Será que o presidente da Yushu (uma empresa de mídia tecnológica) está jogando um balde de água fria nas coisas? Quanto tempo até o "momento ChatGPT" da inteligência incorporada?

Uma tendência crescente é que a indústria da inteligência incorporada está comprimindo o cronograma anteriormente distante dos "robôs de uso geral" em um único ciclo tecnológico no futuro.

Num momento em que os robôs humanoides estão no auge da popularidade, o presidente da "primeira empresa de robôs humanoides" listada na Bolsa de Valores de Xangai parece ter jogado um balde de água fria no setor.

Em 20 de agosto, na Conferência Mundial de Robótica de 2026, Wang Xingxing, fundador da Unitree Robotics, admitiu em seu primeiro discurso público após o IPO da empresa que o momento do ChatGPT, a inteligência incorporada, ainda não chegou. Poderá levar de dois a três anos, ou até cinco ou dez anos.

Nos últimos dois anos, os robôs humanoides se tornaram o item tecnológico da moda mais desejado. Esses robôs futuristas estão cada vez mais presentes nos palcos de grandes eventos, em exposições de empresas de jogos e até mesmo nas entradas de shoppings e lojas. Eles dançam, caminham e acenam, às vezes com agilidade, às vezes com desajeitamento, interagindo com o público e apertando mãos, passando rapidamente do laboratório para o olhar do público.

Mas por trás das demonstrações empolgantes, as capacidades reais desses robôs estão claramente muito aquém da imaginação das pessoas sobre os "robôs do futuro". Pelo menos na expectativa mais comum, os robôs não deveriam estar apenas se apresentando em palcos ou servindo a um propósito de marketing, mas sim entrando em fábricas e residências, movimentando, organizando, operando ferramentas ou realizando tarefas domésticas e de cuidado. A pergunta do público permanece específica e direta: quando os robôs serão realmente capazes de trabalhar?

No campo dos grandes modelos de linguagem, o ChatGPT ofereceu uma resposta altamente simbólica. Embora não tenha sido o primeiro modelo de linguagem, foi o primeiro a fazer com que um grande número de usuários comuns percebesse intuitivamente que a IA havia ultrapassado um certo limiar de capacidade. Quando um momento semelhante ocorrerá no campo da inteligência incorporada está se tornando gradualmente uma das questões mais prementes na indústria da robótica.

A chave para que os robôs entrem em todos os lares reside em sua capacidade de generalização.

Na Conferência Mundial de Robótica realizada em 20 de agosto, Wang Xingxing, fundador da Unitree Robotics, apontou um problema que tem sido repetidamente discutido na indústria como o maior obstáculo para a inteligência incorporada.

Em sua opinião, muitos modelos de robôs podem atingir uma taxa de sucesso próxima a 100% em cenários fixos, desde que tenham coleta de dados e treinamento suficientes. No entanto, a taxa de sucesso pode cair significativamente se o objeto manipulado mudar ou se o ambiente sofrer pequenas alterações.

Este é também o obstáculo mais importante a ser superado antes que os robôs possam realmente entrar em nossas vidas e lares.

Wang Xingxing propôs um critério bastante específico: se um dia um robô puder ser levado para uma casa ou ambiente completamente desconhecido e completar aproximadamente 80% das tarefas usando apenas comandos de voz ou verbais, então a inteligência incorporada terá atingido seu "momento ChatGPT". Em termos de tempo, ele acredita que isso pode levar de 2 a 3 anos, no mínimo, e de 5 a 10 anos, no mínimo.

Wang Xingxing enfatizou particularmente que a verdadeira dificuldade não está em fazer o robô "saber o que fazer de forma geral", mas nos últimos centímetros ou mesmo milímetros.

Por exemplo, se você pedir a um robô para pegar um objeto, o modelo pode ter planejado corretamente toda a ação, e o braço robótico pode ter se movido para as proximidades do objeto. No entanto, se o erro posicional final, o feedback tátil ou a força de preensão não forem corrigidos corretamente, toda a tarefa poderá falhar.

É também aqui que os robôs e os grandes modelos de linguagem se diferenciam bastante.

A entrada e a saída de um modelo de linguagem ocorrem sempre no espaço digital, enquanto cada percepção e ação de um robô deve interagir com o mundo físico real. Os sensores apresentam ruído, os atuadores têm erros, e a posição, o material e o peso dos objetos estão em constante mudança; esses erros se acumulam à medida que as tarefas são executadas. Portanto, para a inteligência incorporada, passar de "ser capaz de fazer algo basicamente" para "fazê-lo corretamente de forma consistente" pode ser mais difícil do que aprender uma tarefa inicialmente.

