As empresas de robótica estão investindo pesadamente na crença de que os dados resolverão os problemas mais difíceis da robótica. Assim que os sistemas de IA tiverem ingerido dados suficientes de demonstrações humanas, pensa-se que os robôs serão capazes de realizar a grande maioria das tarefas manuais que os humanos realizam agora. Existem até empresas de robótica que existem apenas para coletar dados de treinamento e vendê-los a outras empresas de robótica na busca desse objetivo.
Mas se os dados finalmente nos trarão robôs de uso geral é uma questão em aberto. Ninguém sabe quantos dados seriam necessários, que tipo de dados são importantes ou se algo mais pode estar faltando. E há outros problemas relacionados com a dependência de grandes quantidades de dados: os algoritmos de IA resultantes são essencialmente caixas negras que, apesar do seu elevado desempenho, são difíceis ou impossíveis de serem compreendidas pelos humanos. Esta característica está a tornar-se cada vez mais preocupante em implementações comerciais, onde os robôs devem ser flexíveis, fiáveis e seguros.
Na Conferência sobre Aprendizagem de Robôs de 2026 esta semana, a UC Berkeley e a NVIDIA estão anunciando em conjunto uma nova abordagem para usar IA para programar robôs para tarefas práticas diárias em ambientes industriais. Chamada de robótica de agente, essa técnica aproveita os avanços mais recentes em ferramentas de codificação de IA e, em certo sentido, traz a robótica de volta às suas raízes – alcançando uma compreensão fundamental de como um robô funciona e, em seguida, escrevendo código legível por humanos para fazê-lo fazer coisas úteis, sem a necessidade de dados (e sem humanos).
O problema dos dados
Durante décadas, os robôs foram programados com métodos baseados em modelos, o que significa que o seu comportamento se baseava numa compreensão detalhada (ou modelo) da física e da matemática subjacentes ao robô e ao seu ambiente. Os roboticistas primeiro desenvolveriam esses modelos e depois escreveriam códigos meticulosamente detalhados dizendo aos seus robôs como agir. Os sistemas robóticos ajustados à mão resultantes poderiam operar de forma rápida e confiável, mas esta abordagem caiu em desuso porque requer tempo humano e experiência humana. É muito mais fácil simplesmente alimentar uma enorme quantidade de dados de demonstração humana em um sistema de aprendizado de máquina, e os resultados obtidos são adaptáveis e confiáveis – até certo ponto.
“O paradigma da aprendizagem por imitação atingiu um patamar”, explica Ken Goldberg, professor de robótica na UC Berkeley, cujo laboratório apresenta um artigo sobre robótica de agentes na conferência desta semana. “É promissor para coisas como robôs domésticos, onde a velocidade e a confiabilidade são um problema menor. Mas para aplicações industriais, é muito difícil obter a confiabilidade que a indústria exige.” Goldberg, que também é cofundador da empresa de robótica industrial Ambi Robotics, experimentou esse problema em primeira mão, assim como outras empresas com as quais tem trabalhado, incluindo a Siemens e a Bosch. “Inicialmente, você obtém um bom desempenho com os dados, mas depois as coisas dão errado. Então você começa a fornecer mais dados. Mas depois outras coisas dão errado. Não está claro se a adição de mais dados levará você a chegar lá.”
A esperança, segundo Goldberg, é que, com dados suficientes, os robôs de alguma forma comecem a trabalhar de forma confiável, como foi o caso do ChatGPT. “É com isso que as pessoas contam e é por isso que os investidores estão injetando dinheiro nessas empresas”, diz Goldberg. “Mas todo mundo está ficando um pouco nervoso por não termos atingido esse ponto de convergência.”
Como funciona a robótica agente
A razão pela qual modelos de linguagem como o ChatGPT são tão bem-sucedidos é que eles podem treinar com dados na escala da Internet. Não existe nenhum conjunto de dados para robótica que se aproxime dessa escala e, embora as empresas de robótica tentem desesperadamente gerar os dados que acham que precisam, é um processo lento e caro. Robótica Agente, um termo popularizado por Goldberg junto com Spencer Huang, Diretor de Produto de Robótica da NVIDIA, é uma tentativa de transformar robôs de programação de uma dados problema em um codificação problema, o que pode alavancar diretamente a escala dos modelos de linguagem.
“Isso é realmente algo que acelerou no ano passado”, diz Goldberg. “A qualidade da codificação agente tornou-se tão boa que agora é viável usá-la para escrever código para robôs.”
Como a robótica de agente é baseada em LLMs, ela é fácil de usar: você pode usar linguagem natural para dizer ao robô o que fazer. Um exemplo usado pelos pesquisadores da UC Berkeley foi pedir a um braço robótico para colocar mantimentos em uma sacola. Primeiro, esta tarefa relativamente complexa (para um robô) é decomposta em subtarefas mais simples, cada uma delas atribuída a um agente de codificação separado. No software baseado em LLM, um agente de codificação é um sistema de IA autônomo que pode planejar, escrever, testar e modificar software com o mínimo de intervenção humana. Você pode ter um agente individual encarregado da percepção para identificar os mantimentos e a sacola, um segundo focado na manipulação de objetos com a pinça do braço e um terceiro trabalhando no transporte de objetos com o braço depois de agarrados.
“Temos todas essas ferramentas robóticas que construímos nas últimas décadas”, explica Huang. “O problema era que um ser humano tinha que escrever o código sozinho. Mas classificadores de objetos, estimativa de pose, planejamento de tarefas e movimentos, geração de trajetória – tudo já está lá.” Os agentes de codificação podem aproveitar diretamente todos os dados existentes contidos em seus modelos de linguagem para gerar seu próprio código, adaptado às suas tarefas específicas.
