Os robôs humanoides estão deixando de ser apenas plataformas experimentais e passaram a orientar uma nova frente de desenvolvimento em computação, sensores e inteligência artificial. A forma do corpo mecânico é apenas uma parte do desafio. Para atuar em fábricas, armazéns, hospitais ou ambientes domésticos, essas máquinas precisam interpretar o espaço, compreender instruções, planejar movimentos e reagir a mudanças em frações de segundo.
Essa combinação vem fortalecendo o conceito de inteligência artificial física, ou physical AI: sistemas capazes de perceber o mundo real, tomar decisões e executar ações nele. O movimento amplia a demanda por chips com maior capacidade de processamento, sistemas de visão mais precisos, sensores de força e soluções que funcionem diretamente no robô, sem depender integralmente da nuvem.
O desafio de transformar percepção em movimento
Um robô humanoide precisa combinar diferentes tipos de informação. Câmeras ajudam a identificar objetos e obstáculos; sensores inerciais medem orientação e aceleração; encoders acompanham a posição das articulações; microfones captam comandos de voz; e sensores de força e tato permitem estimar o contato com superfícies e objetos.
O desafio não está apenas em coletar esses dados, mas em fundi-los em tempo real. Uma instrução como “pegue a caixa e coloque-a na prateleira” envolve localizar a caixa, avaliar o melhor ponto de contato, calcular uma trajetória segura, deslocar o corpo, controlar braços e mãos e confirmar se a tarefa foi concluída.
Essa cadeia exige comunicação rápida entre sensores, processadores, motores e sistemas de inteligência artificial. Atrasos podem comprometer a precisão e, em situações de proximidade com pessoas, também a segurança. Por isso, parte crescente do processamento é transferida para a chamada computação de borda, instalada no próprio robô.
Chips passam a integrar visão, linguagem e controle
Os novos computadores para robótica precisam executar simultaneamente modelos de visão, linguagem, planejamento e controle motor. Em agosto de 2025, a NVIDIA anunciou a disponibilidade geral do Jetson AGX Thor, plataforma baseada na arquitetura Blackwell e desenvolvida para aplicações de robótica e inteligência artificial física. Segundo a empresa, o sistema oferece até 7,5 vezes mais capacidade de processamento de IA e 3,5 vezes mais eficiência energética que o Jetson Orin. (nvidianews.nvidia.com)
O equipamento foi projetado para lidar com modelos generativos e múltiplos fluxos de sensores no próprio dispositivo. A proposta é reduzir a latência entre percepção e ação, algo importante para robôs que precisam interagir com pessoas, manipular objetos e adaptar seus movimentos a ambientes não estruturados. A plataforma também reúne recursos para processamento de câmeras, sensores e modelos de inteligência artificial em uma arquitetura integrada. (developer.nvidia.com)
O movimento acompanha uma mudança na arquitetura dos robôs. Em vez de computadores dedicados a uma única função, os sistemas passam a combinar processamento de alto desempenho, memória ampla, aceleradores de IA e mecanismos de controle em um mesmo conjunto. Essa integração favorece robôs mais flexíveis, mas também aumenta as exigências de consumo de energia, dissipação térmica e confiabilidade.
Sensores ganham papel central
O avanço dos robôs humanoides também estimula a evolução dos sensores. A visão precisa funcionar em diferentes condições de iluminação e distância. O tato deve fornecer informações sobre pressão, contato e deslizamento. Já os sensores de posição e torque precisam registrar movimentos com precisão suficiente para manter equilíbrio e controlar a força aplicada.
