Autor: merakiki
Tradução: TechFlow
Durante décadas, o escopo de aplicação da robótica foi extremamente restrito, concentrando-se principalmente na execução de tarefas repetitivas em ambientes industriais estruturados. No entanto, a inteligência artificial (IA) de hoje está revolucionando o campo da robótica, permitindo que robôs compreendam e executem comandos dos usuários, ao mesmo tempo em que se adaptam a ambientes dinâmicos e em constante mudança.
Estamos entrando em uma nova era de rápido crescimento. Segundo previsões do Citibank, até 2035, 1,3 bilhão de robôs serão implantados globalmente, com aplicações que vão além das fábricas, alcançando lares e setores de serviços. Ao mesmo tempo, a Morgan Stanley estima que apenas o mercado de robôs humanoides pode atingir um valor de 5 trilhões de dólares até 2050.
Apesar dessa expansão liberar um enorme potencial de mercado, ela também traz grandes desafios em centralização, confiança, privacidade e escalabilidade. As tecnologias Web3, ao apoiar redes de robôs descentralizadas, verificáveis, com proteção de privacidade e colaborativas, oferecem soluções transformadoras para esses problemas.
Nesta edição, vamos explorar profundamente a cadeia de valor em constante evolução da robótica de IA, com foco especial no campo dos robôs humanoides, e revelar as oportunidades atraentes resultantes da fusão entre robôs de IA e tecnologias Web3.
Cadeia de valor dos robôs de IA
A cadeia de valor dos robôs de IA é composta por quatro camadas fundamentais: hardware, inteligência, dados e agentes. Cada camada é construída sobre as demais, permitindo que os robôs percebam, raciocinem e ajam em ambientes reais complexos.
Nos últimos anos, a camada de hardware avançou significativamente, liderada por pioneiros do setor como Unitree e Figure AI. No entanto, ainda existem muitos desafios críticos nas camadas não relacionadas ao hardware, especialmente a escassez de conjuntos de dados de alta qualidade, ausência de modelos fundamentais universais, baixa compatibilidade entre dispositivos e a necessidade de computação de borda confiável. Portanto, as maiores oportunidades de desenvolvimento atualmente estão nas camadas de inteligência, dados e agentes.
1.1 Camada de hardware: “Corpo”
Hoje, fabricar e implantar “corpos de robôs” modernos é mais fácil do que nunca. Existem atualmente mais de 100 tipos diferentes de robôs humanoides no mercado, incluindo o Optimus da Tesla, o G1 da Unitree, o Digit da Agility Robotics e o Figure 02 da Figure AI.
Fonte: Morgan Stanley, “Humanoid 100: Mapa da cadeia de valor dos robôs humanoides”
Esse avanço se deve a três componentes-chave que tiveram avanços tecnológicos:
-
Atuadores (Actuators): Funcionando como os “músculos” dos robôs, os atuadores convertem comandos digitais em movimentos precisos. Inovações em motores de alto desempenho permitem que robôs realizem movimentos rápidos e precisos, enquanto atuadores elastoméricos dielétricos (Dielectric Elastomer Actuators, DEAs) são adequados para tarefas delicadas. Essas tecnologias aumentaram significativamente a flexibilidade dos robôs, como o Optimus Gen 2 da Tesla, que possui 22 graus de liberdade (DoF), e o G1 da Unitree, ambos demonstrando flexibilidade próxima à humana e impressionante capacidade de locomoção.
Fonte: Unitree apresentando seu mais recente robô humanoide em uma luta de boxe na WAIC 2025 World Artificial Intelligence Conference
-
Sensores (Sensors): Sensores avançados permitem que robôs percebam e interpretem o ambiente por meio de entradas visuais, LIDAR/RADAR, táteis e de áudio. Essas tecnologias suportam navegação segura, operações precisas e percepção contextual.
