Imagine a fronteira mais avançada da inteligência artificial física resumida em uma cena curiosa: um jogo de Jenga dentro de um galpão em San Leandro, na Califórnia. É lá que fica a Encord, empresa que desenvolve ferramentas de dados usadas para treinar modelos de IA. Um dos “pilotos” — como a companhia chama seus treinadores de robôs — retira com cuidado os blocos de madeira de uma torre bamba, usando um headset com câmera que registra tudo o que ele vê.
Até aí, nada tão incomum para quem coleta dados de treinamento de robôs. O detalhe que muda tudo é que esse headset também traz sensores medindo as ondas cerebrais do piloto enquanto ele desmonta a torre. E é justamente essa combinação inusitada que pode apontar para o próximo grande salto da robótica. Vamos entender por quê.
O verdadeiro gargalo da robótica não é o que você imagina
Existe uma crença bastante difundida de que o principal obstáculo para robôs humanoides e de armazém mais capazes está na arquitetura dos modelos de IA. A Encord faz parte de um grupo pequeno, mas crescente, de startups que apostam justamente no contrário. Para elas, o gargalo real não é a arquitetura, e sim a escassez de dados físicos de treinamento vindos do mundo real.
Em vez de apenas ajudar as empresas de robótica a organizar os dados que já possuem, a Encord construiu um negócio em cima de algo mais ousado: fabricar os dados que essas empresas ainda não têm. Como resume Vineeth Velmurugan, chefe de aprendizado de robôs da companhia, esse é o ponto mais avançado — o “bleeding edge” — do esforço para resolver o gargalo de dados na robótica. Veterano do laboratório de robôs da OpenAI e da Berkshire Grey, empresa de automação de armazéns, ele foi contratado para montar a equipe interna de criação de dados da Encord.
O motivo dessa virada é simples e direto. Quando os clientes da Encord começaram a aplicar aprendizado de ponta a ponta em tarefas de manipulação robótica, ficou claro que seria preciso produzir os próprios dados de treinamento, em vez de simplesmente gerenciá-los. Nas palavras de Velmurugan, esses dados simplesmente não existem.
Onde entram as ondas cerebrais
Aqui a história fica ainda mais interessante. O headset de ondas cerebrais usado pelos pilotos foi desenvolvido pela Zander Labs, uma startup alemã de neurociência. A aposta dela é que medir a atividade cerebral para deduzir estados mentais como erro, intenção e surpresa pode gerar um conjunto de dados muito mais útil para treinar modelos.
Por enquanto, a parceria entre Encord e Zander é um teste. A meta é montar um primeiro conjunto de dados marcado com informações de ondas cerebrais, rodá-lo nos modelos de robótica dos clientes e avaliar se isso realmente melhora o desempenho antes de decidir se vale a pena escalar. Segundo Lucas Gehrke, neurocientista da Zander que supervisiona o trabalho, a quantidade de atividade cerebral registrada em cada momento de uma tarefa oferece pistas valiosas. Elas ajudam quem constrói os modelos a descobrir quando é necessário acionar as versões mais “esforçadas” e potentes da IA.
Por que o mundo físico não é como treinar um chatbot
A comparação entre IA generativa e robótica sempre esbarra na mesma parede. A ideia de que a IA generativa pode fazer pelos robôs o que fez pelos chatbots é sedutora, mas tropeça em uma dificuldade prática: coletar dados do mundo físico é caro e difícil de escalar.
Empresas de carros autônomos até coletam seus próprios dados do mundo real, mas isso não escala com facilidade. Treinar a partir de vídeos pode funcionar, só que falta a esses vídeos a fidelidade dos dados capturados na vida real. Para se ter uma ideia da dimensão do desafio, Velmurugan estima que seria necessário um conjunto de dados cerca de cinco vezes maior que todo o acervo de vídeos do YouTube para realmente destravar a robótica física. É uma escala tão absurda que ajuda a explicar por que a geração de dados virou um negócio por si só, e não apenas um problema de pesquisa.