Quase simultaneamente à avaliação mencionada anteriormente por Wang Xingxing, Wang He, fundador e CTO da Galaxy General, também forneceu um ano mais específico. Wang He afirmou que, com o acúmulo contínuo de dados e novos avanços tecnológicos, espera-se que a inteligência incorporada atinja seu "momento ChatGPT" em 2028. Ele define esse marco como: robôs capazes de realizar aproximadamente 70% a 80% das tarefas diárias sem treinamento específico para qualquer tarefa em particular.

Na verdade, suas avaliações são muito semelhantes. Wang Xingxing se concentra na taxa de conclusão de tarefas do robô após entrar em um ambiente desconhecido, enquanto Wang He se concentra na capacidade de generalização direta do modelo básico sem treinamento específico. No entanto, ambos definem o ponto crítico em uma taxa de sucesso de cerca de 70% a 80% para tarefas desconhecidas.

Isso também significa que o "momento ChatGPT" de que estão falando não é a mobilidade demonstrada pelos robôs humanoides hoje, nem a taxa de sucesso de 99% alcançada por uma demonstração fixa e bem treinada. A verdadeira mudança deve ocorrer quando os robôs começarem a se libertar da dependência de cenários fixos, objetos fixos e treinamento especializado.

Quando os robôs realmente "entenderão"? O consenso é de 2 a 5 anos.

Há apenas um mês, na Conferência Mundial de Inteligência Artificial de 2026 (WAIC), uma mesa-redonda apresentou a mesma questão a seis dos principais empreendedores e pesquisadores na área de inteligência incorporada.

No dia 19 de julho, durante o "Fórum de Robótica Corporal Inteligente" organizado pela Zhiyuan Robotics e pela Mifeng Technology, o anfitrião fez uma pergunta muito direta aos seis convidados durante a mesa-redonda final: Quantos anos faltam para o momento ChatGPT dos robôs?

Os resultados foram surpreendentemente concentrados. Yao Maoqing, sócio da Zhiyuan Robotics e presidente e CEO da Mifeng Technology, estimou um prazo de 2 anos; Tony Zhao, cofundador e CEO da Sunday Robotics, acreditava que seria em até 3 anos; Zhang Zhengyou, cientista-chefe da Tencent e diretor do Robotics X Lab, estimou de 3 a 5 anos; Ma Yecheng, cofundador e cientista-chefe da Dyna Robotics, acreditava que levaria cerca de 4 anos; Ren Zhiyi, pesquisador científico da Physical Intelligence, estimou que levaria de 4 a 5 anos; e Xu Danfei, professor do Instituto de Tecnologia da Geórgia, estimou um prazo de 5 anos.

Os seis indivíduos provinham de empresas e instituições de pesquisa completamente diferentes, e suas abordagens técnicas também divergiam, mas suas respostas finais se concentraram nos próximos dois a cinco anos.

Dentre eles, Yao Maoqing é o mais otimista. Seu julgamento se baseia principalmente no crescimento da escala de dados. Na visão de Yao Maoqing, os principais fatores que atualmente restringem o desenvolvimento da IA física podem ser resumidos em três pilares: "dados, representação e circuito fechado". Comparados com a enorme quantidade de textos e imagens que podem ser obtidos a baixo custo na internet, os dados de interação com robôs no mundo real não são apenas caros, mas também limitados pelas diferenças inerentes ao próprio robô, à tarefa e ao cenário.

Um robô verdadeiramente pronto para uso precisa entender comandos abertos em linguagem natural e atingir uma taxa de sucesso básica de aproximadamente 70% a 80% em tarefas comuns. Para alcançar isso, a inteligência incorporada requer dados em uma escala muito superior aos níveis atuais. Ele chegou a sugerir que, no futuro, poderá ser necessário coletar dados na escala de centenas de milhões de horas.

Em outras palavras, na estrutura de julgamento de Yao Maoqing, o "momento ChatGPT" é em grande parte um problema de escala: à medida que os dados do mundo real, os dados de simulação, os vídeos da internet, os dados da perspectiva em primeira pessoa e os dados que retornam após a implantação do robô atingem gradualmente uma certa escala, as capacidades do modelo também podem ultrapassar o ponto crítico.

Zhao Zihao, da Sunday Robotics, por outro lado, estabeleceu um prazo de menos de três anos. Em vez de simplesmente buscar corpos de robôs cada vez mais complexos, Zhao está mais preocupado com o momento em que o "cérebro" do robô realmente amadurecerá. A Sunday Robotics tem se concentrado há muito tempo em robôs domésticos e modelos básicos. Sua ideia é que, se um modelo básico de robô suficientemente robusto puder compreender ambientes e tarefas complexas, mesmo que o robô utilize garras relativamente simples e de baixo custo, ele poderá resolver um grande número de problemas práticos inicialmente.

