Chegou a era do GPT para a robótica

Até poucos anos atrás, se você quisesse fundar uma startup de robótica, precisava levar em conta anos de trabalho apenas para fazer um braço mecânico se mover, gastar quantias absurdas em hardware personalizado e ter uma equipe de especialistas que parecia ter saído da NASA. Hoje, não é mais assim. Hoje, você pode ter um robô que dobra roupas em uma lavanderia de verdade, aprendendo com dados coletados também por outros robôs, e o modelo de inteligência que o orienta funciona na nuvem, e não em um supercomputador escondido em sua mochila. A ideia é a seguinte: estamos no momento “GPT” da robótica. Assim como os modelos de linguagem democratizaram a IA, agora a robótica está passando de uma atividade de elite para algo acessível, escalável e surpreendentemente rápido de levar ao mercado. Não é mais necessário ser um gênio da engenharia mecânica: hoje, o que importa é a criatividade, a capacidade de coletar dados e a vontade de integrar hardware, mesmo que seja econômico, porque a inteligência é fornecida pelo modelo, não pelo metal. Por trás dessa revolução, há uma equipe que parece ter saído de uma série de TV: Quan Vang, cofundador da Physical Intelligence, junto com Brian, Chelsea, Sergey, Locky e Adnan. Eles deixaram o Google X, onde trabalhavam em projetos avançados de robótica, para fundar uma startup com uma missão quase insana: desenvolver um modelo capaz de controlar qualquer robô em qualquer ambiente, para qualquer tarefa fisicamente possível. Quan conta que, durante anos, dobrar roupas foi o “teste de Turing” da robótica: nenhum algoritmo clássico conseguia lidar com a variedade e a deformabilidade dos tecidos, assim como com a aleatoriedade do mundo real. Então, em duas semanas de trabalho com a Weave, uma startup criada por ex-funcionários da Apple, eles conseguiram operar um robô que realmente dobra as roupas de clientes reais. Outro caso: a Ultra, uma startup do setor de logística, agora usa robôs que embalam pedidos da Amazon em armazéns reais, com autonomia quase total por horas a fio. Se antes cada robô era uma torre de marfim, otimizada apenas para si mesmo, agora os modelos são treinados com dados provenientes de dezenas de plataformas diferentes. Um dado concreto: a OpenX, plataforma que agrega dados de uma frota de robôs heterogêneos, mostrou que um modelo “generalista” supera um modelo “especialista” em 50% nas mesmas tarefas. E, se você já ouviu dizer que é necessário hardware de ponta para executar esses algoritmos, pode esquecer: a maioria das demonstrações de Inteligência Física funciona com o cérebro na nuvem, e o robô em campo é pouco mais do que uma webcam inteligente. A verdadeira inovação está aqui: o problema não é mais “como programar cada movimento”, mas “como coletar os dados certos e integrar um modelo que já saiba se mover em ambientes diferentes”. Há outra novidade que ninguém menciona: mesmo robôs idênticos mudam com o tempo, com pequenas alterações de hardware ou software que tornam os dados coletados obsoletos. Portanto, é melhor treinar modelos em diversos robôs, para que eles aprendam a lidar com a diversidade e sejam mais robustos. E essa variedade já se traduz hoje na capacidade de executar tarefas “zero shot”, ou seja, sem a necessidade de dados específicos coletados para aquela tarefa: no ano passado, eram necessárias centenas de horas de treinamento; agora, o robô consegue generalizar. Mas há um aspecto que poucos levam em consideração: a verdadeira barreira para uma startup de robótica não é mais a tecnologia, mas a integração ao fluxo de trabalho real. Quan repete: é preciso entender onde o robô realmente faz a diferença — muitas vezes em tarefas monótonas e repetitivas, onde alguns erros são aceitáveis e onde você pode começar com supervisão humana e, posteriormente, automatizar cada vez mais. O custo inicial diminuiu: hardware mais barato, modelos de código aberto (a Physical Intelligence lançou o PI0 e o PI05 com os mesmos pesos do modelo usado internamente) e a possibilidade de testar e aprimorar em ambientes reais. Estamos no início de uma verdadeira “explosão cambriana” de startups verticais: assim como o computador pessoal multiplicou as empresas de tecnologia na década de 1980, agora todos os setores — da logística à limpeza, da restauração à assistência — podem ter sua própria startup de robótica, desenvolvida por equipes pequenas e ágeis que não precisam mais reinventar tudo do zero. Mas atenção: o desafio não é apenas tecnológico, é também de produto e de negócios. É preciso entender as reais necessidades do cliente, adaptar-se aos fluxos de trabalho já existentes e buscar um ponto de equilíbrio rápido, ou seja, alcançar a sustentabilidade econômica com poucos robôs antes de expandir. E a visão contrária? Todo mundo espera que a revolução venha dos robôs domésticos, mas o verdadeiro boom pode começar com as tarefas industriais invisíveis — como embalar pedidos ou gerenciar a micrologística — onde a margem de erro é tolerada e a demanda é enorme. Prepare-se: a questão crucial no futuro não será “qual robô posso comprar”, mas “qual fluxo de trabalho posso aprimorar integrando um modelo inteligente que aprende com todos”. A frase a ser lembrada: a robótica não é mais uma questão de hardware sofisticado, mas de dados, modelos e integração criativa. Se, depois desta história, você percebeu que sua maneira de pensar sobre as startups de robótica mudou, no Lara Notes você pode indicar isso com I'm In — não é uma curtida, é o gesto de quem adota uma nova perspectiva e se identifica com ela. E se amanhã você contar a alguém por que dobrar roupas foi o verdadeiro “teste de Turing” da robótica ou como a Ultra está revolucionando a logística, poderá usar o Shared Offline no Lara Notes para marcar quem estava presente: assim, essa conversa realmente importa. Esta Nota é da Y Combinator e poupou mais de uma hora e meia do seu tempo de escuta.