-
Computação embarcada (Embedded Computing): CPUs, GPUs e aceleradores de IA (como TPUs e NPUs) embarcados nos dispositivos processam dados dos sensores em tempo real e executam modelos de IA, permitindo decisões autônomas. Conexões confiáveis e de baixa latência garantem coordenação perfeita, enquanto arquiteturas híbridas de borda-nuvem permitem que robôs descarreguem tarefas computacionais intensivas conforme necessário.
1.2 Camada de inteligência: “Cérebro”
Com o amadurecimento do hardware, o foco do setor mudou para a construção do “cérebro do robô”: modelos fundamentais poderosos e estratégias de controle avançadas.
Antes da integração da IA, os robôs dependiam de automação baseada em regras, executando ações pré-programadas e carecendo de inteligência adaptativa.
Modelos fundamentais estão sendo gradualmente aplicados à robótica. No entanto, apenas modelos de linguagem de grande porte (LLMs) genéricos não são suficientes, pois robôs precisam perceber, raciocinar e agir em ambientes físicos dinâmicos. Para atender a essas necessidades, o setor está desenvolvendo modelos fundamentais de robótica de ponta a ponta baseados em políticas. Esses modelos permitem que robôs:
-
Percebam (Perceive): recebam dados de sensores multimodais (visão, áudio, tato)
-
Planejem (Plan): estimem seu próprio estado, mapeiem o ambiente e interpretem comandos complexos, mapeando percepções diretamente para ações e reduzindo a intervenção manual
-
Atuem (Act): gerem planos de movimento e emitam comandos de controle para execução em tempo real
Esses modelos aprendem “políticas” gerais de interação com o mundo, permitindo que robôs se adaptem a várias tarefas e operem com maior inteligência e autonomia. Modelos avançados também utilizam feedback contínuo, permitindo que robôs aprendam com a experiência e aumentem ainda mais sua adaptabilidade em ambientes dinâmicos.
O modelo VLA mapeia entradas sensoriais (principalmente dados visuais e comandos em linguagem natural) diretamente para ações do robô, permitindo que ele emita comandos de controle apropriados com base no que “vê” e “ouve”. Exemplos notáveis incluem o RT-2 do Google, o Isaac GR00T N1 da Nvidia e o π0 da Physical Intelligence.
Para aprimorar esses modelos, normalmente são integradas várias abordagens complementares, como:
-
Modelos de mundo (World Models): constroem simulações internas do ambiente físico, ajudando robôs a aprender comportamentos complexos, prever resultados e planejar ações. Por exemplo, o recém-lançado Genie 3 do Google é um modelo de mundo universal capaz de gerar ambientes interativos inéditos e diversificados.
-
Aprendizado por reforço profundo (Deep Reinforcement Learning): ajuda robôs a aprender comportamentos por tentativa e erro.
-
Teleoperação (Teleoperation): permite controle remoto e fornece dados de treinamento.
-
Aprendizado por demonstração (LfD)/Aprendizado por imitação (Imitation Learning): ensina novas habilidades aos robôs por meio da imitação de ações humanas.
A imagem abaixo mostra como essas abordagens atuam nos modelos fundamentais de robótica.
Fonte: Modelos de mundo: o núcleo da inteligência física impulsionando-nos em direção à AGI (World models: the physical intelligence core driving us toward AGI)
Alguns avanços recentes de código aberto, como o π0 da Physical Intelligence e o Isaac GR00T N1 da Nvidia, marcam progresso significativo na área. No entanto, a maioria dos modelos fundamentais de robótica ainda é centralizada e de código fechado. Empresas como Covariant e Tesla ainda mantêm códigos e conjuntos de dados proprietários, principalmente devido à falta de mecanismos abertos de incentivo.
Essa falta de transparência limita a colaboração e a interoperabilidade entre plataformas robóticas, destacando a necessidade de padrões on-chain para compartilhamento seguro e transparente de modelos, governança comunitária e camadas de interoperabilidade entre dispositivos. Essa abordagem promoverá confiança, cooperação e impulsionará o desenvolvimento mais robusto do setor.
