Todo robô industrial hoje é, essencialmente, um estudante que decorou um livro escrito por humanos. Engenheiros coletam dados de teleoperação, rotulam trajetórias e torcem para que a máquina generalize para o chão caótico de um armazém real ou de uma casa. A Veeda AI, uma startup liderada pela ex-VP de pesquisa em IA da NVIDIA Sanja Fidler e por dois colaboradores de longa data, quer levar a robótica da memorização supervisionada para o aprendizado interativo dentro de um mundo gerado. A empresa acabou de levantar uma rodada seed de US$ 90 milhões liderada pela Khosla Ventures e Radical Ventures — um valor que sinaliza que o capital de risco agora está apostando em infraestrutura de simulação, e não apenas em mais uma equipe de hardware humanoide.
O que a Veeda está construindo de verdade
A Veeda chama seu produto de modelo de mundo fundacional multimodal. Diferentemente dos modelos de geração de vídeo que produzem clipes bonitos a partir de um prompt de texto, o modelo da Veeda é condicionado por ações: ele recebe como entrada os comandos motores de um robô ou o movimento da câmera e prevê como o mundo deverá ficar em seguida. O objetivo não é um filme, mas um simulador treinável em que um agente corpóreo pode praticar pegar objetos, navegar, montar peças e se recuperar de falhas milhões de vezes sem quebrar um único sensor real.
O trio fundador passou anos dentro dos laboratórios de inteligência espacial e IA generativa da NVIDIA. Fidler liderou a NVIDIA AI Research e co-liderou trabalhos em síntese de cenas 3D; Zan Gojcic era especialista em reconstrução neural e ambientes de simulação de alta fidelidade; Huan Ling trabalhava em síntese visual em tempo real e alta resolução. A trajetória acadêmica deles passa por GameGAN, DriveGAN, modelos de vídeo com difusão latente e a família de modelos de mundo Cosmos da NVIDIA. Em junho de 2026, eles publicaram o OmniDreams, um modelo de mundo generativo condicionado por ações para simulação de direção autônoma, capaz de ranquear políticas de direção de forma consistente com reconstruções de dados reais. A Veeda está essencialmente levando essa filosofia de loop fechado dos caras e expandindo-a para robôs em geral.
Por que a simulação é a única escola escalável para robôs
O treinamento de robôs no mundo real é um gargalo de dados disfarçado de problema de engenharia. A teleoperação oferece demonstrações de alta qualidade, mas é lenta e cara. Vídeos da internet são abundantes, mas não têm rótulos de ação. O aprendizado puramente por imitação funciona até o robô enfrentar um objeto em uma pose nova, uma condição de iluminação diferente ou um empurrão inesperado. Nesse momento, a política trava ou falha silenciosamente. O aprendizado baseado em demonstrações bate na mesma parede: o GEN-1.5 consegue aprender uma tarefa nova a partir de alguns segundos de demonstração, mas toda tarefa ainda exige capturar antes uma demonstração no mundo real.
O diagnóstico da Veeda é simples: os robôs precisam de aprendizado por tentativa e erro, e tentativa e erro no mundo real é perigoso demais, lento demais e impossível de paralelizar. Coloque um robô em uma cozinha e ele pode estilhaçar um prato. Coloque um milhão de cópias da mesma política dentro de um simulador neural e elas podem explorar durante a noite. A empresa aposta que um modelo de mundo suficientemente fiel pode se tornar a “academia de realidade” da IA corpórea, da mesma forma que o ambiente de Dota da OpenAI ou os conjuntos de dados do AlphaFold, da DeepMind, viraram academias para outros domínios.
Como o modelo de mundo é arquitetado
A Veeda ainda não publicou um white paper técnico completo, mas os trabalhos anteriores de seus fundadores e as vagas abertas esboçam um stack plausível. O núcleo é um modelo de vídeo condicionado por ações pareado com um modelo de dinâmica latente. Espera-se que o backbone generativo use um transformer de difusão com fluxo retificado, um design autorregressivo com causalidade em blocos e um tokenizador de vídeo causal. A taxa de compressão do tokenizador importa muito: quanto mais ele comprime os tokens de vídeo, mais tempo o modelo consegue estender futuros coerentes sem sufocar por memória.
Para tornar o modelo útil no treinamento de robôs, a Veeda precisa resolver quatro subproblemas difíceis:
- Condicionamento por ações sem rótulos de teleoperação. A Veeda planeja usar modelos de dinâmica inversa e de ações latentes para recuperar pseudoações de vídeos sem rótulos, expandindo drasticamente os dados de treinamento para além de caras demonstrações operadas por humanos.
- Estabilidade em horizontes longos. Modelos de mundo sofrem desvios porque acabam se alimentando das próprias saídas. Espera-se que a Veeda use difusão forçada, self-forcing e representações de cena persistentes com Gaussianas 3D ou mapas de pontos para manter episódios gerados coerentes por minutos, e não por frames.