Resolvendo o gargalo da simulação
Assim que os agentes tiverem uma estrutura plausível, eles executam seu código em uma simulação e veem o que acontece, da mesma forma que um ser humano faria. Eles podem alterar as condições iniciais, identificar falhas, refinar o código e continuar iterando até obter um programa bem-sucedido. É claro que o código que funciona em simulação só pode ser tão versátil e confiável quanto a simulação.
“As simulações não são triviais de construir”, explica Goldberg. Quanto mais precisa a simulação tiver potencial para ser, mais parâmetros existirão que precisam ser configurados para alcançar e manter essa precisão, normalmente por um ser humano, tarefa por tarefa. Goldberg decidiu tentar dar a um agente de IA acesso direto a esses parâmetros de simulação e instruí-lo a combinar a simulação com um vídeo do mundo real.
“Deu-nos arrepios. Foi combinar todo o ambiente, a iluminação, o fundo, todas essas coisas que são super tediosas de fazer. Nunca teríamos feito isso, mas o agente fez. Lado a lado, foi muito difícil perceber a diferença entre a simulação e o vídeo.”
No entanto, por melhor que pareça um ambiente simulado, navegar pela lacuna entre esse ambiente e o mundo real ainda é um desafio não resolvido para a comunidade robótica, diz Torsten Kroeger, diretor científico da Alphabet's Intrinsic. Kroeger, que não está diretamente envolvido nesta pesquisa, continuou: “Estou dizendo isso com todo o respeito, mas simplesmente não existe nenhum mecanismo de física que possa modelar com precisão o contato físico com o mundo”. Mas, como acontece com uma equipe de programadores humanos, os agentes podem solucionar problemas quando as coisas inevitavelmente não funcionam bem. A capacidade dos agentes de trabalhar na própria simulação oferece vantagens significativas, porque os agentes podem receber vídeo de uma tarefa que falhou com o objetivo de atualizar a simulação para corresponder, enquanto os agentes de codificação iteram para corrigir o problema.
Como acontece com qualquer coisa feita pela IA, Huang está bem ciente de que os agentes que escrevem códigos para robôs terão suas falhas. “Todos nós sabemos que os agentes de IA podem criar resíduos”, diz Huang. “Para combater isso, usamos configurações de agentes adversários – onde um agente projeta algo e outro agente tenta destrui-lo e encontrar falhas.”
Nos testes da UC Berkeley, as abordagens de robótica agente foram capazes de atingir taxas de sucesso de até 99%, igualando o desempenho da engenharia manual humana, mesmo em tarefas onde as técnicas básicas de aprendizagem por imitação obtiveram taxas de sucesso de apenas 20%. Mas, como salienta Goldberg, a robótica agente não se trata apenas de desempenho, mas também de eficiência e segurança. “Você está usando um agente de codificação pronto para uso. Você não precisa coletar nenhum dado. E o agente está gerando código que você pode realmente entender e corrigir, se necessário.”
Robótica Agente do Mundo Real
No futuro imediato, o ponto ideal para a robótica agente prática serão as tarefas de fabricação e manipulação industrial que exigem precisão e exatidão robustas, diz Huang. “No momento, alguns de nossos parceiros no setor de semicondutores precisam colocar componentes dentro de 0,3 mm. Não há como conseguir algo como GR00T [NVIDIA’s humanoid development platform] fazer isso hoje com qualquer aparência de repetibilidade e robustez. O que você obtém com a robótica de agente são aplicações de curto prazo.”
Mas o verdadeiro valor, diz Huang, está na adaptação às mudanças. “Na Wistron em Taiwan [which manufactures baseboards for NVIDIA GPUs]cada vez que um novo produto é adicionado, leva no mínimo 8 horas para reprogramar um robô. Com a robótica de agente, a retarefa leva um ou dois minutos.”
Mover a robótica agente além desses casos de uso bastante restritos pode ser difícil, mas Huang vê essa técnica como uma porta de entrada para tarefas mais complexas. “A robótica Agentic pode gerar toneladas de código robótico de boa qualidade, que são dados que podemos usar para treinar o próximo modelo.” Essa geração de código é apenas um passo iterativo em direção a uma capacidade de uso geral, mas Huang acredita que a robótica agente pode ajudar a redefinir o próprio significado da inteligência geral no contexto da robótica. “Minha tese é que a inteligência geral para a robótica virá primeiro na forma de um agente orquestrando uma mistura de tecnologias convencionais e políticas especializadas. Para um ser humano, parece inteligência geral porque o agente está coordenando tudo nos bastidores.”
Kroeger, da Intrinsic, é mais cauteloso ao depositar confiança nos agentes. “No contexto de segurança e proteção, como sabemos que esses agentes estão realmente fazendo a coisa certa o tempo todo? É o problema de alinhamento. Um engenheiro humano pode revisar tudo, mas o desafio será quando começarmos a confiar nesses agentes. Posso imaginar que esta se tornará uma conversa relevante para a indústria.”
Por enquanto, Goldberg está focado em trabalhar com empresas reais para colocar em prática a robótica agente. Uma série de benchmarks para robótica de agentes desenvolvidos com NVIDIA Isaac Lab-Arena e o mecanismo de física Newton ajudarão os pesquisadores a avaliar o desempenho dos agentes. “Não quero dizer que temos a solução, mas estou muito entusiasmado com isso”, diz ele. Huang acrescenta: “É uma mudança fundamental na maneira como fazemos as coisas”.
Dos artigos do seu site
Artigos relacionados na web