Alimentando a fome por dados egocêntricos
Para dar conta dessa fome de informação, as empresas que constroem os “cérebros” dos robôs recorrem hoje a duas fontes principais. A primeira são os vídeos egocêntricos, captados por trabalhadores que usam câmeras acopladas ao corpo, muitas vezes reforçados com ângulos adicionais e outras métricas. A segunda são os dados gerados por robôs operados remotamente. A Encord trabalha com as duas: puxa dados egocêntricos de várias fábricas ao redor do mundo e usa sua instalação em San Leandro para experimentar novas modalidades, como as ondas cerebrais, ou coletar dados voltados a habilidades específicas.
Na prática, os pilotos usam sistemas de “líder e seguidor” — pares de braços robóticos em que um é controlado diretamente por um operador humano e o outro imita seus movimentos. Assim, eles geram dados sobre tarefas como servir café de uma jarra em canecas (bem respingado, por sinal) ou empilhar fichas de pôquer. Segundo Velmurugan, praticamente todas as empresas de humanoides já pediram esse tipo de material à Encord.
O cenário do galpão dá a dimensão do trabalho: prateleiras cheias de flores falsas em vasos, livros, legumes de plástico, bandejas de areia para gatos, sacos e feixes de fios. É o “kit básico” para treinar robôs em tarefas domésticas.
Quando os robôs ainda não dão conta do recado
Em uma dessas estações, uma piloto manobra braços robóticos para conectar e desconectar cabos de rede na parte traseira de um servidor. É exatamente o tipo de tarefa que os operadores de data centers adorariam automatizar, se ao menos os robôs conseguissem manipular os cabos com a precisão necessária. E é aí que aparece a limitação: as garras robóticas são muito menos habilidosas que os dedos humanos e não têm os graus de liberdade que nossos braços oferecem sem que a gente sequer perceba.
Para atacar esse problema, a Encord desenvolve outra modalidade de dados que usa sensores presos ao antebraço para detectar sinais elétricos nos músculos. Como os vídeos das mãos humanas manipulando objetos geralmente não capturam a mão inteira, a ideia é construir uma representação em 3D da posição da mão a cada instante, com base nos sensores do braço. O resultado seria um entendimento mais robusto para os modelos.
Dados anotados valem ouro (mas custam caro)
Um diferencial importante do trabalho da Encord é a anotação. Cada vídeo recebe descrições físicas do que está acontecendo — algo como “a mão direita aperta o parafuso” —, o que ajuda os modelos baseados em linguagem a entender a cena. Velmurugan estima que esse tipo de anotação densa vale cerca de cem vezes mais que dados egocêntricos de baixa qualidade para treinar tarefas específicas, e custa apenas vinte vezes mais para ser produzido. No papel, é uma ótima troca.
O problema é que “vinte vezes mais” ainda representa muito dinheiro, e é justamente aí que mora o limite da comparação entre IA física e modelos de linguagem. Raspar texto da internet, do jeito que os criadores de LLMs fizeram ao coletar conteúdo de fóruns e sites, custou quase nada aos grandes laboratórios. Já gerar dados físicos de treinamento custa caro, porque essa informação precisa ser fabricada, e não apenas coletada. Isso muda completamente a economia por trás da construção desses modelos.
Um posto de observação privilegiado no setor
Apesar dos custos, há progresso acontecendo. E parte da estratégia da Encord está justamente na posição que ela ocupa. Por trabalhar com muitas empresas de robótica ao mesmo tempo, a companhia consegue enxergar startups e grandes laboratórios descobrindo, na prática, o que funciona e o que não funciona para aprimorar os modelos de IA física. Esse ponto de vista privilegiado permite identificar quais técnicas de dados estão ganhando força no setor como um todo, antes que qualquer cliente isolado perceba.
Tudo isso mantém a dúzia de pilotos da instalação bastante ocupada. Vale notar que essas pessoas formam uma nova força de trabalho, dedicada a criar os blocos de construção das redes neurais. Muitos deles vêm de outras empresas de anotação de dados e trazem trajetórias curiosas — como a de um piloto que já cuidou da manutenção de um robô separador de lixo em uma empresa de gestão de resíduos antes de mergulhar nesse universo.
E, no fim das contas, talvez seja essa mistura de tecnologia de ponta e trabalho quase artesanal que melhor define o momento atual da IA física. Enquanto a torre de Jenga desaba mais uma vez no galpão da Califórnia, fica a sensação de que cada bloquinho retirado é, na verdade, mais um passo rumo a robôs capazes de entender e agir no nosso mundo — um dado de cada vez.
