Pirâmide de dados em robótica: o gargalo para AGI física
O gargalo de dados na robótica
Os LLMs de fronteira foram pré-treinados em trilhões de tokens de texto, aproveitando a internet como um corpus gratuito montado coletivamente pela humanidade. Na robótica, não existe equivalente. O maior dataset aberto de robôs, o Open X-Embodiment, contém cerca de 1 milhão de trajetórias de 22 tipos de robôs, reunidas por dezenas de laboratórios. Sergey Levine, da Physical Intelligence, estima que o π0 foi treinado com cerca de 10.000 horas de dados robóticos, e fechar a lacuna de uma a duas ordens de magnitude significaria algo como 1 milhão de horas - uma escala que parece inatingível por meios convencionais.
A pirâmide de dados robóticos
A equipe GR00T da NVIDIA propôs uma pirâmide de dados: dados da web na base, dados sintéticos no meio e dados reais de robôs no topo, com menos volume mas maior fidelidade conforme se sobe. Tanay Jaipuria, partner da Wing, detalha essa pirâmide em sete tipos:
1. Vídeo da internet - Bilhões de horas no YouTube de humanos cozinhando, limpando e montando coisas. Modelos como o DreamZero (NVIDIA) e a Rhoda AI tentam extrair mais valor direto desses dados, com a Rhoda adaptando para um robô específico com apenas 10 a 20 horas de dados próprios.
2. Vídeo egocêntrico - Vídeos em primeira pessoa de câmeras montadas na cabeça. Datasets como Egoverse e Ego4D têm milhares de horas. Pesquisas mostram que modelos pré-treinados em vídeo egocêntrico humano filtrado superam os pré-treinados com o mesmo volume de dados teleoperados.
3. Egocêntrico/exocêntrico enriquecido - Dados pareados com rastreamento de pose, profundidade, olhar ou captura de movimento completa. O Ego-Exo4D tem cerca de 1.400 horas. A Tesla já contratou trabalhadores com trajes de mocap para coletar esse tipo de dado.
4. Captura manual (handheld) - Abordagens como o UMI (Universal Manipulation Interface), onde humanos realizam tarefas segurando os efetores do robô. A Sunday Robotics, fundada pelos criadores do UMI, envia luvas de captura para colaboradores e afirma ter treinado seu modelo ACT-1 com cerca de 10 milhões de episódios domésticos, sem nenhum dado de robô.
5. Dados simulados - Simuladores de física como Isaac e MuJoCo, além de world models como Cosmos (NVIDIA) e Genie 3 (Google). A promessa é que o limite é apenas o poder computacional; o problema atual é o gap sim-to-real.
6. Teleoperação - Alguém opera o robô diretamente, gerando dados de alta fidelidade no embodiment exato. O custo ainda supera US$ 100/hora e exige operadores qualificados. O consenso é que a teleoperação continuará necessária, mas com percentual menor no mix de treinamento.
7. Deployment - Dados de robôs reais em operação real. O desafio é circular: é preciso um robô bom o suficiente para ser implantado antes que o deployment o torne melhor. A maioria dos robôs implantados hoje opera em modo híbrido, com teleoperadores humanos intervindo em falhas - gerando dados valiosos de correção.
Conclusão
Ninguém sabe quanto dado é suficiente. Levine admite honestamente que não sabe se são 100x ou 1.000x mais dados. A pergunta prática para equipes de robótica é: qual confiabilidade é necessária para um deployment híbrido em um conjunto de tarefas, e qual é o mix mais barato de fontes que atinge essa barra.