A postura de Zhang Zhengyou foi muito mais cautelosa. Ele estimou um prazo de 3 a 5 anos, mas enfatizou que esse período não significa que a indústria simplesmente precise esperar que um modelo maior surja repentinamente. Um pré-requisito fundamental para a rápida expansão de grandes modelos de linguagem é que o Transformer tenha se tornado gradualmente uma arquitetura mais unificada. No entanto, a inteligência artificial em robôs ainda não consolidou um paradigma tecnológico tão claro.

Desde cognição de alto nível, percepção visual e planejamento de tarefas até controle de movimento em tempo real, feedback corporal e respostas de segurança, um robô precisa lidar com problemas em diferentes escalas de tempo simultaneamente. Portanto, verdadeiros avanços podem exigir progressos na aquisição de dados, simulação, implantação no mundo real, recuperação de falhas e desenvolvimento simultâneo de hardware e modelos, em vez de simplesmente replicar a lei de escala de grandes modelos de linguagem. Por essa razão, ao fazer sua avaliação, Zhang Zhengyou enfatizou especificamente que a indústria ainda precisa "trabalhar com diligência e praticidade".

Ma Yecheng, da Dyna Robotics, estima um prazo de cerca de quatro anos. Sua avaliação baseia-se principalmente na implantação comercial. Para uma demonstração em laboratório, uma taxa de sucesso de 80% ou 90% pode ser suficiente para comprovar a eficácia da tecnologia; no entanto, para uma fábrica ou empresa de serviços que realmente compre robôs, essa confiabilidade geralmente está longe de ser suficiente. Portanto, o "momento ChatGPT" da inteligência incorporada não significa apenas que o robô consegue entender mais tarefas, mas também que ele precisa ser aprimorado para atingir um nível de confiabilidade aceitável em ambientes comerciais reais.

Ren Zhiyi, da Physical Intelligence, estimou um prazo de 4 a 5 anos. Ele afirmou que, antes de ingressar na Physical Intelligence, acreditava que esse processo poderia levar 10 anos, mas com o desenvolvimento de modelos básicos de robôs ao longo do último ano, suas expectativas foram significativamente reduzidas.

A Physical Intelligence é uma das empresas líderes na abordagem do "modelo de fundação para robôs", que visa permitir que o mesmo modelo adquira gradualmente capacidades operacionais mais amplas por meio do treinamento com dados que abrangem diferentes ontologias e tarefas. O aspecto verdadeiramente importante dessa abordagem é se as capacidades do robô podem emergir continuamente à medida que o modelo e a escala dos dados se expandem, produzindo, em última análise, um efeito semelhante à aprendizagem por transferência zero-shot em grandes modelos de linguagem.

O professor Xu Danfei, do Instituto de Tecnologia da Geórgia, ofereceu a resposta mais conservadora, mas mesmo essa era de apenas 5 anos. Em vez de apostar em uma abordagem de modelo específica, ele se concentrou em três métricas mais fundamentais: se o modelo consegue realmente aprender com os dados, se as capacidades aprendidas podem ser generalizadas para novos ambientes e tarefas e se a velocidade de inferência consegue atender aos requisitos operacionais em tempo real do robô no mundo real.

Ao juntarmos a previsão de Wang Xingxing de "no mínimo 2 a 3 anos", a de Wang He de "2028" e as respostas dos seis convidados da WAIC, um fenômeno cada vez mais evidente emerge: a indústria da inteligência incorporada está comprimindo o horizonte temporal antes distante dos "robôs comuns" em um ciclo tecnológico futuro.

Trata-se de um marco histórico claro ou de um processo gradual?

No entanto, embora esses empreendedores e pesquisadores estejam se aproximando em suas previsões sobre o momento exato, eles não estão usando o mesmo conjunto de critérios para discutir o "momento ChatGPT".

Wang He concentra-se no salto nas capacidades do próprio modelo básico. Em sua definição, a inteligência incorporada atinge um ponto crítico semelhante ao do ChatGPT, quando um robô não precisa mais ser retreinado para cada nova tarefa e pode concluir de 70% a 80% das tarefas diárias usando apenas o modelo básico. Esse padrão mede principalmente se o modelo pode passar de uma "inteligência especializada" para tarefas específicas para uma inteligência geral com forte transferibilidade.

