corpo { tamanho fonte: 16 Px; linha- estatura: 34 px;... Gasgoo Munique- Nos últimos anos, os avanços históricos da IA têm se mostrado quase inteiramente no domínio digital: escrita de texto, codificação e geração de imagens e vídeo. Estas capacidades compartilham uma premissa comum: o conhecimento correspondente foi há muito sedimentado na internet sob a forma de texto, imagens e vídeo, então os modelos simplesmente precisam "ler amplamente". Os robôs, no entanto, enfrentam um mundo físico regido pela gravidade e atrito – um em que escorregar e cair são riscos constantes. O senso tátil, a força e as reações no local necessárias para fazer um trabalho nunca foram gravadas em escala. Para colar este abismo, "modelos mundiais" foram empurrados para o centro de atenção, amplamente considerados como o próximo campo de batalha principal para IA seguindo modelos de línguas grandes. No entanto, quanto mais quente for o hype, mais clara será a necessidade de perspectiva: o objetivo final de um modelo mundial não é apenas simular um mundo realista, mas sim compreender e agir sobre o real. Para colmatar essa lacuna é necessário superar dois obstáculos principais — inteligência física e dados de alta qualidade — ao lado de "constritos difíceis", como consumo de energia e confiabilidade. Para responder a isso, precisamos primeiro ver onde a abordagem principal anterior, VLA, atingiu uma parede. A abordagem VLA é essencialmente a aprendizagem de imitação: observando inúmeras amostras de "que cena corresponde a que ação", aprende a mapear os visuais diretamente aos movimentos. Em ambientes estáticos, controlados, este método funciona bem – pegar uma garrafa de água ou mover objetos em uma mesa não é problema. Mas a generalização do VLA depende fortemente da distribuição de treinamento: ele marca marcas quase perfeitas em cenários conhecidos, mas o desempenho se degrada acentuado quando se afasta dessa distribuição - enfrentando objetos invisíveis ou cenas desconhecidas. Os modelos mundiais têm como objetivo resolver precisamente este problema de "congelamento quando as coisas mudam". "Em comparação com o VLA, a característica definidora de um modelo mundial é a sua capacidade de gerar e prever o estado futuro do mundo", disse Wang Xiaogang, presidente da ACE ROBOTICS e co-fundador e diretor executivo da Sensetime, recentemente no 2026 Fórum da Conferência Mundial do Robô. Mais especificamente, VLA se destaca na predição de trajetórias de movimento em ambientes inmutáveis. Os modelos mundiais, por contra, podem executar ações ao mesmo tempo que raciocinam e simulam várias consequências potenciais em espaços paralelos – finalmente integrando compreensão, geração e previsão. Para colocá- lo em uma síntese: VLA é "mono ver, macaco fazer", enquanto os modelos mundiais são "olhe antes de você saltar". No entanto, o consenso sobre a importância dos modelos mundiais não significa que o VLA esteja obsoleto. Depois de mais de um ano de debate sobre rotas técnicas, a "fusão" tornou- se a direção principal no nível da arquitetura do modelo. Empresas como AgiBot, AI2 Robotics e Galbot já estão explorando este caminho. Ainda não existe uma resposta padrão para como, exatamente, fundir arquiteturas internamente ou quem tem prioridade. Além disso, as capacidades específicas necessárias para que um modelo mundial sirva realmente os humanos permanecem uma pergunta aberta. Na visão de Wang Xiaogang, "três tipos de inteligência" são indispensáveis: inteligência gerativa, inteligência física e inteligência cognitiva. "Intelligência gerativa" refere- se a simular e prever o mundo futuro; "Intelligência física" corresponde à inteligência espacial — incluindo percepção espacial, memória e domínio de propriedades físicas e leis; "Intelligência cognitiva" envolve quebrar tarefas de longo horizonte e julgar o estado de execução. Wang acredita que a falta mais crítica agora é "inteligência