Diga a um robô “não derrame café no meu laptop” e as máquinas de hoje farão exatamente isso – e nada mais. O telefone ao lado do laptop? O tablet carregando do outro lado da mesa? Fora do radar do robô até você soletrar cada um deles, correção por correção tediosa.
Uma nova plataforma de pesquisadores do MIT e da Universidade de Nova York pretende preencher essa lacuna. O sistema, chamado FLEX, permite que robôs planejadores de movimento sigam instruções explícitas de um ser humano, ao mesmo tempo que extraem deles generalizações mais amplas que melhoram o desempenho, de acordo com o MIT News. A equipe apresentará o trabalho na Conferência anual sobre Aprendizagem de Robôs (CoRL) este mês. Para mais contexto sobre esta história, confira nossa tendências de IA.
“Os LLMs viram tantos textos da Internet”, disse Nathan Dennler, pós-doutorado no Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL) do MIT e autor do estudo. “As pessoas podem ter escrito sobre: 'Ah, meu telefone caiu na água e agora não funciona' ou 'derrubei café no computador e agora não funciona'. Portanto, os LLMs adotam a ideia de que líquidos mais dispositivos fazem com que as coisas não funcionem."
De um aviso a um livro de regras completo
Em um cenário de demonstração descrito pelo MIT News, uma pessoa observa um braço robótico carregando uma xícara de café sobre uma mesa bagunçada e digita um único comando: “Não derrame no laptop!” Um robô convencional adicionaria o laptop à sua lista de itens a serem evitados e replanejaria seu caminho. O FLEX vai além: o robô raciocina sobre por que os laptops são importantes e ajusta sua trajetória para evitar aparelhos eletrônicos próximos, incluindo um telefone que o usuário nunca mencionou.
“A ideia é que haja alguma intenção de nível superior por trás das palavras que você diz”, disse Dennler. "As pessoas entendem isso naturalmente. Mas é preciso explicar isso cuidadosamente a um robô, o que exige tempo e esforço. O FLEX oferece uma interface de comunicação com um robô para dizer: 'Quando as pessoas dizem isso, elas querem dizer aquilo'."
O estudo foi liderado por Andreea Bobu, professora assistente de aeronáutica e astronáutica no MIT que dirige o Laboratório de Aprendizagem Colaborativa e Pesquisa de Autonomia (CLEAR). Os coautores incluem Audrey Lee, que completou seu SM no MIT em 2026, e Ilia Sucholutsky, da Universidade de Nova York.
Como funciona o FLEX: adicionar, generalizar, mascarar
O FLEX opera como um pipeline de três etapas que dura aproximadamente cinco segundos.
Etapa 1: Adicionar
Quando um usuário emite uma correção de linguagem natural, o robô adiciona o recurso relevante à sua lista contínua de itens importantes para a tarefa. Se uma pessoa disser "Não deixe cair na minha caneca!" enquanto o robô carrega uma bola de boliche, a caneca entra na lista de evitação e o robô atualiza sua trajetória. Esta etapa reflete como os métodos anteriores sempre funcionaram – e é onde começam os problemas.
“O problema acontece quando sua lista de recursos se torna muito longa e alguns recursos não são mais relevantes porque seu ambiente pode ter mudado”, disse Dennler ao MIT News. Um robô instruído a evitar cada objeto individualmente torna-se mais lento para corrigir e mais lento para planejar, e o fardo da enumeração recai sobre o ser humano.
Etapa 2: Generalizar
Esta é a principal contribuição do FLEX. Um grande modelo de linguagem — GPT-4o, na implementação da equipe — examina a lista de recursos acumulada e procura padrões entre os itens. Diante de uma caneca e de outros objetos frágeis sinalizados pela pessoa, o LLM infere uma classe geral: evite coisas frágeis, mesmo aquelas nunca mencionadas. Como o modelo foi treinado em vastas bibliotecas de texto humano, muito do bom senso do dia a dia chega pré-instalado.