1.3 Camada de dados: o “conhecimento” do cérebro
Conjuntos de dados robustos para robótica dependem de três pilares: quantidade, qualidade e diversidade.
Embora o setor já tenha feito esforços para acumular dados, a escala dos conjuntos de dados de robótica existentes ainda é insuficiente. Por exemplo, o GPT-3 da OpenAI foi treinado com 300 bilhões de tokens, enquanto o maior conjunto de dados de robótica open source, o Open X-Embodiment, contém apenas mais de 1 milhão de trajetórias reais de robôs, abrangendo 22 tipos de robôs. Isso está muito aquém da escala necessária para habilidades de generalização robustas.
Algumas abordagens proprietárias, como a coleta de dados da Tesla em sua data factory, onde funcionários usam roupas de captura de movimento para gerar dados de treinamento, realmente ajudam a coletar mais dados de movimento reais. No entanto, esses métodos são caros, limitados em diversidade de dados e difíceis de escalar.
Para enfrentar esses desafios, o setor de robótica está utilizando três principais fontes de dados:
-
Dados da internet: Dados da internet são vastos e fáceis de escalar, mas são principalmente observacionais e carecem de sinais de sensores e movimento. Pré-treinar grandes modelos visuais e de linguagem (como GPT-4V e Gemini) em dados da internet pode fornecer valiosos pré-requisitos semânticos e visuais. Além disso, adicionar rótulos cinemáticos a vídeos pode transformar vídeos brutos em dados de treinamento acionáveis.
-
Dados sintéticos: Dados sintéticos gerados por simulação permitem experimentação em larga escala e abrangem cenários diversos rapidamente, mas não refletem completamente a complexidade do mundo real, uma limitação conhecida como “sim-to-real gap”. Pesquisadores abordam isso com adaptação de domínio (como aumento de dados, randomização de domínio, aprendizado adversarial) e transferência sim-to-real, otimizando modelos iterativamente e testando-os em ambientes reais.
-
Dados do mundo real: Apesar de escassos e caros, dados do mundo real são essenciais para a implementação dos modelos e para fechar a lacuna entre simulação e implantação real. Dados reais de alta qualidade geralmente incluem visões em primeira pessoa (egocentric views), registrando o que o robô “vê” durante tarefas, e dados de movimento, registrando ações precisas. Dados de movimento são normalmente coletados por demonstração humana ou teleoperação, utilizando realidade virtual (VR), dispositivos de captura de movimento ou ensino tátil, garantindo que os modelos aprendam com exemplos reais e precisos.
Pesquisas mostram que combinar dados da internet, do mundo real e sintéticos para treinar robôs aumenta significativamente a eficiência do treinamento e a robustez dos modelos (nota: robustez refere-se à capacidade do sistema de permanecer forte e estável em situações anormais ou perigosas).
Ao mesmo tempo, embora aumentar a quantidade de dados ajude, a diversidade dos dados é ainda mais importante, especialmente para generalizar para novas tarefas e morfologias robóticas. Para alcançar essa diversidade, são necessárias plataformas de dados abertas e compartilhamento colaborativo de dados, incluindo a criação de conjuntos de dados multi-instância que suportam várias morfologias robóticas, impulsionando o desenvolvimento de modelos fundamentais mais robustos.
1.4 Camada de agentes: “Agentes físicos de IA”
A tendência de evolução para agentes físicos de IA está acelerando, com robôs autônomos capazes de agir independentemente no mundo real. O avanço da camada de agentes depende do ajuste fino dos modelos, aprendizado contínuo e adaptação prática para cada morfologia robótica única.
A seguir, algumas oportunidades emergentes para acelerar o desenvolvimento de agentes físicos de IA:
-
Aprendizado contínuo e infraestrutura adaptativa: Loops de feedback em tempo real e compartilhamento de experiências durante a implantação permitem que robôs melhorem continuamente.
