Os três gigantes do Vale do Silício desencadeiam revolução na produção em massa. A inteligência incorporada na China pode alcançar a posição de destaque no palco global?

Introdução: A ação predefinida é o bilhete de entrada de hoje, e a capacidade de generalização é o bilhete para a final de amanhã.

Edição｜Jing Cheng

Autor｜Jiang Jing

No encerramento do 1.º trimestre de 2026, uma ação global sincronizada na área da tecnologia anunciou oficialmente uma viragem histórica para a indústria de robôs humanoides.

Os três gigantes de Silicon Valley—Google, Amazon e Tesla—reforçaram esforços na mesma semana: desde a capacitação tecnológica, passando pela conceção de cenários, até à implementação de produção em massa. Tudo está em aceleração total para levar os robôs humanoides do palco das demonstrações tecnológicas para o campo de batalha industrial.

Entretanto, do lado da China, também surgiram mais ações. Em 26 de março, o Instituto de Investigação de Comunicações e Tecnologias da Informação da China, em conjunto com mais de 40 unidades, divulgou o primeiro padrão da indústria na área de inteligência incorporada (embodied intelligence). Com o reforço contínuo de políticas, a aceleração da implementação pelas empresas e o entusiasmo crescente do capital, a China está a conseguir a travessia de “seguir” para “alcançar”, e até começou a lançar ataques para “liderar” em múltiplas áreas.

Esta revolução, que vai alterar as regras do comércio futuro e o ecossistema industrial, permitirá que a China ocupe o lugar de destaque (C位)?

Fúria global: gigantes de Silicon Valley avançam para a produção em massa e reconfiguram a produtividade futura

Ninguém já trata os robôs humanoides como um conceito de ficção científica.

Nos últimos dias, as ações sincronizadas dos três gigantes de Silicon Valley deixaram claro e audível o ritmo de entrada na era da produção em massa. Cada passo do seu planeamento visa diretamente a reconfiguração da produtividade futura; e o acompanhamento por parte do capital global e das empresas locais mantém o entusiasmo desta via em escalada.

O Google foi o primeiro a construir um “cérebro inteligente” para robôs, lançando dois novos modelos de IA: Gemini Robotics e Gemini Robotics-ER. O primeiro permite que os robôs compreendam contextos novos sem treino específico; o segundo consegue “compreender um mundo complexo e dinâmico”, capacitando-os, no plano tecnológico, a aplicar-se em cenários reais.

A Amazon, por sua vez, centrou-se no planeamento e implementação orientados a cenários. Numa semana, adquiriu sucessivamente a empresa de arranque de robôs humanoides Fauna Robotics e a empresa de robôs para logística Rivr. O seu planeamento não visa apenas otimizar entregas de encomendas, mas sim construir “vasos capilares de serviços robóticos” que vão da linha de produção da fábrica ao escritório/livrete da sala de casa, criando o sistema de mão de obra da próxima geração.

A ação de produção em massa da Tesla é a mais observada. Em 25 de março, o robô Optimus divulgou um anúncio de recrutamento de talentos relacionado, esclarecendo que vai alterar o quadro da mão de obra e da economia da indústria transformadora. O objetivo é alcançar o mais rapidamente possível a produção em massa em larga escala, e que, ainda este verão, será inaugurada a primeira linha de produção anual de um milhão de unidades de robôs humanoides na história da humanidade, levando a implementação de produção em massa a uma fase verdadeiramente concreta.

O planeamento de Silicon Valley não se limita a isto. No mesmo dia, o robô humanoide Figure03, desenvolvido pela Figure AI, instalou-se na Casa Branca, tornando-se o primeiro robô humanoide da Casa Branca fabricado nos EUA. Possui capacidades como comunicação em múltiplos idiomas e concluir tarefas domésticas de forma autónoma. Além disso, meio ano antes a empresa já tinha angariado mais de 1.000 milhões de dólares; gigantes como a NVIDIA e a LG também “apoiaram”, evidenciando a forte procura do capital global pela via dos robôs humanoides.

O vice-diretor do departamento de investimentos do Instituto de Desenvolvimento de Cidades da China, Yuan Shuai, afirmou que as ações de produção em massa dos gigantes de Silicon Valley, em conjunto com a publicação dos padrões da indústria de inteligência incorporada na China, sinalizam em conjunto que a indústria de robôs humanoides passou do “fundo do poço” da investigação e desenvolvimento tecnológico para o período áureo de implementação comercial. As quebras de tecnologia central sustentam a produção em escala; e os padrões da indústria definem normas técnicas e reduzem a competição desordenada.

