Escassez de dados físicos trava avanço de robôs humanoides, alerta executiva da Telus Digital

Gargalo de dados atinge a robótica humanoide

Embora os rápidos avanços na inteligência artificial generativa nos últimos quatro anos tenham acelerado os testes e a implementação de robôs humanoides, os desenvolvedores agora enfrentam um impasse causado por uma grave escassez de dados de treinamento. Em entrevista ao podcast Targeting AI, Sce Pike, vice-presidente de crescimento e soluções de IA na canadense Telus Digital, alertou que o pipeline de dados que impulsionou os grandes modelos de linguagem modernos não pode ser simplesmente replicado em máquinas físicas.

Enquanto modelos baseados em texto escalaram rapidamente ao ingerir a internet pública, robôs físicos não conseguem aprender a interagir com o mundo real apenas por meio de texto. Como destacou Pike, que lidera as iniciativas de robótica e modelos de mundo da Telus Digital, diminuir a distância entre o raciocínio digital e a ação física exige arquiteturas de dados completamente diferentes, que a indústria vem lutando para estruturar em escala.

Custos computacionais, ruído em sensores e segurança no mundo real

Um dos principais desafios reside na mecânica de como as máquinas compreendem a realidade física. Pike citou uma analogia popularizada pelo ex-cientista-chefe de IA da Meta, Yann LeCun, que observou que uma criança de quatro anos possui cerca de cinco vezes a compreensão de um LLM, pois as crianças humanas aprendem por meio de estímulos sensoriais e nervos ópticos visuais. Ao observar e interagir com o ambiente, crianças pequenas dominam organicamente a gravidade, a física e a relação de causa e efeito — conceitos que não podem ser derivados puramente da linguagem escrita.

Para replicar essa compreensão em robôs, desenvolvedores dependem de modelos de mundo treinados com gravações do mundo real. No entanto, capturar e utilizar esse material impõe obstáculos operacionais severos:

• Custos exorbitantes de armazenamento e computação: Coletar o enorme volume de vídeos em alta resolução necessário para ensinar física básica às máquinas gera despesas massivas de infraestrutura e capacidade computacional.

• Fragmentação de sensores: Dados de treinamento físico são coletados usando uma combinação desconexa de lidar, sensores infravermelhos e vários tipos de câmeras, gerando sinais conflitantes e ruído substancial nos conjuntos de dados.

• Riscos críticos à segurança: Ao contrário de um chatbot, em que dados corrompidos ou ruins resultam em texto incorreto, dados físicos falhos colocam a segurança humana em risco direto. Pike destacou cenários em que o comportamento errático do hardware — como um robô desabar e se debater em um shopping center lotado — apresenta riscos e responsabilidades inaceitáveis no mundo real.

O avanço dos modelos de mundo

A escassez de dados ocorre no momento em que a indústria de robótica muda seu foco da mecânica pura para a inteligência corporificada. Enquanto a IA corporativa convencional foca em conjuntos de dados sintéticos e automação digital, pesquisadores de robótica exploram cada vez mais modelos fundacionais de mundo capazes de generalizar ações com menos dados brutos. Startups como a Skild AI, apoiada pela Nvidia, por exemplo, tentam contornar o déficit de dados treinando robôs para executar tarefas a partir de demonstrações únicas em vídeo. Por enquanto, no entanto, superar o alto custo da coleta de dados físicos e a ruidosa integração multissensorial continua sendo o principal obstáculo entre os protótipos de laboratório e a implementação autônoma e segura em espaços públicos.