Formigas espirituais: por que treinar novamente o cérebro do robô desde o início

Durante toda a sessão de comunicação, a comunicação social fez perguntas ao mesmo problema de muitas maneiras diferentes.

A atual “mente” de robôs, a que distância está de entrar de verdade no mundo físico para trabalhar?

As conclusões dadas pelo CEO da Ant iLingBo, Zhu Xing, e pelo cientista-chefe, Shen Yujun, são bem mais serenas do que o entusiasmo do mercado. A “mente” de robôs atual talvez ainda não tenha chegado ao “momento GPT-1”. A indústria ainda não assistiu ao verdadeiro surgimento de inteligência; e as rotas técnicas também estão longe de se convergir.

No ano passado, conceitos como VLA, world model (modelo do mundo) e modelos de ações a partir de vídeo apareceram em rodízio. Desta vez, a Ant iLingBo lançou de uma só vez 6 modelos; mas as questões que pretende responder são mais específicas. Um modelo de grande escala treinado no mundo digital pode ser instalado diretamente no corpo de um robô? O mundo físico precisa de um conjunto de modelos replaneado de raiz, desde a perceção, passando pela previsão, até à ação?

O Lingbo escolheu partir das restrições do mundo físico para refazer todo esse sistema de modelos.

01 Um modelo de grande escala do mundo digital, por que não consegue ser instalado no corpo de um robô

Shen Yujun deu um exemplo “vá direto ao assunto e vê o gato” no local.

Atrás de uma porta de vidro opaca existe um gato. Um modelo de visão comum consegue identificar o gato atrás da porta e também descrever com exatidão o que aparece na imagem. Mas quando o robô precisa se mover até ao gato, apenas “ver” não é suficiente. Ele precisa compreender que a porta de vidro constitui uma barreira física; antes de a porta ser aberta, o gato está num espaço que os braços mecânicos não conseguem alcançar.

Os modelos digitais focam-se no que existe na imagem; já o robô precisa também de julgar distância, oclusão, relações de contacto e acessibilidade (reachability). A identificação semântica está correta, mas isso completa apenas o primeiro passo da tarefa física.

Modelos de vídeo como Yi Meng e Wan Xiang servem para criação de conteúdo. Quando o utilizador fornece um texto ou um guião, o modelo pode basear-se numa história completa, trocando mais poder de computação por qualidade e continuidade.

O tempo com que o robô lida flui apenas para a frente. Quando ele pega um copo, não sabe se alguém vai esbarrar na mesa no segundo seguinte, nem se o copo vai escorregar. O modelo só consegue prever o próximo passo com base no estado atual e corrigir as ações depois de os sensores devolverem novas informações. Se a imagem fica bonita não é o ponto principal; a previsão precisa ser razoável, rápida e transformável em ação.

A equipa chama esta rota de “nativo para o corpo” (embodied native) e treinou de raiz o LingBot-VA 2.0. As teses técnicas publicadas mostram que o modelo adota designs como pré-treino causal, MoE esparso e inferência assíncrona, para servir controlo robótico de alta frequência e em ciclo fechado.

Essa escolha até permite prever que a imagem apresente alguma deformação. Quando o braço mecânico se prepara para agarrar o copo, o copo gerado pelo modelo pode não estar suficientemente nítido, desde que a direção do movimento esteja correta. Os sensores continuam a fornecer imagem real; o modelo calibra depois com base no estado mais recente.

VLA é mais fácil de compreender intenções linguísticas humanas e consome menos recursos de inferência, sendo atualmente uma rota mais passível de implementação. A Lingbo entra no cenário com VLA, valida dados, e depois usa VA para explorar modelação dinâmica e previsão futura. Shen Yujun considera que, hoje, as rotas técnicas separadas resolvem cada uma uma peça do puzzle; no futuro, podem gradualmente fundir-se num único modelo.