-
Economia autônoma de agentes: Robôs operam como entidades econômicas independentes — negociando recursos como poder computacional e dados de sensores em mercados de robôs, gerando receita por meio de serviços tokenizados.
-
Sistemas multiagente: Plataformas e algoritmos de próxima geração permitem que grupos de robôs coordenem, colaborem e otimizem comportamentos coletivos.
Fusão de robôs de IA e Web3: liberando enorme potencial de mercado
À medida que os robôs de IA avançam da pesquisa para a implantação no mundo real, vários gargalos de longa data estão impedindo a inovação e limitando a escalabilidade, robustez e viabilidade econômica do ecossistema robótico. Esses gargalos incluem silos centralizados de dados e modelos, falta de confiança e rastreabilidade, restrições de privacidade e conformidade e falta de interoperabilidade.
2.1 Dores enfrentadas pelos robôs de IA
-
Silos centralizados de dados e modelos
Modelos robóticos exigem conjuntos de dados grandes e diversificados. No entanto, o desenvolvimento de dados e modelos hoje é altamente centralizado, fragmentado e caro, levando a sistemas isolados e baixa adaptabilidade. Robôs implantados em ambientes dinâmicos do mundo real frequentemente apresentam desempenho ruim devido à falta de diversidade de dados e robustez dos modelos.
-
Confiança, rastreabilidade e confiabilidade
A ausência de registros transparentes e auditáveis (incluindo origem dos dados, processo de treinamento do modelo e histórico operacional do robô) enfraquece a confiança e a responsabilidade. Isso se torna um grande obstáculo para a adoção de robôs por usuários, reguladores e empresas.
-
Privacidade, segurança e conformidade
Em aplicações sensíveis como robôs médicos e domésticos, a proteção da privacidade é essencial e deve obedecer a regulamentos regionais rigorosos (como o GDPR europeu). Infraestruturas centralizadas têm dificuldade em suportar colaboração de IA segura e com proteção de privacidade, limitando o compartilhamento de dados e inibindo a inovação em áreas reguladas ou sensíveis.
-
Escalabilidade e interoperabilidade
Sistemas robóticos enfrentam grandes desafios em compartilhamento de recursos, aprendizado colaborativo e integração entre múltiplas plataformas e morfologias. Essas limitações fragmentam os efeitos de rede e impedem a rápida transferência de capacidades entre diferentes tipos de robôs.
2.2 Robôs de IA x Web3: soluções estruturais impulsionam oportunidades de investimento
Tecnologias Web3, por meio de redes de robôs descentralizadas, verificáveis, com proteção de privacidade e colaborativas, resolvem fundamentalmente os pontos problemáticos acima. Essa fusão está abrindo novas oportunidades de mercado para investimento:
-
Desenvolvimento colaborativo descentralizado: Redes baseadas em incentivos permitem que robôs compartilhem dados, desenvolvam modelos e agentes inteligentes em conjunto.
-
Rastreabilidade e responsabilidade verificáveis: A tecnologia blockchain garante registros imutáveis da origem de dados e modelos, identidade robótica e histórico operacional, essenciais para confiança e conformidade.
-
Colaboração com proteção de privacidade: Soluções criptográficas avançadas permitem que robôs treinem modelos e compartilhem insights sem expor dados proprietários ou sensíveis.
-
Governança orientada pela comunidade: Organizações Autônomas Descentralizadas (DAOs) orientam e supervisionam operações robóticas por meio de regras e políticas on-chain transparentes e inclusivas.
-
Interoperabilidade entre morfologias: Estruturas abertas baseadas em blockchain promovem colaboração perfeita entre diferentes plataformas robóticas, reduzindo custos de desenvolvimento e acelerando a transferência de capacidades.
