A trilha da IA física no verão de 2026 ficou assustadoramente concorrida.
VLA (Vision-Language-Action), modelos de mundo, JEPA, simulação por geração de vídeo — cada rota tem seus defensores, e cada facção alega deter a chave da inteligência física. A indústria debate se “a VLA está morta, os modelos de mundo chegaram” ou se “as três acabarão convergindo”, enquanto uma pergunta mais fundamental fica sem resposta: que arquitetura a IA no mundo físico realmente precisa?
A série VLX recentemente lançada pela Om AI oferece uma rara amostra de resposta. Não se trata de mais um modelo de nuvem reduzido para deploy na edge — é uma arquitetura nativa projetada para o mundo físico desde o primeiro dia, chamada multimodalidade em streaming. Durante os cinco anos em que a indústria correu atrás do diálogo generativo, quase ninguém entendia o que a Om AI estava fazendo. Até agora.
O Paradoxo Arquitetural: Pensamento em Texto para um Mundo em Vídeo
Comece por um fato contraintuitivo. Em 2023, a Om AI conectou um modelo multimodal treinado com dados de mídia em geral a um conjunto de câmeras de vigilância. A equipe estava pessimista — o campo de vigilância já contava com muitos modelos pequenos especializados e maduros. O resultado derrubou as expectativas: o modelo generalista, que nunca tinha visto imagens de vigilância, superou os veteranos modelos pequenos treinados por anos com dados do setor.
O episódio expôs um problema profundo: o paradigma da geração anterior de “modelo pequeno mais dados especializados” em visão computacional carecia fundamentalmente de generalização. Mude o cenário, a iluminação, o ângulo da câmera, e o modelo falhava. Modelos multimodais generalistas, tendo visto variedade suficiente do mundo, mostraram maior adaptabilidade em cenários abertos.
Mas os modelos multimodais generalistas carregam sua própria falha — foram projetados para o mundo digital. A abordagem dominante hoje é a “extração offline de quadros”: o vídeo é fatiado quadro a quadro e processado como imagens; a inferência é em lote, discreta, em formato pergunta-e-resposta. Funciona bem para cenários de chat na nuvem — mas o mundo físico exige percepção contínua. A câmera está sempre observando, o drone sempre voando, o robô sempre se movendo. Não se pode esperar que um usuário pergunte “o que acabou de acontecer” para então processar.
Este é o paradoxo arquitetural que o fundador da Om AI, Zhao Tiancheng, enxergou já em 2019: usar pensamento em modo texto para entender um mundo em vídeo é fundamentalmente errado. A unidade central de computação de um modelo de linguagem é o token, processado linearmente como sequências. Mas a entrada do mundo físico é um fluxo de vídeo — não uma sequência de caracteres de tamanho igual, mas um sinal contínuo, altamente redundante. A maioria dos quadros não traz nada novo, mas o evento crítico pode aparecer em qualquer um deles. Aproximar um fluxo de vídeo com tokens de texto é como transcrever uma transmissão ao vivo numa máquina de escrever — lento e limitado.
A Escolha da VLX: Fluxo, Busca, Ação — Três Camadas de Capacidade, Não Três Modelos
A resposta da Om AI é uma arquitetura de três camadas com nomes diretos: VLX-Flow, VLX-Seek, VLX-Go. Flow é a camada de percepção contínua. O vídeo entra no modelo como água; a IA observa constantemente, sem esperar por uma pergunta. Parece simples, mas é brutal em termos técnicos — o modelo precisa processar fluxos de vídeo no próprio dispositivo com latência extremamente baixa, identificando automaticamente quais quadros merecem atenção e quais podem ser ignorados. Não é “comprimir um modelo grande até caber na edge” — exige redesenhar, no nível da arquitetura, como um modelo processa informação em séries temporais.
