e, em vez disso, projetou arquiteturas nativas que maximizam a capacidade dentro do limite da borda.
Edge-Native Versus Comprimido da Nuvem: Duas Filosofias de IA Física
Isso expõe a bifurcação central na implantação da IA física hoje. Rota um, compressão da nuvem: treinar um gigante em um cluster grande, depois destilar, podar e quantizá-lo até o tamanho de borda. O teto é alto — o modelo na nuvem raciocina mais e sabe mais — mas a compressão inevitavelmente sangra capacidade, e quando o modelo finalmente cabe em um dispositivo de borda, ele tende a “parecer entender tudo enquanto falha em tudo no local”. Rota dois, edge-native: projetar a arquitetura dentro do teto de computação de borda desde o primeiro dia — esta quantidade de computação, este orçamento de energia, esta tolerância de latência — e maximizar a capacidade dentro do limite. O teto é imposto pelo hardware, mas a estabilidade é excepcional: sem dependência de computação ou banda da nuvem, toda decisão no local é local, imune a quedas de rede e jitter de latência.
A Om AI escolheu a rota dois, e isso não é segredo: o CEO Zhao Tiancheng descreveu o produto da empresa como um “cérebro de IA física geral” que diferentes terminais acessam por meio de um protocolo unificado — plug and play, como USB. A estrutura se estende muito além de modelos de visão: computação de borda, IoT, stacks de percepção de direção autônoma, até o desenvolvimento de apps móveis enfrentam a mesma bifurcação — construir grande e comprimir depois, ou otimizar dentro do limite desde o início. Nenhuma das duas está absolutamente certa. Quando a computação é abundante, a banda é barata e a tolerância à latência é generosa, a compressão da nuvem vence em eficiência. Mas quando as três restrições do mundo físico se acumulam — tempo contínuo, ambientes dinâmicos, computação de borda limitada — o valor do design edge-native foi severamente subprecificado.
Uma Prioridade Invertida na Indústria
Reexamine as apostas técnicas da indústria sob esse quadro e um padrão estranho emerge. Praticamente todos os players de manchete estão construindo raciocínio pesado do lado da nuvem — o Alpamayo da NVIDIA, o substrato de computação sob a linha Optimus da Tesla, a inteligência espacial da World Labs — projetos que queimam centenas de horas de GPU respondendo “quão inteligente a IA pode ser no mundo físico?”. A Om AI, em vez disso, respondeu a uma pergunta mais básica: a IA consegue, de fato, manter sua posição de forma estável no mundo físico?
Pode haver uma prioridade invertida aqui. As demos de IA física podem se apoiar em coreografias pré-definidas, ambientes controlados e computação abundante na nuvem. As implantações reais — um drone em fábrica, um robô de patrulha em obra de metrô, um sistema de inspeção entre regiões — tratam a desconexão de rede como normal, os tetos de computação como rígidos e a incerteza de latência como fatal. Nessa camada, o valor edge-native é brutalmente subestimado: nem todo terminal precisa de raciocínio profundo. Um robô de inspeção industrial não precisa entender comportamento humano complexo; ele precisa detectar anomalias de forma confiável ao longo de uma rota fixa, marcar locais e disparar alarmes. Um modelo de 0,6B que faça isso bem pode carregar mais valor industrial do que a demo de laboratório de um modelo de 100B.
Se você constrói dispositivos de ponta — drones, robôs, câmeras de segurança — recuse-se a se contentar com demos de modelos na nuvem. Teste diretamente a estabilidade da latência de inferência na borda: se o seu produto não consegue decidir até o vídeo ir e voltar da nuvem, ele está condenado para sempre a ambientes controlados. Se você constrói modelos de visão, considere o caminho edge-native: projetar primeiro dentro do limite do hardware e maximizar a capacidade depois costuma ser mais prático do que construir enorme e comprimir depois. Se você investe em IA física, olhe além das contagens de parâmetros e das demos de palco, e faça uma pergunta simples: funciona sem rede? Se a resposta é não, ele pertence a uma keynote de lançamento, não ao mundo físico.
A IA física ainda é uma maratona com o campo indefinido. Alguns apostam na profundidade do raciocínio do cérebro; outros, no poder preditivo da imaginação. A escolha da Om AI levanta uma pergunta mais humilde: antes de começar a pensar, você consegue primeiro ver com clareza o mundo à sua frente? Para a IA física, uma percepção sempre online pode valer mais para a indústria do que um raciocínio ocasionalmente brilhante.
Fontes: cobertura da 36Kr sobre o lançamento da VLX da Om AI; os repositórios VLX-Flow, VLX-Seek e VLX-Go no GitHub (om-ai-lab); reportagem da Xinhua sobre a Lianhui Tech.
