A fronteira da IA física não é apenas um armazém. É uma torre Jenga.
Em San Leandro, Califórnia, dentro de uma unidade industrial indefinida ocupada pela Encord, o jogo fica mais pesado. Andrew Ceja não está apenas jogando. Ele está treinando uma máquina.
Ceja é o que Encord chama de “piloto”. Em inglês simples, ele é um treinador robótico. Ele usa um fone de ouvido equipado com uma câmera para capturar sua perspectiva. Mas há algo mais preso à sua cabeça. Sensores medindo suas ondas cerebrais.
À medida que ele puxa blocos de madeira de uma pilha instável, o sistema registra mais do que apenas dados visuais. Isso captura sua intenção. Seu foco. O momento exato do erro.
Isso não é ficção científica. É a última aposta na corrida para construir robôs humanóides funcionais.
Por que os dados físicos de IA são mais difíceis que o texto
A IA generativa revolucionou os chatbots porque os dados estavam por toda parte. Você poderia extrair bilhões de arquivos de texto da Internet. Não custou quase nada.
A IA física não funciona dessa maneira.
Os dados de treinamento para robôs simplesmente não existem na escala necessária. Ainda não.
Vineeth Velmurugan sabe disso muito bem. Ele dirige o aprendizado de robôs na Encord. Antes disso, ele trabalhou no laboratório de robótica da OpenAI e na Berkshire Grey. Ele se juntou à Encord porque o modelo antigo quebrou.
“Os dados simplesmente não existem”, disse ele.
Empresas que criam ferramentas de visão mecânica usadas apenas para gerenciar dados. Agora eles têm que conseguir. A aprendizagem ponta a ponta requer manipulação de dados do mundo real. Vídeo sozinho? Não há fidelidade suficiente. Carros autônomos coletam seus próprios dados, com certeza. Mas dimensionar isso é um pesadelo.
Velmurugan tem um número que deve assustar qualquer um que tente replicar a economia do LLM para robôs. Você precisa de um conjunto de dados aproximadamente cinco vezes maior que toda a videoteca do YouTube.
Como você constrói isso sem levar o laboratório à falência?
Você fabrica isso. E você marca isso com neurociência.
Encord e Zander Labs: Medindo a mente
O fone de ouvido que Ceja usa vem do Zander Labs. É uma startup alemã de neurociência. Eles não apenas observam você se mover. Eles medem a atividade cerebral para deduzir estados mentais.
Surpresa. Erro. Intenção.
Este é um teste entre Encord e Zander. O objetivo é específico: criar um conjunto de dados inicial marcado com ondas cerebrais. Execute-o por meio de modelos de robótica do cliente. Veja se o desempenho realmente melhora. Se isso acontecer, eles aumentam.
Se isso não acontecer, eles giram.
Lukas Gehrke, neurocientista da Zander que supervisiona o trabalho, vê o valor prático imediatamente. A intensidade da atividade cerebral durante uma tarefa informa aos construtores de modelos quando o robô precisa de ajuda. Marca os momentos de “alto esforço”.
Isso é o que Vineeth Velmurugan chama de “vanguarda”.
Também é caro.
A economia dos “dados do ego junky”
A maioria das empresas que constroem cérebros robóticos está recorrendo a dados “egocêntricos”. Os trabalhadores usam câmeras. Eles executam tarefas. Robôs assistem.
Encord também faz isso. Eles têm pilotos em fábricas ao redor do mundo. Mas em San Leandro eles estão experimentando.
Numa estação, Sofia Infante manobra braços robóticos para ligar e desligar cabos Ethernet dos racks dos servidores. Os operadores de data centers sonham em automatizar isso. Se ao menos os robôs tivessem precisão.
Eu tentei sozinho.
É difícil.
As pinças robóticas não possuem os graus de liberdade dos dedos humanos. Eles são desajeitados. Infante tem a destreza. Seu cérebro tem microajustes. O robô precisa aprender esses ajustes. Essa é a lacuna.
Outra nova modalidade envolve sensores no antebraço. Eles detectam sinais elétricos nos músculos. Por que? Porque o vídeo de mãos humanas muitas vezes erra a própria mão. Obstruções acontecem. Limitações de ângulo.
Os sensores do braço preenchem as lacunas. Eles ajudam a criar um mapa 3D da posição das mãos, mesmo quando a câmera não consegue vê-lo.
Mas aqui está o problema com a economia.
Encord anota seus conjuntos de dados. “A mão direita aperta o parafuso.” “A mão esquerda serve café.” Anotação densa.
Velmurugan afirma que esse nível de detalhe vale 100 vezes mais do que “dados de ego ruins” para treinar tarefas específicas. Custa apenas 20 vezes mais para fazer. No papel, é uma boa negociação.
Vinte vezes mais ainda é dinheiro real.
Os fabricantes de LLM rasparam o texto por centavos. Os dados físicos requerem fabricação. Requer trabalho humano. Requer equipamento de neurociência. A economia está fundamentalmente quebrada em comparação com o software.
Quem está comprando esses dados?
A Encord trabalha com empresas líderes de robótica. Velmurugan não consegue nomeá-los. Mas eles estão pedindo conjuntos de dados de habilidades específicas.
Afinação.
Nas instalações da Encord, plataformas líderes-seguidores estão funcionando. Braços robóticos emparelhados. Movemo-nos à velocidade dos operadores humanos. O outro imita.
As tarefas incluem servir café sem chapinhar. Empilhando fichas de pôquer. Classificando flores falsas. Livros. Legumes de plástico. Bandejas sanitárias para gatinhos. Sacos de arame.
Toda empresa humanóide quer essas peças.
Velmurugan vê tudo do seu ponto de vista. Ele está entre muitas empresas de robótica. Ele sabe o que está funcionando. Ele sabe o que está falhando. Tanto startups quanto laboratórios de fronteira estão tentando resolver os mesmos problemas.
Quais técnicas de dados ganham força? Quais fracassam?
A Encord identifica os vencedores antes mesmo que os clientes percebam que estão perdendo.
Isso mantém os pilotos ocupados.
Ceja, Infante – eles não são apenas anotadores. Eles são os blocos de construção. Anteriormente, eles trabalharam na Scale, outra empresa de anotação de dados. Agora eles estão aqui, puxando blocos das torres, conectando cabos, servindo café.
Ceja costumava manter um classificador robótico de lixo em uma empresa de gerenciamento de resíduos. A tecnologia foi sua saída da classificação manual.
Agora ele está ensinando às máquinas como pensar em empilhar blocos.
“É algo novo todos os dias”, disse ele.
A torre caiu. De novo.
Os sensores registraram isso. O modelo aprendeu.
Mas a fome de dados não para. Ela cresce. Cinco vezes o tamanho do YouTube. Esse não é um problema de curto prazo. É um desafio industrial.
A marcação de ondas cerebrais será a chave? Ou apenas mais uma pilha de sensores cara que retarda a produção?
Não saberemos até que os modelos realmente funcionem.