Seek é a camada de localização precisa. Sobre a percepção contínua do Flow, o Seek responde “onde está” — compreensão geométrico-espacial. Não “há um gato no quadro”, mas a posição e pose exatas do gato no espaço tridimensional. O lançamento do VLX-Seek 1.5 na WAIC atualizou especificamente a arquitetura para cenários embodied — drones, robôs, robôs-cães — com ganhos sistemáticos em precisão e eficiência de inferência. Go é a camada de decisão de ação. Sabendo “o quê” e “onde”, o Go decide “como”: para onde o robô caminha, em que ângulo o braço agarra, como o drone ajusta sua rota de voo.
A distinção crucial: essas três camadas não são três modelos independentes emendados — são três camadas de capacidade inseparáveis sobre o mesmo fluxo de vídeo. O Flow produz continuamente compreensão semântica, o Seek localiza sobre essa compreensão, o Go decide sobre essa localização. Eles compartilham uma única arquitetura subjacente e um único fluxo de dados, diferente dos pipelines tradicionais que dividem percepção, localização e decisão em três estágios desconectados. O design traz uma vantagem subestimada: o flywheel de dados. Quando câmeras, drones e robôs rodam a mesma arquitetura de modelo, os dados de cada terminal alimentam todos os outros. Um robô-cão tem poucos dados de treinamento próprios — mas herda experiência de milhões de câmeras e PCs. É o “um cérebro, muitos corpos” da Om AI.
“Edge-Native” Não É Otimização — É uma Escolha Arquitetural
O conceito mais importante para entender a VLX: não é um modelo de nuvem encolhido; é um design nativo para edge. Isso pode soar como semântica, mas a diferença é enorme. Modelos de nuvem assumem computação ilimitada, latência tolerável e redes estáveis. O caminho usual de deploy na edge: treinar um modelo grande e depois comprimi-lo via destilação, quantização e pruning — um “pensamento de compressão”, subtraindo de uma solução perfeita, porém cara. A Om AI fez o inverso: a arquitetura foi projetada desde o primeiro dia em função das restrições da edge. Quão pequeno o modelo precisa ser para rodar num chip de câmera? Quão rápida a inferência para controle de drone em tempo real? Quão econômico em memória para caber num wearable? Essas restrições não são metas de otimização — são os pontos de partida da arquitetura. O resultado: a série VLX alcança desempenho próximo ou superior ao da nuvem em cenários de edge, com escalas de parâmetros muito abaixo dos modelos de nuvem. Não é uma vitória da otimização de engenharia — é uma vitória da escolha arquitetural. Quando você deixa de tratar a nuvem como ponto de partida padrão, muitos “impossíveis” revelam-se meras “dependências de trajetória”.
Zhao Tiancheng destacou uma percepção-chave em entrevistas: os cenários de terminal da IA física são, na verdade, uma vantagem da China. “Em espaços puramente digitais, os produtos de todos são fortes. Mas em cenários de terminal físico, a China leva vantagem.” A lógica: a China tem a cadeia de suprimentos de hardware mais completa do mundo e a maior base de deploy de terminais — e, à medida que a IA desce da nuvem para o chão, essa infraestrutura se torna uma vantagem de dados.
Da Resposta Passiva à Adaptação Ativa: a Mudança de Paradigma da IA Física
A parte mais valiosa da história da Om AI não é o detalhe técnico — é a mudança de paradigma que ela revela. Por uma década, a capacidade central da IA no mundo digital foi a resposta passiva: o usuário pergunta, o modelo responde; o usuário comanda, o modelo executa. Esse é o substrato do chat e da IA generativa. O mundo físico exige adaptação ativa — a câmera decide sozinha quando alertar, o drone julga sua própria rota de voo, o robô percebe mudanças no ambiente e ajusta seu movimento. A diferença não é um stack tecnológico diferente; é uma mudança fundamental na relação da IA com o mundo físico. Para a IA de resposta passiva, o mundo é estático — não há pressão de tempo entre entrada e saída. Para a IA de adaptação ativa, o mundo flui — cada milissegundo de atraso pode ter consequências físicas. Um caractere errado no código é trivial; um robô travando no meio do movimento e caindo é grave. Um carro autônomo falhando enquanto se move é impensável.
