Os robôs acabaram de sair do estágio de “programados” para “demonstrados”: o GEN-1.5, novo modelo fundacional da Generalist AI, assiste a um vídeo de 3 a 12 segundos de uma tarefa e a executa com zero código e zero treinamento, alcançando 59% em one-shot e 83% em few-shot em 10 tarefas de manipulação. Pesquisadores estão chamando isso de momento GPT-3 da IA incorporada — e a comparação é estrutural, não retórica.
Prompting físico: o aprendizado em contexto vai para o mundo físico
O GEN-1.5 vem da Generalist AI, startup fundada pelos ex-líderes de robótica do Google DeepMind Pete Florence e Andy Zeng, além de Andrew Barry, ex-Boston Dynamics. Seu mecanismo central é o que a equipe chama de Physical Prompting: uma demonstração real de ação — dados de sensores mais trajetória de movimento — é carregada na janela de contexto do modelo, de cerca de 30 segundos, com o restante reservado para observações do ambiente em tempo real. O modelo então tenta executar a tarefa sem que seus parâmetros sejam alterados.
Isso é in-context learning, a capacidade que transformou os LLMs de ferramentas especializadas em plataformas gerais, agora transportada para o mundo físico. O treinamento tradicional de robôs exige dezenas de milhares de etapas de gradiente e meses de engenharia. O modo one-shot do GEN-1.5 elimina completamente as etapas de gradiente, reduzindo o custo de adaptação a tarefas de meses para segundos.
Emergência, não imitação: estratégias que ninguém ensinou
Os resultados mais impressionantes são improvisos, não imitações. Um modelo ajustado com apenas 5 minutos de dados humanos (um único passo de gradiente) foi ensinado a varrer blocos para dentro de uma tigela. Quando recebeu uma banana, usou-a como escova. Quando recebeu uma pá de lixo, abandonou completamente o ato de “varrer” — empurrou os blocos para a pá com uma das mãos, levantou-a e despejou-os dentro. Duas sequências de contato totalmente diferentes, nenhuma delas presente nos dados de treinamento.
O mesmo improviso se repetiu nos testes: o modelo levantou o papel que cobria uma tigela antes de colocar os blocos (às vezes recobrindo-a depois), tirou com a outra mão um tijolo de Lego grudado na ponta do dedo e mudou espontaneamente para a abertura de potes com duas mãos, apesar de ter sido treinado com rotação de uma mão só. Um modelo treinado apenas para colocar um bloco em uma tigela começou a classificar vários blocos por cor por conta própria.
Jim Fan, da Nvidia, atribui a emergência a dois padrões presentes nos dados: movimentos repetidos simétricos (o segundo parafuso é uma “amostra de contexto” do primeiro) e arcos de recuperação de falhas humanos (deixar algo cair, pegar de volta, continuar), que dão ao modelo comportamento de correção de erros no momento do teste.
Leis de escala incorporadas: o fosso de dados
O GEN-1.5 está em pré-treinamento contínuo há mais de 8 meses, em três estágios, sobre cerca de 1,89 milhão de cenas, e seu erro de previsão da próxima ação continua caindo sem qualquer sinal de convergência — uma lei de escala incorporada em formação.
Uma descoberta contraintuitiva: menos etapas de gradiente produzem improviso mais forte. Dez etapas de gradiente alteram apenas 0,15% dos parâmetros do modelo. A equipe descreve isso como “lembrar o modelo de coisas que ele quase já sabe”. Depois de um certo limiar de pré-treinamento, adaptar-se a uma nova tarefa se torna praticamente gratuito — o que desloca o recurso escasso para os dados de interação física, o mesmo roteiro que os LLMs seguiram durante a corrida por dados em 2021. Isso estende o argumento anterior do site de que a conclusão de tarefas, e não as pontuações brutas em benchmarks, está se tornando o próximo KPI da IA robótica.
O ponto de inflexão: o cérebro acima do corpo
O GEN-1.5 chegou na semana mais densa da história da IA incorporada. Em 19 de agosto, a Unitree estreou na bolsa STAR Market de Xangai com preço de abertura de ¥1.100 por ação (capitalização de cerca de ¥444,9 bilhões) — a maior fabricante de robôs humanoides do mundo em volume — enquanto a WRC abria em Pequim com mais de 300 empresas e 150+ estreias globais. Em 22 de agosto, começam os segundos World Humanoid Robot Games, com 666 equipes, 2.056 robôs e 1.301 partidas em 51 eventos — um aumento de 138% no número de equipes.
Wang Xingxing, fundador da Unitree, diz que o verdadeiro gargalo não é o hardware, mas o modelo fundacional incorporado, prevendo um “momento ChatGPT para robôs” em 2 a 3 anos (ou 5 a 10, de forma conservadora). O GEN-1.5 é a primeira resposta empírica a essa aposta. Quando um “cérebro” geral madurar, o valor do corpo vai depender da rapidez com que ele pode se conectar a esse cérebro — não das especificações do hardware ou do volume de envios.
O que você pode fazer a respeito
- Para construtores: trate os dados de interação física como ativo estratégico. Métodos de coleta que preservam a intuição física humana — como a abordagem UMI da Generalist AI, em que um humano opera o gripper diretamente — importam mais do que o volume bruto.
- Para empresas: faça um piloto de adaptação one-shot agora em tarefas limitadas e de alta frequência; a curva de custo está prestes a se curvar da mesma forma que a adaptação de LLMs se curvou.
- Para céticos (com razão): são tarefas de horizonte curto, autodeclaradas e ainda não verificadas de forma independente. Vale a ressalva de Jim Fan: “as demonstrações ainda são um pouco simples demais para tirar conclusões”. Acompanhe a curva de convergência e os benchmarks de longo horizonte, não as demos.
FAQ
O que é o GEN-1.5 da Generalist AI?
Um modelo fundacional de robótica que executa uma tarefa de manipulação após ver uma demonstração de 3 a 12 segundos, sem treinamento: 59% em one-shot e 83% em few-shot em 10 tarefas.
Isso é realmente o momento GPT-3 da robótica?
Pesquisadores fazem a comparação porque o aprendizado em contexto chegou ao mundo físico: o custo de adaptação cai de meses para segundos, com o pré-treinamento sem sinais de convergência após 8 meses e cerca de 1,89 milhão de cenas.
Quem investe na Generalist AI?
Uma rodada de US$ 400 milhões em junho de 2026, liderada pela Radical Ventures, com participação da Nvidia e da Bezos Expeditions, avaliando a empresa em US$ 2 bilhões; segundo relatos, está levantando uma nova rodada a US$ 3 bilhões.