- Interação em tempo real. Um simulador que leva minutos para renderizar um passo é inútil para aprendizado por reforço. O modelo seria destilado em um amostrador de poucos passos, para que uma política possa agir dentro do modelo de mundo em taxas interativas.
- Verificação ancorada na física. Modelos puramente generativos alucinam. A Veeda provavelmente combina modelos de recompensa baseados em física e validadores para manter os rollouts dentro de limites fisicamente plausíveis, seguindo a crença declarada de Fidler de que o caminho vencedor combina resolvedores físicos tradicionais com geração aprendida.
Isso não substitui simuladores como o Isaac Lab ou stacks VLA open-source como o DM0.5. É uma tentativa de se posicionar acima deles: um gerador de mundos aprendido que se conecta a APIs existentes e pode fazer pós-treinamento de políticas como π0 e GR00T N antes de serem implantadas em hardware real.
De carros autônomos a robôs em geral
A prévia do OmniDreams importa porque provou que a equipe já sabe construir simuladores de direção em loop fechado, em que a ação de uma política muda a cena gerada frame a frame. Levar essa capacidade para a robótica significa que o modelo de mundo precisa lidar com manipulação, objetos deformáveis, física de contato e pontos de vista diversos de câmera. Isso é mais difícil do que dirigir, mas o retorno econômico é maior: armazéns, hospitais, agricultura e residências precisam de robôs capazes de se adaptar sem meses de reengenharia. Com a produção em massa ainda presa na barreira das 10 mil unidades, o progresso na camada de dados de treinamento vai decidir quando esse retorno, de fato, chegará.
Se a Veeda tiver sucesso, o fluxo de trabalho para construir uma política de robô começa a se parecer com o treinamento de um modelo de linguagem de grande escala. Você faz o pré-treino com ampla experiência simulada, ajusta com uma pequena quantidade de dados reais e avalia com métricas de gap Sim2Real. A parte cara muda da construção de cenas de simulação sob medida para escalar o próprio modelo de mundo.
O que isso significa para o stack de IA física
O lançamento da Veeda sinaliza que a IA física está entrando em sua fase de infraestrutura de dados. Nos últimos anos, os holofotes estiveram nas plataformas de hardware, nos modelos fundacionais de visão-linguagem-ação e nas demonstrações humanoides. Agora, a fronteira se move para a camada que gera os próprios dados de treinamento. Já vimos um padrão parecido antes: na direção autônoma, as empresas que tinham simuladores realistas podiam iterar mais rápido que concorrentes presos às estradas. Nos games, ambientes procedurais viabilizaram o AlphaStar e o OpenAI Five. A robótica é o próximo capítulo.
Os investidores estão, na prática, subscrivendo uma aposta de que o aprendizado interativo em realidades geradas se tornará uma primitiva central do stack de IA corpórea, ao lado de atuadores, modelos de percepção e silício de inferência. Se a aposta der certo, a próxima geração de modelos fundacionais de robôs pode não ser medida apenas pela contagem de parâmetros, mas por quantos anos simulados de experiência são capazes de consumir.
Conclusões práticas
- Para engenheiros de robótica: Comece a tratar modelos de mundo como um ambiente de treinamento de primeira classe, não como uma ferramenta de visualização. Espere que seu pipeline Sim2Real consuma mais computação do que a própria política.
- Para líderes de produto em IA: Pergunte-se se o valor do seu robô vem da novidade do hardware ou do motor de dados que treina seu cérebro. A Veeda é evidência de que o capital está fluindo para o segundo.
- Para investidores e formuladores de políticas públicas: Acompanhe a curva de fidelidade versus custo da simulação gerada. No momento em que ambientes gerados ficarem mais baratos e seguros do que implantações-piloto no mundo real, os marcos regulatórios e de responsabilidade terão de se atualizar.
FAQ
O que é um modelo de mundo fundacional para robótica?
É um simulador generativo que prevê observações sensoriais futuras a partir do estado atual e das ações do robô, permitindo que políticas pratiquem tarefas sem robôs físicos.
Como a Veeda se diferencia do NVIDIA Isaac ou de simuladores físicos tradicionais?
O Isaac e ferramentas similares dependem de pipelines gráficos e resolvedores físicos construídos manualmente. A Veeda busca aprender a dinâmica do mundo a partir de dados e combiná-la com restrições físicas, facilitando a escalada para novos objetos e cenários.
Quando o treinamento interativo com modelos de mundo se tornará mainstream?
Tarefas industriais de nicho podem ver uso em produção em dois ou três anos, mas robôs domésticos de uso geral levarão mais tempo, porque o gap Sim2Real ainda é grande.
Fonte: Baseado na reportagem de 36Kr / 阿尔法公社.