-
Economia autônoma de agentes: Infraestruturas Web3 conferem identidade econômica independente aos robôs, permitindo transações peer-to-peer, negociações e participação em mercados tokenizados sem intervenção humana.
-
Redes descentralizadas de infraestrutura física (DePIN): Compartilhamento peer-to-peer de recursos de computação, percepção, armazenamento e conexão baseados em blockchain, aumentando a escalabilidade e resiliência das redes de robôs.
A seguir, alguns projetos inovadores que estão impulsionando o desenvolvimento desse setor, ilustrando o potencial e as tendências da fusão entre robôs de IA e Web3. Claro, isso é apenas para referência e não constitui conselho de investimento.
Desenvolvimento descentralizado de dados e modelos
Plataformas Web3 incentivam a participação de colaboradores (como roupas de captura de movimento, compartilhamento de sensores, upload de imagens, rotulagem de dados e até geração de dados sintéticos) para democratizar o desenvolvimento de dados e modelos. Essa abordagem permite construir conjuntos de dados e modelos mais ricos, diversos e representativos, superando o que qualquer empresa individual poderia alcançar. Estruturas descentralizadas também aumentam a cobertura de casos de borda, essencial para robôs operando em ambientes imprevisíveis.
Exemplos:
-
Frodobots: Protocolo de crowdsourcing de conjuntos de dados do mundo real por meio de jogos de robôs. Eles lançaram o projeto “Earth Rovers” — um robô de calçada e jogo global “Drive to Earn”, criando com sucesso o conjunto de dados FrodoBots 2K Dataset, incluindo imagens de câmeras, dados de GPS, gravações de áudio e dados de controle humano, cobrindo mais de 10 cidades e totalizando cerca de 2.000 horas de direção remota de robôs.
-
BitRobot: Plataforma de incentivo cripto desenvolvida em conjunto pelo FrodoBots Lab e Protocol Labs, baseada na blockchain Solana e arquitetura de sub-redes. Cada sub-rede é definida como um desafio público, e colaboradores recebem recompensas em tokens ao submeter modelos ou dados, incentivando a colaboração global e a inovação open source.
-
Reborn Network: Camada fundamental para o ecossistema aberto de robôs AGI, oferecendo o traje de captura de movimento Rebocap, permitindo que qualquer pessoa registre e lucre com seus próprios dados de movimento reais, promovendo a abertura de conjuntos de dados complexos para robôs humanoides.
-
PrismaX: Aproveita o poder de colaboradores da comunidade global, garantindo diversidade e autenticidade dos dados por meio de infraestrutura descentralizada, implementando mecanismos robustos de validação e incentivo para impulsionar o desenvolvimento em escala de conjuntos de dados robóticos.
Prova de rastreabilidade e confiabilidade
A tecnologia blockchain fornece transparência de ponta a ponta e atribuição de responsabilidade para o ecossistema robótico. Ela garante rastreabilidade verificável de dados e modelos, autentica identidade e localização física dos robôs e mantém registros claros do histórico operacional e da participação dos colaboradores. Além disso, validação colaborativa, sistemas de reputação on-chain e mecanismos de validação baseados em staking garantem a qualidade dos dados e modelos, evitando que entradas de baixa qualidade ou fraudulentas prejudiquem o ecossistema.
Exemplo:
-
OpenLedger: Uma infraestrutura de IA blockchain que treina e implanta modelos dedicados usando conjuntos de dados de propriedade da comunidade. Por meio do mecanismo “Proof of Attribution”, garante que colaboradores de dados de alta qualidade recebam recompensas justas.
Tokenização de propriedade, licenciamento e monetização
Ferramentas nativas de propriedade intelectual do Web3 suportam licenciamento tokenizado de conjuntos de dados dedicados, capacidades robóticas, modelos e agentes inteligentes. Colaboradores podem usar contratos inteligentes para incorporar termos de licenciamento diretamente em seus ativos, garantindo pagamentos automáticos de royalties quando dados ou modelos forem reutilizados ou monetizados. Essa abordagem promove acesso transparente e sem permissão, criando um mercado aberto e justo para dados e modelos robóticos.