No entanto, o especialista Gao Heng, da Associação de Ciências da Informação e Notícias da China, apresentou um juízo prudente. Considera que a indústria se encontra atualmente antes do grande salto da comercialização e numa fase de materialização parcial, e não na “época áurea” de uma explosão total da comercialização. Mudança central agora é que as várias forças começam a validar em conjunto se os robôs “conseguem trabalhar continuamente em cenários reais” e se “os custos são controláveis”, e não apenas uma rutura na investigação e desenvolvimento tecnológico.

Respiro para a China: múltiplas vantagens firmam-se no terreno, e a principal lacuna precisa ser suprida com urgência

Quando os gigantes de Silicon Valley lançaram a vaga de produção em massa, a China não está a seguir de forma passiva. Pelo contrário, já tinha planeado atempadamente. Graças a múltiplas vantagens—padrões, cenários, mercado e capital—consolidou a sua posição na via global de inteligência incorporada. Ainda assim, em comparação com os gigantes de Silicon Valley, continua a haver uma diferença nas tecnologias e capacidades centrais, o que se tornou um travão para o desenvolvimento adicional da indústria.

Do ponto de vista das vantagens, o planeamento da China revela claramente características locais e um efeito de vantagem de pioneirismo. Em primeiro lugar, é dominar o poder de voz na criação de padrões. Em 26 de março, o Instituto de Comunicações e Tecnologias da Informação da China, em conjunto com mais de 40 unidades, publicou o primeiro padrão da indústria na área de inteligência incorporada, construindo uma estrutura unificada de testes de referência. Na fase inicial do desenvolvimento industrial, isso permitiu conquistar ativamente o poder de definir padrões.

Em segundo lugar, a implementação em cenários é mais avançada. O desenvolvimento da inteligência incorporada na China nunca ficou preso a uma fase de demonstrações; na verdade, foi concretizado em aplicações reais. Por exemplo, o robô quadrúpede Unitree já foi implementado em vários projetos de inspeção industrial, como na estação de transformação elétrica de Zhejiang, em corredores subterrâneos de tubagens em Hangzhou e na base de petroquímica em Guangdong.

Além disso, a China tem um mercado de grande escala e um ambiente de capital ativo. Em 2025, existiam mais de 140 empresas de máquinas/integradores de inteligência incorporada no país. Foram lançados mais de 330 modelos/produtos de robôs humanoides, com um volume de expedição de aproximadamente 17.000 unidades. A dimensão dos mercados de inteligência incorporada e de robôs humanoides atingiu, respetivamente, 5.295 milhões de yuan e 8.239 milhões de yuan.

No segmento de capital, o IPO da Unitree Technology foi aceite, tornando-se a primeira ação de robôs humanoides da bolsa A (Ações A). Desde o início do ano, a indústria de inteligência incorporada registou um aumento de financiamento de grande dimensão, acelerando o processo de capitalização. Já entre janeiro e setembro de 2025, as receitas de vendas de robôs quadrúpedes e robôs humanoides da Unitree Technology cresceram, respetivamente, 182,22% e 6,42 vezes ano a ano, comprovando de forma intuitiva o potencial do mercado.

Apesar do ímpeto de desenvolvimento ser forte, as lacunas da China na corrida global também são evidentes.

Vários especialistas apontaram que a diferença central entre robôs humanoides na China e no exterior não está na fabricação de hardware, mas sim no acúmulo de dados, na capacidade de generalização dos modelos e na sedimentação da tecnologia de base. Na superfície, isso se manifesta na menor flexibilidade dos movimentos e na falta de capacidade de generalização dos robôs.

Yuan Shuai acredita que a diferença entre robôs humanoides na China e no exterior, à primeira vista, é a diferença de flexibilidade de movimentos e capacidade de generalização; a raiz está nas tecnologias de base, no acúmulo de dados e nas filosofias de investigação e desenvolvimento. Por exemplo, o RoboCat do Google consegue realizar movimentos flexíveis com generalização, graças a um longo acúmulo tecnológico—com investimentos contínuos, especialmente em algoritmos de grandes modelos, fusão de sensores e controlo de dinâmica robótica, permitindo, com base em enormes dados de treino em múltiplos cenários, que o robô tenha capacidade de aprendizagem autónoma e adaptação ao ambiente.

