A Nvidia, uma das principais empresas de tecnologia do mundo, está redefinindo o futuro dos robôs humanoides com uma abordagem inovadora para a inteligência artificial. Por meio de seu modelo de fundação GR00T, a companhia desenvolveu uma arquitetura que simula a cognição humana, dotando os robôs com a capacidade de pensar e reagir de forma simultânea. 

Este avanço promete permitir que robôs realizem tarefas complexas em ambientes dinâmicos, abrindo novas possibilidades para a automação e interação com o mundo real. Uma reportagem da Exame detalha o funcionamento dessa tecnologia.

Leia também:

• • Google leva IA aos semáforos de São Paulo: como o Green Light pode reduzir trânsito, poluição e tempo perdido no volante
  • Sapatos inteligentes: sensores e IA transformam mobilidade e acessibilidade
  • Commodore Callback 8020: celular retrô bloqueia redes sociais

A inspiração na cognição humana

Um robô que precisa mover uma caixa, atravessar um espaço e desviar de obstáculos enfrenta um desafio semelhante ao de um ser humano: parte da ação exige planejamento e parte demanda uma reação imediata. Para solucionar essa questão, a Nvidia copiou a própria arquitetura da cognição humana, conforme descrito pela companhia. O resultado é o GR00T, um modelo que funciona como o “cérebro” de muitos robôs humanoides atuais. 

A ideia central é simples, mas complexa de construir: dividir a inteligência do robô em dois sistemas que operam em velocidades distintas, mas de maneira conjunta. Há um “Sistema 2”, que é mais lento e deliberado, e um “Sistema 1”, que é rápido e quase instintivo.

Sistema 2: o cérebro que planeja

O Sistema 2 do GR00T é responsável por analisar o ambiente e determinar o que deve ser feito. Tecnicamente, ele atua como um modelo de visão e linguagem, similar à tecnologia que permite a um chatbot interpretar uma imagem e responder perguntas sobre ela. Neste contexto, o Sistema 2 recebe as imagens captadas pelas câmeras do robô e instruções em linguagem natural. A partir dessas informações, ele decompõe uma tarefa complexa em etapas menores. 

Por exemplo, para “guardar a caixa na prateleira de cima”, o sistema primeiro identifica a localização da caixa e da prateleira, e então planeja a sequência de movimentos necessários para conectar os dois pontos. Esse processo de raciocínio é intencionalmente deliberado. A Nvidia o compara à cognição “lenta” descrita por psicólogos, que envolve a avaliação de contexto, a antecipação de consequências e, só então, a decisão de um plano de ação.

Sistema 1: a resposta em tempo real

Paralelamente ao planejamento do Sistema 2, entra em ação o Sistema 1. Ele recebe o plano elaborado e o traduz em comandos motores contínuos. Isso significa que ele gera a sequência exata de movimentos para as juntas, dedos e pernas do robô, ajustando-os a cada fração de segundo conforme o corpo se move no espaço físico. 

Essa camada utiliza uma arquitetura chamada diffusion transformer, um tipo de rede neural que, em vez de calcular um movimento perfeito de uma só vez, refina repetidamente um rascunho de movimento até alcançar uma trajetória suave e estável. A metáfora que a própria Nvidia utiliza é a do reflexo: assim como um humano não “pensa” conscientemente em cada músculo ao pegar uma xícara de café, o Sistema 1 do GR00T opera de forma quase automática. Isso libera o Sistema 2 para continuar planejando os passos seguintes da tarefa.

O treinamento por trás da inteligência

O desenvolvimento de um sistema como o GR00T exige uma quantidade massiva de dados, algo que nenhuma empresa conseguiria gerar apenas com robôs físicos realizando tarefas no mundo real, um processo que seria lento, caro e arriscado. A solução da Nvidia foi combinar três fontes distintas de dados. A primeira são dados reais coletados de robôs em operação. A segunda envolve simulações sintéticas, geradas dentro da plataforma Omniverse da própria empresa, um ambiente virtual que permite criar e testar cenários complexos. 

A terceira fonte são vídeos em primeira pessoa de humanos executando tarefas cotidianas, captados por câmeras vestíveis. Este último ponto é o que a Nvidia denomina “lei de escala da destreza”. Segundo a empresa, treinar o modelo com mais de 20 mil horas de vídeo humano gravado em primeira pessoa melhora de forma previsível a capacidade do robô de realizar tarefas delicadas com os dedos, sem a necessidade de teleoperação em larga escala, uma técnica mais dispendiosa onde um humano controla remotamente cada movimento do robô para gerar dados de treinamento.

Um cérebro para diversos robôs

Uma das apostas centrais do projeto GR00T é a capacidade de um mesmo “cérebro” servir para diferentes tipos de robôs. Isso inclui máquinas de fabricantes distintos, com proporções, número de juntas e capacidades físicas variadas. A arquitetura do GR00T aborda essa necessidade com camadas de codificação específicas para cada “corporificação”. Essas camadas traduzem as particularidades físicas de cada robô para uma linguagem interna comum, que é compreendida igualmente pelos dois sistemas. 

Na versão mais recente do modelo, batizada de GR00T N1.7, essa generalização avançou. Agora, ela permite o controle integral do corpo – pernas, braços e mãos – a partir de uma única política de inteligência artificial. Antes, sistemas separados eram necessários para locomoção e manipulação. Na prática, um único comando em linguagem natural pode coordenar um robô andando até um objeto e, ao mesmo tempo, ajustando os dedos para pegá-lo, sem a necessidade de alternar entre diferentes “cérebros” para cada ação.

Este conteúdo foi criado com auxílio de inteligência artificial e supervisionado por um jornalista do ToqueTec