Empresas do setor passaram a redesenhar seus conjuntos de percepção para acompanhar modelos de inteligência artificial mais avançados. A Figure, por exemplo, afirma que o robô Figure 03 recebeu um sistema sensorial e um conjunto de mãos redesenhados para operar com o Helix, modelo proprietário de visão, linguagem e ação da companhia. (figure.ai)
O objetivo desses sistemas é aproximar a percepção robótica de uma compreensão contextual. Identificar uma xícara é insuficiente: a máquina precisa reconhecer se o objeto está vazio ou cheio, escolher como segurá-lo, calcular a força necessária e evitar colisões. Quanto mais variado o ambiente, maior a importância da combinação entre câmeras, sensores de profundidade, unidades inerciais e mecanismos de contato.
Modelos de visão-linguagem-ação
Uma das principais tendências é o desenvolvimento dos chamados modelos de visão-linguagem-ação, conhecidos pela sigla VLA. Eles recebem informações visuais e instruções em linguagem natural e produzem comandos para o robô executar uma tarefa.
Em março de 2025, o Google DeepMind apresentou o Gemini Robotics, modelo baseado no Gemini 2.0 e adaptado para produzir ações físicas. A empresa informou que o sistema foi projetado para lidar com generalização, interação e destreza, além de poder ser especializado para diferentes corpos robóticos, incluindo o humanoide Apollo, da Apptronik. (deepmind.google)
Em setembro de 2025, o Google anunciou o Gemini Robotics 1.5 e o Gemini Robotics-ER 1.5. Segundo a companhia, o primeiro transforma informação visual e instruções em comandos motores, enquanto o segundo atua no planejamento e no raciocínio espacial. O sistema também foi apresentado como capaz de transferir habilidades entre diferentes plataformas robóticas. (deepmind.google)
Esses modelos não eliminam os controladores tradicionais. Na prática, a tendência é combinar uma camada de raciocínio e planejamento com sistemas de controle de baixo nível, responsáveis por equilíbrio, torque, velocidade e limites de segurança. A inteligência generativa pode decidir o que fazer, mas a execução continua dependendo de regras físicas, sensores e mecanismos de proteção.
Simulação e dados sintéticos reduzem custos
Ensinar um robô no mundo real é caro e demorado. Cada tentativa pode exigir operadores, ambientes controlados e equipamentos de segurança. Por isso, fabricantes e fornecedores de tecnologia investem em simulação, geração de dados sintéticos e treinamento em ambientes virtuais.
A NVIDIA apresentou o Isaac GR00T, plataforma que combina modelos fundamentais para robôs humanoides, ferramentas de simulação e geração de dados de movimento. Em 2025, a empresa também divulgou o GR00T-Dreams, voltado à produção de dados sintéticos para treinar comportamentos robóticos e adaptar máquinas a diferentes ambientes. (nvidianews.nvidia.com)
A simulação permite testar milhares de combinações de objetos, trajetórias e obstáculos antes da transferência para um robô físico. Ainda assim, a passagem do ambiente virtual para o mundo real continua sendo uma etapa complexa, porque materiais, iluminação, atrito e comportamento humano nem sempre são reproduzidos com precisão.
Limites técnicos continuam presentes
Apesar dos avanços, os robôs humanoides ainda enfrentam dificuldades em tarefas que exigem destreza fina, velocidade, equilíbrio e adaptação contínua. O próprio Google DeepMind informou que a manipulação com vários dedos permanece desafiadora em seu modelo Gemini Robotics 2, apresentado em julho de 2026. (deepmind.google)
Também permanecem questões relacionadas à autonomia das baterias, ao custo dos componentes, à segurança em ambientes compartilhados e à confiabilidade dos modelos. Um robô capaz de interpretar linguagem e agir no mundo físico precisa reconhecer incertezas, interromper uma tarefa quando necessário e solicitar intervenção humana em situações de risco.
A corrida tecnológica, portanto, não envolve apenas fabricar um corpo humanoide. Ela depende da integração entre chips, sensores, software, dados, atuadores e sistemas de segurança. Se essa integração avançar, os robôs poderão assumir tarefas mais variadas em locais construídos para pessoas. Até lá, o setor seguirá testando os limites entre automação programada e máquinas capazes de perceber, raciocinar e agir de forma adaptável.