física", especialmente a capacidade de compreender leis físicas espaciais e causalidade. "Muito do vídeo usado para treinar modelos hoje não é real — é filme de efeitos especiais e fotos de ficção científica." Estes visuais são inerentemente anti-físicos e surreais, então, naturalmente, eles não ensinam as leis do mundo real. Complementando isso é uma escassez de vídeo interativo em primeira pessoa, juntamente com informações incompletas na pose da câmera, 3 Geometria D e visões multiperspectivas, tudo isso limita o desenvolvimento de "intelligência física". Afinal, imagens bonitas podem enganar o olho, mas não enganam o Newton. Além das "três inteligências", Wang observa uma constrição "mais dura" muitas vezes negligenciada: a inteligência atual depende do empilhamento de dados, parâmetros e cálculo. No entanto, os robôs funcionam com baterias e não podem recarregar enquanto operam como veículos elétricos, criando um "tecto" para o cálculo no dispositivo e o consumo de energia. "Por isso, equilibrar os limites superiores da inteligência com as restrições de baixa potência de implantação é um problema urgente a resolver." Zhang Yufeng, fundador e CEO de ANYVERSE DYNAMICS, concorda que para que os modelos mundiais sirvam verdadeiramente os humanos, eles devem primeiro compreender a lógica subjacente do mundo físico, completar tarefas de longo- horizon e generalizar entre cenários. Ao mesmo tempo, ele aponta que assim como os humanos não precisam dominar todos os detalhes do mundo físico para completar tarefas complexas usando um "modelo mundial" aproximado, a IA incorporada não deve se esforçar para a replicação perfeita de pixels de cada detalhe. Em vez disso, ele deve aprender as representações de alta dimensão e relações causais que influenciam verdadeiramente a tomada de decisões e a ação. O Zhang também enfatiza dois pontos facilmente negligenciados: segurança e interação. Numa era de coexistência humano- máquina, não basta confiar apenas em um modelo grande; deve haver mecanismos adicionais de redundância de segurança.

Para interação, os robôs precisam ler demonstrações humanas assim como uma criança aprende com o exemplo de um adulto. Hu Luhui, fundador e CEO da Zhicheng IA, também aponta a chave para "compreender" e "causalidade": compreensão da física e dinâmica, planejamento de tarefas e uso de raciocínio causal para decidir o próximo movimento. Ele acrescenta que, uma vez que os robôs entram em casas, questões de segurança, privacidade e ética não são apenas questões regulamentares – eles devem ser resolvidos pela própria tecnologia. No caso industrial de cenários de To B e To G, entretanto, os clientes priorizam o determinismo, a confiabilidade, a precisão e a saída estável de seqüência longa. O Song Bin, co-fundador e gerente geral da tecnologia Feidu, aponta uma série de desafios não resolvidos por trás disto: estabilidade de longa seqüência sob acoplamento multifísico, estrutura espacial analisando em ambientes abertos, analisando semântico espacial e computando restrições e custos de ROI no dispositivo – todos requerem esforço contínuo da indústria para superar. Neste sentido, construir um modelo mundial capaz de "trabalhar nas trincheiras" é realmente um exame abrangente: compreensão física e causalidade, tarefas de longo horizonte e generalização, determinismo e confiabilidade, segurança e ética – desplomou qualquer um, e você falha. E, em última análise, a pergunta mais difícil neste exame abrangente aponta para uma coisa: dados. Os modelos mundiais precisam de dados para colmatar a lacuna de inteligência física – não há como contorná-la. A realidade, no entanto, é que a acumulação histórica dos dados mais necessários para a inteligência incorporada — "humanos reais que operam no mundo físico real" — é virtualmente zero. De acordo com a China Academy of Information and Communication Technology (CAICT), os dados reais de