← Todos os insights

Análise de notíciaRecorte: Brasil3 min de leitura

GR00T 2 aprende tarefas com poucas demonstrações. A mudança maior: agentes escrevendo programas de robô

Na CoRL, a NVIDIA lançou o GR00T 2 e o Isaac Lab 3.0, em que agentes montam simulações, e mostrou pesquisa em que agentes montam programas de robô legíveis. Auditabilidade vira escolha de design.

Ouça este artigo · 4 min

Narração completa do artigo, gerada por IA.

Marionetes em uma vitrine de museu, em duotone La Madre, ao lado das palavras Legível ou aprendido
Foto: london road (Wikimedia Commons, Public domain)

Um engenheiro de planta encarregado de aprovar uma nova célula robótica sempre teve algo para ler: um programa, escrito por um integrador, que diz o que o robô faz em cada estado. As políticas de robô aprendidas mudaram isso. Elas podem ser mais capazes e muito mais difíceis de inspecionar.

Os anúncios da NVIDIA na Conference on Robot Learning (CoRL), em Austin, mostram as duas direções avançando ao mesmo tempo, e a escolha entre elas está virando uma decisão de arquitetura para os fabricantes.

Um modelo de fundação que precisa de menos demonstrações

GR00T 2, o modelo de fundação de robótica da NVIDIA, é construído sobre os world models Cosmos da empresa e treinado com dados de robôs e vídeo humano, incluindo 100 mil horas de dados egocêntricos humanos abertos. A NVIDIA diz que ele transfere habilidades entre corpos de robô diferentes, generaliza a partir de poucos dados e pode ser controlado por agentes por meio de uma API.

Os números da NVIDIA: em 50 tarefas avaliadas, o GR00T 2 concluiu 40 pelo menos uma vez sem demonstrações específicas da tarefa, chegou a 71% de sucesso médio com uma demonstração por tarefa e a 95% com cinco. A Foxconn está aplicando o modelo na automação de fábrica para a produção de servidores, a Siemens está avaliando em casos de uso industriais, e empresas menores testam no manuseio de roupas e na troca de cabos.

Agentes no loop de simulação

Isaac Lab 3.0 permite que agentes montem ambientes de treinamento, alternem entre solvers de física, escolham renderizadores e apliquem uma biblioteca de pós-treinamento por aprendizado por reforço. Sua integração com o motor de física Newton modela objetos deformáveis como cabos e tecidos, há muito um ponto fraco da simulação de robôs. A NVIDIA afirma até 2,5 vezes o throughput de treinamento da versão anterior em um benchmark de manipulação hábil. Isaac Lab-Arena 0.4, um developer preview, compõe avaliações repetíveis executadas em milhares de variações em paralelo.

O trabalho mais interessante veio da UC Berkeley. Seu framework Graph-as-Policy, testado na simulação Isaac da NVIDIA, usa agentes para conectar habilidades existentes em programas de robô que as pessoas conseguem ler. Ken Goldberg, que lidera o trabalho, está entre os citados sobre robótica agêntica.

Como o comportamento de um robô pode ser produzido

Programa legívelPolítica aprendida

  1. Programa escrito à mãoTotalmente inspecionável; lento de construir
  2. Grafo de habilidades montado por agenteEstrutura legível, gerada rápido
  3. Política de fundação, poucas demosRápido de adaptar; mais difícil de inspecionar
  4. Política ponta a pontaMais flexível; menos explicável
Nosso recorte das abordagens nos anúncios da NVIDIA na CoRL de 9 de novembro de 2026.

A escolha para as fábricas

Para um fabricante, a pergunta não é qual abordagem é mais avançada. É qual delas a planta consegue aprovar, manter e investigar depois de um incidente.

Programas legíveis cabem nos casos de segurança. Normas de segurança de máquinas e o controle de mudanças interno esperam que alguém descreva o que a máquina vai fazer. Um agente que monta um programa a partir de habilidades testadas produz algo que um engenheiro pode revisar, versionar e assinar. É a mesma lógica de transformar o trabalho repetido de um agente em software comum.

Políticas aprendidas cabem na variedade. Roupas, cabos e itens de varejo variam demais para estados escritos à mão. O aprendizado com poucas demonstrações é o que torna essas tarefas economicamente viáveis, e a avaliação, não a inspeção, precisa carregar a prova.

A avaliação é o requisito comum. De qualquer forma, as milhares de variações em paralelo do Isaac Lab-Arena apontam para a prática certa: testar uma célula contra a variação que ela vai encontrar antes de encontrá-la. A detecção de sucesso do Gemini Robotics ER 2 acrescenta a outra metade, um robô que confere se cada passo funcionou.

Os números de manchete são da NVIDIA e vão variar por tarefa e por robô. A lição de arquitetura não muda: decida, célula a célula, se a planta precisa de um programa que dá para ler ou de uma política que dá para testar, e monte o processo de aprovação de acordo.

Tem um caso de uso de IA parado entre o protótipo e a produção?

Conte o que você quer colocar no ar. Respondemos com próximos passos honestos.

Converse sobre um caso de uso