Ele salientou que, atualmente, os produtos nacionais tendem a ficar, sobretudo, na fase de ações predefinidas e na repetição de cenários fixos. A principal lacuna é, em primeiro lugar, a falta de dados de treino reais de alta qualidade e em grande escala para cenários, o que leva a uma insuficiência na capacidade de generalização dos algoritmos; em segundo lugar, componentes fundamentais como motores servo de alta precisão e sensores de força dependem de importações, o que limita a precisão de movimento e o nível de perceção.

Gao Heng acrescentou que a verdadeira diferença está em saber se os dados, os modelos, a engenharia de sistemas e as capacidades de encerramento (fecho de ciclo) de cenários conseguem formar sinergia. As empresas de topo no exterior têm como objetivo construir robôs inteligentes que compreendam o ambiente e concluam tarefas de forma autónoma; a chave é tratar o robô como um produto de dados que pode ser iterado de forma sustentável para ser desenvolvido. A capacidade de generalização é, por natureza, uma capacidade composta. Na China, não é que uma única tecnologia esteja atrasada; em vez disso, os dados e os cenários não conseguem formar um ciclo de iteração. Assim, os robôs só conseguem ajustar parâmetros em tarefas únicas, tornando difícil “ficar cada vez mais inteligente com o uso”.

O conhecido escritor financeiro e director do Instituto de Investigação de Influência de Yu (眺远影响力研究院), Gao Chengyuan, afirmou que a diferença central está concentrada no acúmulo de dados e na capacidade de generalização dos modelos. No exterior, as vantagens são claramente evidentes na aprendizagem por transferência da simulação para a realidade e em estratégias generalizadas para múltiplas tarefas, apoiadas em investimentos de longo prazo para estabelecer ciclos fechados de dados entre cenários e capacidades de desenvolvimento de modelos base. No país, ainda se baseia em ações predefinidas. Essencialmente, trata-se da escassez de dados incorporados de alta qualidade; e, além disso, existe uma diferença geracional na capacidade de computação e na engenharia algorítmica necessárias para grandes modelos ponta-a-ponta (end-to-end).

A Unitree Technology também reconheceu, de forma franca, que as principais dificuldades técnicas para aplicações comerciais em larga escala em cenários industriais e domésticos ainda por superar incluem duas frentes: a capacidade de grandes modelos incorporados do “nível do cérebro” e a finura, durabilidade e fiabilidade das “mãos hábeis” (grippers). A dificuldade técnica mais importante, segundo eles, ainda é que, a nível global, os grandes modelos incorporados encontram-se numa fase inicial de desenvolvimento, com insuficiência de capacidade de generalização.

Caminho para quebrar o impasse: múltiplas vias para melhorar capacidades e equilibrar desenvolvimento atual com o de longo prazo

Com um contexto de insuficiência de acumulação de dados e de cenários, como melhorar a flexibilidade dos movimentos e a capacidade de generalização dos robôs tornou-se a questão central para as empresas nacionais conseguirem alcançar.

Combinando a situação atual da indústria, vários especialistas propuseram vias de desenvolvimento que são tanto práticas quanto prospectivas. Ao mesmo tempo, destacaram que as empresas devem equilibrar a implementação de curto prazo com a investigação e desenvolvimento de longo prazo: usar ações predefinidas como bilhete de entrada e ter a capacidade de generalização como barreira central.

Wang Peng, investigador do Instituto de Ciências Sociais de Pequim, propôs que as empresas nacionais podem alcançar através de duas linhas: “ancorar em cenários + reutilizar tecnologia”. Por um lado, focar-se em ciclos fechados de dados para cenários verticais, começando por fixar cenários padronizados como soldadura industrial e manuseamento/movimentação de materiais, obter conjuntos de dados exclusivos através de implementação em pequena escala, e depois treinar modelos incorporados do domínio vertical. Por outro lado, aproveitar a coordenação do ecossistema de código aberto: com base nos padrões da indústria divulgados pelo Instituto de Comunicações e Tecnologias da Informação, promover partilha de dados entre empresas; e, com base em dados de operação em formato unificado, realizar treino conjunto de modelos generalizáveis.