O padrão de Wang Xingxing se aproxima mais do desempenho de robôs no mundo real. Ele também considera uma taxa de conclusão de tarefas em torno de 80% como um limite importante, mas enfatiza se o robô consegue concluir a maioria das tarefas confiando apenas em comandos de linguagem ao entrar em um ambiente desconhecido. Em sua visão, muitos robôs atuais conseguem atingir uma alta taxa de sucesso em ambientes fixos e bem treinados. O verdadeiro desafio reside em saber se o modelo consegue continuar funcionando após mudanças no ambiente, nos objetos ou nas tarefas.

Essas duas definições parecem semelhantes, mas na verdade focam em níveis diferentes. Mesmo que um modelo tenha boas capacidades de execução sem erros ou de execução de tarefas múltiplas, isso não significa que um robô equipado com ele se torne uma ferramenta de produção confiável. Wang Xingxing mencionou no WRC que a Unitree já implantou robôs em fábricas de automóveis e em suas próprias fábricas, e que eles conseguem realizar algumas tarefas simples de montagem, mas a implantação em larga escala ainda não é viável. Um dos principais motivos é que a eficiência dos robôs ainda é inferior à dos humanos, e eles frequentemente precisam ser retreinados para lidar com novas tarefas.

Gao Jiyang, CEO da Xinghaitu, ofereceu uma interessante avaliação dupla sobre essa questão. No roteiro da indústria apresentado na WRC deste ano, a Xinghaitu marcou explicitamente 2027 como o "momento GPT" em termos de tecnologia, acreditando que, após a Lei de Escala impulsionar as capacidades do modelo básico a ultrapassarem o ponto de inflexão, os cenários de aplicação vertical começarão a se acelerar; no entanto, o verdadeiro "ponto de inflexão da comercialização" está previsto para 2028, seguido por uma penetração profunda em 2029 e implantação generalizada em 2030.

No entanto, ao discutir se a inteligência incorporada replicaria um momento histórico como o ChatGPT, Gao Jiyang afirmou explicitamente que acredita que "há uma alta probabilidade de que tal momento não ocorra". O motivo é que a inteligência incorporada não será popularizada instantaneamente por meio de um software acessível a todos, mas provavelmente começará em cenários B2B, desvendando-se gradualmente, setor por setor e tarefa por tarefa.

É improvável que avanços tecnológicos e conscientização pública instantânea ocorram simultaneamente. Isso porque o crescimento explosivo da tecnologia GPT depende de que todos possam experimentá-la em primeira mão usando um celular ou computador, enquanto as aplicações iniciais da inteligência incorporada se concentram em ambientes de produção, como fábricas e armazéns, dificultando a percepção direta pelo público em geral. Portanto, os pontos de inflexão da indústria surgirão gradualmente de forma sutil e abrangente, tornando-se onipresentes até que as pessoas finalmente se deem conta disso.

Essas duas afirmações não são totalmente contraditórias. Gao Jiyang, na verdade, distingue entre o ponto de inflexão tecnológica das capacidades do modelo e o ponto de inflexão social da difusão industrial: o primeiro pode aparecer de forma relativamente clara em um determinado ano, enquanto o segundo requer verificação de cenários, produção em larga escala, redução de custos e maturidade do modelo de negócios para se disseminar gradualmente no mundo real.

Essa é também uma das diferenças mais significativas entre robôs e grandes modelos de linguagem. Após o lançamento do ChatGPT em novembro de 2022, as mudanças nas capacidades do modelo puderam ser comunicadas aos usuários em todo o mundo quase que instantaneamente. Para um produto de software, desde que o servidor e a capacidade computacional sejam suficientes, o custo de adicionar um novo usuário é relativamente limitado. Os usuários podem perceber imediatamente o salto nas capacidades do modelo simplesmente abrindo uma página da web e inserindo uma pergunta. Portanto, avanços tecnológicos, lançamentos de produtos e adoção em larga escala pelos usuários ocorreram praticamente no mesmo período no ChatGPT.

Os robôs, no entanto, precisam entrar no mundo físico através de um corpo real. Mesmo que um modelo básico adquira repentinamente capacidades de generalização significativamente maiores amanhã, essas capacidades ainda precisam ser traduzidas em movimentos reais por meio de chips, sensores, articulações, mãos hábeis e atuadores, além de enfrentar uma série de desafios de engenharia, como precisão, estabilidade, segurança, vida útil, manutenção e custo.

Portanto, a inteligência incorporada pode, em última análise, ter dificuldade em replicar um marco histórico claro como 30 de novembro de 2022. É mais provável que se manifeste como uma série de pontos de inflexão que emergem gradualmente. Talvez, mesmo que as pessoas olhem para o futuro para confirmar o "momento ChatGPT da inteligência incorporada", elas não consigam encontrar um único ponto em que todos concordem.