Isso explica a insistência da Om AI na inteligência distribuída. “Ter tudo controlado por um único cérebro é honestamente assustador — como um vilão de ficção científica: tome o único modelo e cada terminal se torna uma ferramenta para sequestrar a humanidade”, disse Zhao. Ele quer que cada terminal físico carregue inteligência independente, local e de resposta rápida — como os humanos, em que cada cérebro é autônomo. A perspectiva é notável: enquanto a indústria debate “modelo de nuvem versus modelo de edge, qual é mais forte”, a resposta da Om AI é que o estado final não é um ou outro, mas a distribuição — nuvem para raciocínio global e planejamento de longo prazo, edge para percepção em tempo real e resposta rápida. Os dois não são substitutos; são uma divisão de trabalho.
A Cambriana da IA Física: Quem Está Acumulando Vantagem Estrutural Real
A Om AI alcançou receita na casa das centenas de milhões de yuans — algo raro entre empresas de IA física. A maioria ainda queima dinheiro em P&D sem encontrar product-market fit, enquanto a Om AI fechou ciclos comerciais em hardware maduro: câmeras, PCs, IoT industrial. Por trás disso há uma vantagem estrutural que vale a pena notar: a defasagem de tempo. Zhao começou pesquisa multimodal em 2018 e treinamento de modelos multimodais em 2021. Quando a indústria de repente reconheceu o valor da multimodalidade em 2024, a Om AI já tinha três a quatro anos de reserva técnica, exploração de cenários e educação de mercado. “Nossa pesquisa começou muito antes — três ou quatro anos à frente dos outros.” Em campos de iteração rápida, três a quatro anos é uma geração tecnológica. E antes que as rotas técnicas converjam, o acúmulo inicial não é apenas tecnologia — é o flywheel de dados e o entendimento de cenários: saber quais cenários realmente funcionam, quais clientes pagam, quais problemas parecem pequenos no laboratório mas são fatais em produção.
Zhao compara a IA física de hoje ao deep learning de 2016: “Naquela época o deep learning tinha acabado de decolar, e ninguém sabia qual seria o estado final único e convergente.” A IA física está no mesmo estágio — rotas técnicas florescendo, o avanço de zero a um conquistado, a expansão de um a cem ainda não iniciada. Nessa fase, a capacidade mais escassa não é “escolher a rota definitiva”, mas colocar o flywheel de dados para girar primeiro — porque, seja qual for o estado final, o acúmulo de dados e a validação em cenários não podem ser pulados. A Om AI tem milhões de câmeras, drones e robôs já em operação, realimentando dados reais de negócio na iteração dos modelos. Uma vez que esse flywheel gira, o que os desafiantes precisam alcançar não é apenas capacidade de modelo, mas escala de dados e profundidade de cenários.
Encerramento
A série VLX da Om AI não é a resposta final da IA física. O próprio Zhao admite que o campo é “um prédio com apenas a estrutura erguida — muitos tijolos ainda faltando”, e nenhum modelo único resolve tudo. Mas seu valor está em fornecer uma amostra de escolha arquitetural: enquanto a narrativa dominante diz “resolva tudo com um modelo maior”, alguém escolheu o caminho mais difícil — projetar a partir da natureza do mundo físico, em vez de reduzir um modelo de nuvem. O estado final ainda está longe. Mas uma coisa fica cada vez mais clara: no mundo físico, a escolha arquitetural importa mais que a escala do modelo — porque as restrições físicas de latência, energia, segurança e confiabilidade não se resolvem com mais computação; elas exigem arquiteturas diferentes para acomodá-las. E as empresas que entenderam essas restrições desde o primeiro dia estão acumulando uma vantagem estrutural muito difícil de alcançar.