alta qualidade globais atualmente disponíveis equivalem a apenas 100,000 para 1 milhões de horas. Para que os modelos de fundação incorporada alcancem o "momento ChatGPT", pelo menos 10 milhões de horas são necessárias – um espaço que excede 99%. Mas o tamanho da lacuna é apenas a superfície. Ao mergulhar mais fundo, os verdadeiros blocos de bloqueio no nível de dados são distribuídos em três etapas. Primeiro, os métodos de coleta são falhados; você não pode capturar habilidades reais através de "estadagem". Por um tempo, contratar especialistas para coletar dados com base em scripts foi o padrão da indústria. Mas na visão do Zhang Yufeng, a eficácia deste caminho foi superestimada. "Nós mesmos executamos experimentos: construção de conjuntos, contratação de coletores, pré- redação de scripts de tarefas, e repitam os movimentos prescritos. A melhoria nos resultados finais do treinamento foi muito limitada – frankly, pobre – porque o padrão de aprendizagem era muito singular", disse Zhang. Em comparação, ele favorece a coleção "na selvagem" – recolhendo dados naturalmente dentro da produção real e configurações de vida, quanto mais natural, melhor. "Por exemplo, a cooperação profunda com setores de fabrico, varejo e hospitalidade dá acesso a milhares de trabalhadores de linha de frente, permitindo que os dados se acumulem rapidamente. Através da prática, já estamos começando a ver a lei de escalação no trabalho." Em segundo lugar, os elementos de dados coletados estão incompletos. A coleta de dados de manipulação está longe de ser simples como " filmar um vídeo". Dados multimodais — visão, força e toque — são indispensáveis. Sem ele, o modelo não tem como julgar a quantidade de força a aplicar durante uma tomada ou se um objeto está a deslizar. "Mas, através de parcerias com muitas empresas de luvas, descobrimos que as luvas táteis atuais não são maduras o suficiente", disse Huang Yuanhao, fundador e presidente do Orbbec. "Então há sincronização - os dados capturados pelos olhos são deste momento, mas os dados da força da mão podem ser 15 milisegundos desligados. Isso já está errado." No entanto, enfatizando a qualidade não significa que procure cegamente alta precisão. "As pessoas costumam assumir quanto maior a precisão, melhor. Mas a maior precisão inevitavelmente aumenta os custos. A questão central é: em que nível de precisão de dados é 'bom o suficiente' para o modelo? Somente identificando esse limiar podemos equilibrar melhor a qualidade e escala dos dados", argumenta Shen Yujun, cientista-chefe da Robbiant. Mais facilmente despercebida do que a precisão é a distribuição de dados. Na sua visão, " 100,000 As tarefas homogêneas não são muito significativas. " A cobertura das tarefas importa mais do que simplesmente empilhar números. Terceiro, os dados não podem ser reutilizados; não importa quanto você recolha, ele permanece uma "isla".

Um desperdício mais sutil do que a coleta é a falta de padrões. Porque as configurações do robô variam – graus de liberdade, comprimentos de ligação, layouts de sensores – os formatos de dados são inconsistentes. Isto torna as grandes quantidades de dados coletados hoje naturalmente difíceis de migrar entre diferentes corpos robôs ou empresas, não aliviando a escassez e, em vez disso, aumentando os custos de treinamento. Zhu Zheng, co-fundador e cientista chefe do Gigaai, resumiu os números: treinar um modelo mundial e encarnado modelo de fundação com bilhões de parâmetros usando várias centenas de milhares de horas de dados custam sobre 100 milhões de yuan. Se os volumes de dados aumentarem para dezenas de milhões ou mesmo centenas de milhões de horas, e os parâmetros do modelo expandirem dez a cem vezes sem melhorar a eficiência de utilização da amostra, treinar um modelo de fundação gigante poderia custar mais 100 bilhão de yuan – mais caro do que os LLMs de hoje. Isso é "claramente insustentável". Por