Exemplo:
-
Poseidon: Camada de dados descentralizada full stack baseada no protocolo Story centrado em IP, fornecendo dados de treinamento de IA com autorização legal.
Soluções de proteção de privacidade
Dados de alto valor gerados em hospitais, quartos de hotel ou residências são difíceis de obter por canais públicos, mas seu rico contexto pode melhorar significativamente o desempenho dos modelos fundamentais. Soluções criptográficas transformam dados privados em ativos on-chain, tornando-os rastreáveis, composáveis e monetizáveis, enquanto protegem a privacidade. Tecnologias como Ambientes de Execução Confiáveis (TEEs) e Provas de Conhecimento Zero (ZKPs) permitem computação segura e verificação de resultados sem expor dados brutos. Essas ferramentas permitem que organizações treinem modelos de IA em dados sensíveis distribuídos, mantendo privacidade e conformidade.
Exemplo:
-
Phala Network: Permite que desenvolvedores implantem aplicativos em TEEs seguros para processamento confidencial de IA e dados.
Governança aberta e auditável
O treinamento de robôs normalmente depende de sistemas proprietários de caixa-preta, sem transparência ou adaptabilidade. Governança transparente e verificável é essencial para reduzir riscos e aumentar a confiança de usuários, reguladores e empresas. Tecnologias Web3 possibilitam o desenvolvimento colaborativo de inteligência robótica open source supervisionada pela comunidade on-chain.
Exemplo:
-
Openmind: Uma stack de software open source nativa de IA que ajuda robôs a pensar, aprender e colaborar. Eles propuseram o padrão ERC7777, visando estabelecer um ecossistema robótico verificável e regulado, com foco em segurança, transparência e escalabilidade. O padrão define interfaces padronizadas para gerenciar identidades humanas e robóticas, executar conjuntos de regras sociais e registrar/remover participantes, esclarecendo direitos e responsabilidades relacionados.
Reflexões finais
Com a fusão entre robôs de IA e tecnologias Web3, estamos entrando em uma nova era em que sistemas autônomos podem colaborar e se adaptar em larga escala. Os próximos 3 a 5 anos serão um período crucial, com o rápido desenvolvimento de hardware impulsionando o surgimento de modelos de IA mais poderosos, baseados em conjuntos de dados do mundo real mais ricos e mecanismos de colaboração descentralizados. Esperamos que agentes de IA dedicados surjam em setores como hotelaria e logística, criando enormes novas oportunidades de mercado.
No entanto, essa fusão entre robôs de IA e tecnologias cripto também traz desafios. Projetar mecanismos de incentivo equilibrados e eficazes continua sendo complexo e está em constante evolução; o sistema precisa recompensar colaboradores de forma justa e evitar abusos. A complexidade técnica também é um grande desafio, exigindo o desenvolvimento de soluções robustas e escaláveis para integração perfeita de múltiplos tipos de robôs. Além disso, tecnologias de proteção de privacidade devem ser suficientemente confiáveis para conquistar a confiança das partes interessadas, especialmente ao lidar com dados sensíveis. O ambiente regulatório em rápida mudança também exige cautela para garantir conformidade em diferentes jurisdições. Abordar esses riscos e alcançar retornos sustentáveis é fundamental para impulsionar o progresso tecnológico e a adoção em larga escala.
Vamos acompanhar juntos o desenvolvimento deste setor, promovendo o progresso por meio da colaboração e aproveitando as oportunidades que surgem neste mercado em rápida expansão.
A inovação em robótica é uma jornada que vale a pena trilhar em conjunto :)
Por fim, gostaria de agradecer ao Chain of Thought pelo artigo “Robotics & The Age of Physical AI”, que forneceu apoio valioso para minha pesquisa.