Visto por este ângulo, quando a Lingbo lança 6 modelos, parece mais uma forma de desmontar problemas de ponto único que a “mente” de robôs ainda não resolveu. No futuro, o número de modelos pode até diminuir.

02 O principal custo de treinar de raiz é uma longa “expedição por dados”

Ao escolher “nativo para o corpo”, surge imediatamente o segundo problema: de onde vêm os dados?

Esta questão foi repetidamente levantada no local. Cem mil horas chegam? Um milhão de horas pode levar ao surgimento de inteligência? Dez milhões de horas podem trazer o “momento ChatGPT” dos robôs?

A resposta de Zhu Xing foi direta: dez milhões de horas talvez ainda não cheguem.

A condução automática enfrenta regras e tarefas de trânsito relativamente claras. Um robô genérico precisa de entrar em fábricas, armazéns e casas, contactar objetos com materiais diferentes, adaptar-se a corpos diferentes e, ainda, lidar com estados de falha que não podem ser definidos antecipadamente; a distribuição dos dados é muito mais complexa do que numa única tarefa de condução.

De acordo com teses publicadas, os dados de pré-treino do LingBot-VLA 2.0 já aumentaram das cerca de 20 mil horas da primeira geração para 60 mil horas, incluindo 50 mil horas de trajetórias de robôs e 10 mil horas de vídeos humanos em primeira pessoa, cobrindo 20 configurações de robôs de 17 fabricantes. O espaço de ações também evoluiu de braços duplos para incluir cabeça, cintura, base móvel e mãos hábeis.

60 mil horas ainda é apenas o ponto de partida. A Lingbo valoriza mais a velocidade e a qualidade do ciclo fechado dos dados.

Os dados reais também incluem processos de operação humana registados por meios como UMI e Ego, que podem expandir dados comportamentais a um custo mais baixo. A próxima fase deve complementar modalidades como tato e perceção de força, e alinhá-las com vídeos em primeira pessoa.

A equipa precisa responder continuamente a vários problemas de engenharia. Quais dados realmente entram no treino? Em que tipos de tarefas o modelo falha? As novas tarefas de recolha conseguem cobrir rapidamente lacunas de capacidade? Quanto tempo leva toda a cadeia, desde recolha, processamento e treino até feedback?

Depois de expandir a escala de dados, a equipa ainda precisa filtrar amostras de alto valor. A condução automática já passou por mudanças semelhantes: no início, procurava “aumentar volume”; mais tarde, passou a encontrar um pequeno número de amostras que melhoram mais o modelo entre uma enorme quantidade de frames. Os dados de anomalias e falhas de robôs são especialmente caros e, mais ainda, podem decidir se o modelo consegue lidar com o problema de “cauda longa”.

A Lingbo suporta 20 configurações. Mesmo depois de os fabricantes integrarem, ainda é preciso fazer pós-treino em torno de tarefas concretas. O papel do pré-treino é fazer com que o modelo já tenha “visto antes” corpos diferentes.

O que uma mente para “um cérebro, várias máquinas” economiza de verdade é o custo de treino do zero sempre que se muda uma unidade base (um corpo) e sempre que se adiciona um cenário.

03 A comercialização da “mente” de robôs passa primeiro pela taxa de sucesso

No local, a comunicação social mencionou um caso de armazém. Quando humanos usam empilhadores para fazer uma operação de transporte, pode levar apenas 30 segundos; já o robô leva 1 minuto ou mais e, ao encontrar situações novas, ainda pode parar para voltar a julgar.

Zhu Xing colocou a taxa de sucesso antes da velocidade. Por mais rápido que o robô seja, se falhar de forma consecutiva algumas vezes, a empresa ainda precisa de designar pessoal para assumir o controlo; e a implementação dificilmente gera valor económico. Quando a taxa de sucesso se torna estável, aí sim a empresa calcula ainda mais o ritmo (cycle time), a eficiência de inferência e o custo por unidade.

Deste modo, forma-se a divisão de trabalho entre modelo base e pós-treino.