isso, ele defende a coleta de novos dados e a melhoria da qualidade ao mesmo tempo que itera tecnologia para aumentar a eficiência de utilização da amostra. Só assim os modelos podem ser treinados dentro de um orçamento finito. Huang Yuanhao vai ainda mais longe, argumentando que, embora os dados sejam importantes, os padrões de dados são mais importantes. Afinal, sem padrões unificados, quanto mais dados coletar, mais parecem construir torres em ilhas separadas — não importa quão altas as torres, elas não se conectarão. O valor dos padrões é transformar dados de "ativos privados" em "infraestrutura da indústria circulante", permitindo que o acumulamento de milhões de horas realmente se acumule em vez de ser desperdiçado em duplicação. É crucial, apenas quando os dados podem ser reutilizados em diferentes corpos robôs e modelos serão os custos de dados descer. Caso contrário, queima de dinheiro será um poço sem fundo. Consenso sobre Estrutura de Dados, Divergência sobre Treinamento Com os bloqueios identificados, o próximo passo é naturalmente como irromper através deles. Zhang Yufeng aponta que para os modelos mundiais, enquanto a escala de dados importa, a qualidade dos dados é ainda mais crítica. Então, como julgamos se os dados têm qualidade? Ele oferece uma régua: a "densidade de informação eficaz" de dados interativos, categorizando dados por valor de baixo a alto. A primeira categoria é dados observacionais, sem quase nenhum contato real ou trajetórias de ação eficazes. O segundo é simples dados de contato, como pegar ou colocar itens. O terceiro envolve pontos de contato densos e operação fina, como manipular objetos minúsculos ou frágeis – muito mais valiosos. O quarto, muitas vezes esquecido, mas extremamente valioso, é gravar dados "processos de falha". "Especialmente quando a escala e qualidade deste tipo de dados são melhorados e misturados em treinamento, ele ajuda a aumentar significativamente as taxas de sucesso e auxilia os modelos na recuperação de cenários de falha reversível", disse Zhang. O Canção Bin sugere coletar e organizar dados guiados por leis físicas, senso comum e restrições espaciais. Isso garante que os dados correspondem aos objetivos de treinamento e economiza custos substanciais. Ele também acredita que devemos aproveitar os sistemas de dados de observação industrial existentes - não apenas vídeo e fotos, mas dados de campo ambiental como som, luz e eletromagnetismo. Ao extrair leis físicas e organizar relações topológicas espaciais a partir disso, podemos empurrar dados de "correlação" para "causalidade", estabelecendo verdadeiramente relações causais baseadas no próprio corpo robô. Em seguida, aumentar a eficiência no fim do treinamento do modelo. Baixa eficiência não significa apenas desperdício mais grave e maiores lacunas — ele diretamente aumenta os custos de treinamento. Mas um fato facilmente negligenciado é que, embora a inteligência incorporada tenha um enorme apetite por dados reais, os modelos mundiais irão alterar fundamentalmente esta paisagem. À medida que a compreensão do modelo melhorar, sua dependência do volume de dados irá diminuir acentuadamente. "Quando a IA se desenvolve ao nível de compreensão cognitiva, sua dependência de dados não é tão maciça quanto as pessoas imaginam, exigindo dados redundantes infinitos. Os humanos aprendem uma habilidade através da compreensão, não dados infinitos. Esta é a diferença essencial da aprendizagem supervisionada e da aprendizagem conversacional", disse Hu Luhui. Além disso, uma vez que os modelos mundiais possuem as próprias capacidades de geração de dados, Hu acredita que dados escassos de cenários que são difíceis de coletar podem ser simulados através do entendimento do modelo. O Zhang Yufeng oferece uma estimativa aproximada: a abordagem do modelo mundial pode depender de cerca de dois terços menos de dados do que a aprendizagem pura de imitação.