Yuan Shuai sugeriu a implementação paralela de múltiplas vias: não só cooperar com instituições de investigação universitárias, utilizando simulação e gémeos digitais para gerar dados virtuais para treino e depois transferir para o mundo real; como também abrir interfaces para se conectar com os fornecedores/proprietários de cenários e conduzir pilotos, recolhendo dados reais para iterar algoritmos. Ao mesmo tempo, promover a partilha anonimizada de dados de treino entre empresas, quebrando “ilhas de dados”, aumentar o investimento na produção nacional de componentes centrais e, através de avanços em hardware, sustentar a movimentação flexível dos robôs.

Gao Heng apresentou quatro vias práticas: em primeiro lugar, obter dados a partir de “cenários reais” e fazer uma ligação profunda com fábricas, armazéns e outros cenários, permitindo que os robôs se integrem em fluxos de trabalho reais para acumular dados; em segundo lugar, fazer primeiro a simulação e fechar o ciclo com o equipamento real: treinar estratégias no ambiente de simulação e depois fazer ajustamentos finos (microajustes) no mundo real, reduzindo custos de treino; em terceiro lugar, fazer primeiro a generalização de tarefas, concentrando-se em tarefas de um único tipo como triagem e movimentação/carregamento, para realizar generalização e primeiro materializar valor comercial; em quarto lugar, criar um sistema de dados e padrões partilhados na indústria para resolver o problema de que interfaces e sistemas de avaliação não são uniformes, formando iterações em nível de indústria.

Os especialistas concordaram unanimemente que ações predefinidas e capacidade de generalização são igualmente importantes para o desenvolvimento das empresas.

Wang Peng acredita que, em curto prazo, os robôs com ações predefinidas já conseguem cobrir a maior parte das necessidades de cenários industriais, e os custos são apenas de robôs com capacidade de generalização. Mas, a longo prazo, a capacidade de generalização é a barreira central que determina se as empresas conseguem atravessar o ciclo da indústria—à medida que cenários não padronizados se expandem, como serviços domésticos e resgate e resposta a emergências, os robôs que conseguem adaptar-se autonomamente ao ambiente tornar-se-ão gradualmente a corrente principal.

Gao Heng concorda igualmente: a ação predefinida é o bilhete de entrada de hoje, e a capacidade de generalização é o bilhete para a final de amanhã. Para as empresas, não podem, por conseguirem ganhar dinheiro hoje com ações predefinidas, desistir do investimento de longo prazo na capacidade de generalização; mas também não podem, ao contrário, ignorar os cenários com implementação imediata, por perseguirem apenas a generalização. Primeiro garantir encomendas, depois treinar a inteligência—esta é uma rota mais realista.

Atualmente, a dimensão do mercado de inteligência incorporada da China já representa metade do mundo. E, em cenários como indústria e emergências, já existem aplicações implementadas. No futuro, que tipo de cenário se tornará a primeira porta de entrada para a China alcançar uma rutura em comercialização em escala de robôs de inteligência incorporada?

Gao Chengyuan entende que a fabricação industrial será o ponto de rutura em que a China alcançará primeiro comercialização em escala, especialmente em cenários como fabrico automóvel, montagem de eletrónica 3C e logística de armazém. Explorar a procura de cenários exige ir a fundo na linha de frente da indústria e construir, em conjunto com empresas fabricantes de topo, laboratórios conjuntos. A partir da substituição de etapas únicas, expandir-se gradualmente para automação da linha inteira. A chave para promover a integração entre tecnologia e cenários está em estabelecer um mecanismo de “impulso inverso da tecnologia de definição de cenários”, fazendo com que as necessidades da linha de produção real puxem a iteração do hardware e a otimização de algoritmos, em vez de a tecnologia avançar primeiro para depois procurar um cenário.

Da “corrida paralela” para a “liderança global”, a China ainda precisa de ultrapassar gargalos centrais em políticas, tecnologia e ecossistema industrial.

Yuan Shuai sugere que, a nível de políticas, se deve reforçar o apoio e o investimento de fundos e aperfeiçoar a proteção de direitos de propriedade intelectual. Do ponto de vista tecnológico, focar os principais esforços em algoritmos de grandes modelos e em componentes centrais, melhorando a aprendizagem autónoma e a capacidade de generalização dos robôs. No ecossistema industrial, fortalecer a coordenação entre upstream e downstream, acelerar a nacionalização dos componentes, aprofundar a integração entre ensino, investigação e aplicação, e promover a transformação de resultados. Ao mesmo tempo, realizar ativamente cooperação internacional, participar na definição de padrões globais para aumentar o poder de voz da indústria e, por fim, construir um ecossistema completo de inteligência incorporada, alcançando o objetivo de liderança.