Zhu Xing comparou o pré-treino a formar um estudante universitário com boas bases. Mesmo quando o estudante entra num banco para trabalhar como contabilista, ainda precisa de formação profissional. Os modelos base corporizados elevam o limite de capacidade; o pós-treino transforma depois o modelo numa ferramenta de produção.

Para fabricantes de robôs e clientes de cenários, o pós-treino inclui recolha de dados, anotação, adaptação do modelo, deployment e otimização de inferência. Cada etapa se converte em custos. Quanto mais inteligente for o modelo base e quanto mais configurações e tarefas tiver “visto”, menos “lições” faltará acrescentar no pós-treino.

O valor comercial de uma mente genérica para robôs é reduzir o investimento necessário para desenvolver modelos específicos para cada cenário. Um robô para aparafusar numa fábrica não precisa aprender a lavar loiça; um hotel e um armazém também escolherão corpos diferentes. O cenário determina o corpo; uma mente genérica precisa abranger mais corpos.

A Lingbo já indicou que está a promover a implementação industrial com fabricantes de corpos (hardware/base). E está a explorar diferentes modos de cobrança, como compra integral, subscrição e personalização. No entanto, no local não foram divulgados casos de clientes para validação externa, nem escala de receitas e nem modelos de custos. Neste momento, o que o mercado consegue confirmar é apenas a rota técnica e a posição no ecossistema; o ciclo comercial fechado em escala aguarda mais dados de projetos.

04 Por que a Lingbo decidiu fazer esta grande tarefa

Treinar de raiz a “mente” dos robôs exige investimento a longo prazo. Pré-treino, infraestruturas de dados, validação com robôs reais e adaptação ao corpo: qualquer uma dessas partes é difícil de completar rapidamente com um pequeno grupo.

Os recursos centrais fornecidos pela Ant i incluem capital, talento, infraestruturas de treino, capacidade de processamento de dados e ecossistema de cenários. Com base nisso, a Lingbo construiu um sistema completo de modelos, de perceção espacial e geração de vídeo, a modelos de mundo interativo até VLA e VA. Depois, validou a capacidade de produção com cooperação com corpos (parcerias de hardware).

Esta estrutura também reflete o julgamento da Ant i sobre o panorama da indústria. A inteligência corporizada ainda está numa fase inicial semelhante ao “desafio das cem dezenas de modelos”. No futuro, pode convergir para apenas alguns fornecedores de modelos base genéricos. Os robôs ainda estão muito longe de entrar em larga escala nas casas; fazer analogia com Windows ou Android ainda é cedo demais.

Ao observar a Lingbo 2.0, parâmetros do modelo e rankings são apenas parte do quadro. O indicador mais crítico é se ela consegue continuar a aumentar a taxa de sucesso em tarefas, cenários e configurações diferentes; e se consegue reduzir o custo do pós-treino para um nível que os clientes estejam dispostos a pagar.

Quando os agentes do mundo digital se popularizam rapidamente após melhorar a capacidade dos modelos base, a inteligência corporizada também pode passar por uma “transbordo” semelhante de capacidades. Só que, no mundo físico, existe uma camada de restrições inevitáveis; cada julgamento que o modelo faz, no fim, precisa ser realizado por um corpo real.

A Ant iLingBo escolheu refazer com antecedência esta “peça de cérebro”. Até onde a rota consegue ir, no fim, depende de os robôs conseguirem de facto trabalhar.

Aviso de risco e cláusulas de isenção de responsabilidade

        Existem riscos no mercado; ao investir, tenha cautela. Este artigo não constitui conselho de investimento pessoal e não considera objetivos de investimento específicos, situação financeira ou necessidades de utilizadores individuais. Os utilizadores devem considerar se quaisquer opiniões, pontos de vista ou conclusões neste artigo estão em conformidade com a sua situação específica. Investir com base nisto é de responsabilidade do próprio investidor.