Finalmente, obter o volante de dados girando em implantações do mundo real. Os modelos devem eventualmente deixar o laboratório e se implementar em cenários reais para streamar continuamente os dados e iterar- somente então o giro positivo do volante. Caso contrário, coletar dados sem usá- los realmente não tem sentido. Então, como fazemos isso? Zhang Yufeng propõe um caminho: "Industrial for abilitations, comercial for generalization, home end." Primeiro, aperfeiçoar as habilidades básicas em processos flexíveis onde a automatização tradicional é insuficiente. Em seguida, digite cenários comerciais em cadeia – "similares em estilo, mas diferentes em detalhes" – para treinar capacidades de generalização. Só então invadir o ambiente doméstico. Notadamente, esta sequência de penetração "fácil de difícil" é um caminho pragmático reconhecido por muitos na indústria. Mas mesmo que estas direções formem um consenso, nem todos os problemas são resolvidos. Numa questão crucial, a indústria ainda permanece dividida: nas etapas pós-treinamento e ajuste fino, devemos confiar principalmente em dados robô reais ou simulação sintética? Jia Kui, na DexForce, insistiu consistentemente em usar dados sintéticos e simulação gerativa para pós- treino. Seu raciocínio é pragmático: se os custos são para sempre sobrecarregados por uma coleção e depuração caras, o modelo de negócio não aguentará. "Então, a partir dos primeiros princípios, devemos buscar uma forma mais eficiente de produzir dados pós- treinamento. A simulação gerativa e os dados sintéticos são caminhos críticos para resolver o problema de generalização física", observou Jia. O mainstream, por contra, inclina- se mais para "anclagem robô real". Wang Xingxing, presidente, gerente geral e CTO de Unitree, assinalou repetidamente em público que os dados de treinamento robôs verdadeiros de IA requerem quantidades enormes de dados humanos ou da internet como dados pré- treino primários, complementados por uma porção de dados robôs reais, para realmente combinar o robô com o mundo físico. Por trás disto encontra-se a "gap reality" de simulação para realidade (sim 2 real): os simuladores lutam para replicar completamente a fricção, deformação, atrasos motorizados e ruído do sensor do mundo real. Quando as estratégias migram para robôs reais, ocorrem diferentes graus de degradação do desempenho. Para colocá- lo em perspectiva, é como praticar a condução em um jogo – você pode dominar a mecânica, mas uma vez que você está na estrada real, você ainda tem que reapt para a resistência da direção e aderência dos pneus. Independentemente da disputa de rota, permanece um fato inegável: a barreira de dados não pode ser superada por uma única empresa. Afinal, a base de dados é um bem público para a indústria. As rotas técnicas podem divergir, mas os padrões e dados públicos são a estrada que toda a indústria deve construir juntos. O consenso da indústria sobre modelos mundiais é claro: eles são a esperança de romper o ângulo de generalização na inteligência incorporada; a inteligência física é uma fraqueza compartilhada; o volante de dados determina a velocidade de iteração; e as capacidades devem ser forjadas em implantações do mundo real, não no laboratório. As divergências, no entanto, são igualmente reais: as rotas técnicas ainda não convergiram; se o pós- treino deve depender de robôs reais ou síntese; como equilibrar vários tipos de dados; e se os modelos mundiais são fundamentalmente um "problema de geração" ou um "problema de compreensão" - todos permanecem sem solução. Quanto à linha do tempo, mantenha duas coordenadas em mente: o "Double" do Wang Xingxing 80% "— completando 80% de tarefas em 80% de cenários desconhecidos, acessíveis em dois a três anos, ou até cinco a dez; e seqüência de penetração "Industrial-Comercial-Home" do Zhang Yufeng. Um fornece uma linha de chegada quantificada, o outro um caminho realista. Coloque- os juntos, e você tem aproximadamente onde esta longa marcha tecnológica está hoje. Os modelos mundiais já aprenderam a imaginar o futuro em suas "mentes". O que eles ainda precisam aprender é como se curvar e, usando um par de mãos treinadas em dados de alta qualidade, fazer o trabalho no mundo real uma tarefa de cada vez. A distância entre "imaginar" e "fazer" será o quilômetro mais difícil ainda para os modelos mundiais. O Gasgoo não só oferece notícias atempadas e uma visão profunda da indústria automóvel da China, mas também ajuda com a conexão e expansão de negócios para fornecedores e compradores através de múltiplos canais e métodos. Serviço do comprador: buyer-support@gasgoo.com Serviço do vendedor: seller-support@gasgoo.com Todos os direitos reservados. Não reproduza, copie e use o conteúdo editorial sem permissão. Entre em contato conosco: autonews@gasgoo.com.