O Google DeepMind demonstrou uma técnica de treinamento robótico em que seu modelo Gemini 4 Argon aprende uma tarefa física assistindo a um vídeo comum e depois transfere o comportamento aprendido para um robô humanóide real. Na demonstração, publicada junto com o lançamento do modelo, o humanóide Apollo construído pela Apptronik assistiu a imagens de uma pessoa jogando cornhole – e então acertou sete tiros consecutivos em um teste no mundo real, de acordo com Robotics & Automation News.
Do vídeo bruto ao robô real Para mais contexto sobre esta história, confira nossa cobertura da indústria de IA.
A demonstração centrou-se num único teste interno. Argon viu um vídeo bruto de um humano jogando cornhole, o jogo de arremesso de quintal. O modelo então analisou o ambiente, mapeou suas coordenadas espaciais e calculou os movimentos articulares de todo o corpo necessários para reproduzir a tarefa em uma plataforma humanóide.
O passo notável foi o que veio a seguir: em vez de depender de engenheiros para construir manualmente uma simulação física, a Argon gerou autonomamente o próprio código de simulação. O comportamento aprendido foi então transferido daquela simulação autogerada para o humanóide Apollo da Apptronik, que o executou no mundo físico.
De acordo com o Google DeepMind, a Apollo posteriormente acertou sete tiros certeiros durante o teste no mundo real – uma corrida limpa para uma tarefa que exige que o robô coordene o equilíbrio, a trajetória do braço e o tempo de liberação.
Semanas de trabalho de simulação compactadas em horas
O Google DeepMind descreve a abordagem como um pipeline “Vídeo-para-Sim-para-Real”, e o argumento de venda é tanto sobre o tempo de engenharia quanto sobre a capacidade.
“Este pipeline ‘Video-to-Sim-to-Real’ comprime semanas de modelagem de simulação manual em algumas horas, transformando vídeos comuns em um campo de treinamento infinito e escalável para robótica”, disse a empresa, de acordo com Robotics & Automation News.
Tradicionalmente, ensinar a um robô uma nova habilidade física por meio de simulação exigia que especialistas modelassem o ambiente, a física do objeto e o corpo do robô manualmente – um processo medido em semanas para cada nova tarefa. Se o vídeo puder substituir essa modelagem manual, o gargalo para ensinar novas habilidades aos robôs passa do trabalho de engenharia para a disponibilidade de imagens de demonstração, que são efetivamente ilimitadas na Internet.
O que torna o vídeo para o Sim e o Real diferente
A maioria dos pipelines de aprendizagem de robôs na indústria usa uma de duas rotas: teleoperação, onde humanos demonstram manualmente tarefas que o robô imita, ou treinamento de simulação, onde engenheiros constroem manualmente ambientes virtuais nos quais as políticas de controle praticam milhões de repetições antes da implantação. Ambos funcionam e ambos são mal dimensionados – a teleoperação exige muita mão-de-obra por tarefa e a modelagem de simulação exige muita mão-de-obra por ambiente.
A demonstração cornhole visa o segundo gargalo. No relato do teste da DeepMind, nenhum engenheiro construiu o ambiente cornhole: Argon consumiu o vídeo bruto, interpretou o layout espacial da cena, elaborou as trajetórias das articulações de todo o corpo que o lançamento exigia e escreveu o próprio código de simulação. O papel humano no loop foi, na verdade, reduzido a ter filmado alguém jogando o jogo.
Cornhole é um caso de teste deliberadamente bem escolhido. Parece trivial, mas pousar um pufe em um alvo elevado exige exatamente a combinação que os robôs humanóides consideram difícil: equilíbrio estável de todo o corpo durante a corda, dinâmica fina do braço, liberação cronometrada e tolerância à balística de um projétil solto. Sete sucessos consecutivos no mundo real indicam que a política transferida foi robusta e não sortuda, embora um único teste interno seja uma base de evidências estreita.
Resultados de benchmark de raciocínio incorporado
Juntamente com a demonstração cornhole, a DeepMind testou o Argon no benchmark Empowered Reasoning (ERQA), que mede a capacidade de um modelo de raciocinar sobre problemas físicos e espaciais em ambientes 3D. A empresa afirma que Argon alcançou uma pontuação de 87% no benchmark.
O raciocínio físico e espacial é amplamente visto como uma das lacunas que separam os modelos de linguagem de fronteira dos sistemas que podem operar de forma útil no mundo físico, razão pela qual benchmarks de robótica como o ERQA têm atraído cada vez mais atenção dos principais laboratórios.
Parte do lançamento mais amplo do Gemini 4 Argon
O trabalho robótico é uma aplicação num lançamento mais amplo. O Google está posicionando o Gemini 4 Argon como um modelo de fronteira que combina raciocínio visual-semântico, compreensão física e geração autônoma de código, voltado para tarefas complexas de engenharia, científicas, de codificação e de negócios. A empresa afirma que já usou o modelo internamente em projetos que vão desde a otimização de grandes bases de código de software até computação quântica, fusão nuclear e pesquisa em ciências biológicas.
O modelo está sendo disponibilizado por meio dos produtos de IA do Google e da API Gemini, com a demonstração de robótica apresentada como prova da compreensão física do modelo, e não como um produto de envio para operadores de robôs.
Por que é importante para a indústria humanóide
Para o crescente setor de robôs humanóides - onde a Apptronik é um dos participantes mais proeminentes - o resultado aponta para uma proposta de valor específica de curto prazo: modelos de IA de uso geral que podem converter vídeo passivo em simulações treináveis poderiam reduzir drasticamente o custo de ensinar novas tarefas aos robôs, o principal obstáculo entre as demonstrações impressionantes de hoje e a implantação economicamente útil em escala.
O próprio enquadramento da DeepMind enfatiza o mesmo ponto. A demonstração, diz a empresa, mostra como modelos de uso geral poderiam reduzir a quantidade de engenharia manual necessária para ensinar novas habilidades físicas aos robôs.
Sete doses de cornhole não movimentam pacotes num armazém. Mas o pipeline que os produziu – ver um vídeo, compreender a física, escrever a simulação, transferir para o hardware – é a parte que as empresas de robótica e os seus investidores estarão atentos.
---
Fique à Frente da IAAs últimas notícias, análises e avanços em inteligência artificial — tudo em um só lugar.
Ler mais notícias de IA →