“Os LLMs viram muitos textos da Internet, de todos os tipos de pessoas e lugares”, disse Dennler. "Como eles treinaram tanto nessas coisas, parte desse bom senso é absorvido pelo LLM."
Etapa 3: Máscara
Os ambientes reais mudam e regras obsoletas causam comportamento errático. A terceira etapa do FLEX usa o sistema de visão computacional padrão do robô para determinar quais objetos sinalizados não estão mais presentes e, em seguida, exclui essas entradas da lista de recursos – mantendo as restrições do robô atualizadas sem intervenção humana.
Testado em simulações de café, vela e bola de boliche
A equipe avaliou o FLEX em simulações de um braço robótico realizando três tarefas: servir uma xícara de café, mover uma vela e carregar uma bola de boliche. Os voluntários interagiram com o robô virtual digitando comandos em linguagem natural, como “Não derrame no meu laptop”, “Fique longe da pilha de papel” e “Não deixe cair na caneca”.
Em todos os três cenários, o robô seguiu cada comando literalmente enquanto raciocinava em um nível mais alto – evitando a eletrônica quando avisado sobre o laptop, evitando objetos inflamáveis quando solicitado a observar a vela e tratando todos os itens frágeis como zonas proibidas após um único aviso de caneca.
Por que o bom senso é o gargalo para os robôs domésticos
A pesquisa visa um obstáculo persistente na robótica de consumo: ninguém envia um robô que já saiba o que é importante na sua casa. O planejamento de trajetória baseado na física é preciso, mas opaco, e esperar que os usuários manipulem funções matemáticas de custo é um fracasso.
“Os robôs usam matemática para planejar sua trajetória. Mas não podemos esperar que um consumidor aprenda a fazer essa matemática para dizer a um robô o que fazer”, disse Dennler. “Em vez de fazer com que as pessoas aprendam como usar um robô de uma maneira específica, o objetivo é interagir com o robô através da linguagem natural”.
Uma grande parte da investigação em robótica já integra a linguagem na aprendizagem dos robôs – clarificando objetivos de tarefas, redirecionando trajetórias, definindo caminhos seguros. Mas o MIT News observa que os métodos existentes usam a linguagem principalmente para dizer ao robô como executar fisicamente uma tarefa. O grupo de Bobu está avançando em uma fronteira diferente: extrair as preferências subjacentes e não especificadas de uma pessoa a partir de um punhado de comandos casuais.
“As casas de cada pessoa são diferentes e cada pessoa se preocupa com coisas diferentes, por isso nenhum robô sai da caixa sabendo o que é importante para você”, disse Bobu ao MIT News. "O que me entusiasma no FLEX é que ele pode captar isso a partir de uma ou duas frases, em vez de pedir que você explique todas as regras - e essa é a diferença entre um robô que as pessoas toleram e um que elas realmente querem em suas casas."
O que vem a seguir
O trabalho, detalhado no artigo "Edição de representação guiada por linguagem flexível para comportamento adaptativo do robô", foi apoiado em parte pelo MIT Generative AI Impact Consortium e pelo programa de Responsabilidades Sociais e Éticas de Computação do MIT Schwarzman College of Computing.
Os resultados mostrados até agora são simulações, e traduzir esse desempenho para hardware físico – com percepção mais confusa, linguagem mais barulhenta e consequências reais – continua sendo o próximo obstáculo do campo. Mas a direção é clara: à medida que os robôs passam das gaiolas das fábricas para as cozinhas e escritórios, as máquinas bem-sucedidas podem ser aquelas que compreendem não apenas o que dizemos, mas também o que queremos dizer.
Este artigo é baseado em reportagem de Jennifer Chu, publicada pelo MIT News em 9 de novembro de 2026.---
Fique à Frente da IAAs últimas notícias, análises e avanços em inteligência artificial — tudo em um só lugar.
Ler mais notícias de IA →
