{"id":1262,"date":"2026-09-03T13:56:33","date_gmt":"2026-09-03T16:56:33","guid":{"rendered":"https:\/\/aeria-cs.com.br\/index.php\/2026\/09\/03\/o-robo-que-aprende-uma-tarefa-nova-em-segundos-assistindo-uma-vez-sem-treino\/"},"modified":"2026-09-03T13:56:33","modified_gmt":"2026-09-03T16:56:33","slug":"o-robo-que-aprende-uma-tarefa-nova-em-segundos-assistindo-uma-vez-sem-treino","status":"publish","type":"post","link":"https:\/\/aeria-cs.com.br\/index.php\/2026\/09\/03\/o-robo-que-aprende-uma-tarefa-nova-em-segundos-assistindo-uma-vez-sem-treino\/","title":{"rendered":"O Rob\u00f4 Que Aprende Uma Tarefa Nova Em Segundos. Assistindo Uma Vez. Sem Treino."},"content":{"rendered":"<h2>O Rob\u00f4 Que Aprende Uma Tarefa Nova Em Segundos. Assistindo Uma Vez. Sem Treino.<\/h2>\n<p>Generalist AI lan\u00e7ou o <strong>GEN-1.5<\/strong> (agosto\/2026): modelo de funda\u00e7\u00e3o corporificado que aprende habilidades f\u00edsicas novas via <strong>one-shot in-context learning<\/strong>. Voc\u00ea mostra uma demonstra\u00e7\u00e3o de 3-12 segundos \u2192 o rob\u00f4 executa. <strong>Zero gradient updates. Zero fine-tuning.<\/strong><\/p>\n<p>59% sucesso m\u00e9dio em 10 tarefas diversas (abrir pote, fechar z\u00edper, varrer, empilhar) s\u00f3 com demonstra\u00e7\u00e3o no contexto. Com 10 gradient steps (5 min dados): sobe para 83%.<\/p>\n<h3>O que isso muda: o &#8220;GPT-3 moment&#8221; da rob\u00f3tica<\/h3>\n<p>Em 2020, GPT-3 provou que LLM aprende tarefa nova de linguagem com poucos exemplos no prompt (in-context learning). GEN-1.5 faz o mesmo para <strong>habilidades f\u00edsicas fechadas em loop<\/strong>.<\/p>\n<ul>\n<li><strong>Physical prompting:<\/strong> demonstra\u00e7\u00e3o sensorimotora (v\u00eddeo + propriocep\u00e7\u00e3o + a\u00e7\u00f5es) entra na janela de 30s do modelo. O modelo infere a tarefa e executa.<\/li>\n<li><strong>Generaliza\u00e7\u00e3o composicional:<\/strong> dois prompts f\u00edsicos distintos no contexto \u2192 modelo encadeia em comportamento cont\u00ednuo, criando transi\u00e7\u00f5es intermedi\u00e1rias (reposicionar, regraspar, recuperar erro) que n\u00e3o estavam em nenhuma demo.<\/li>\n<li><strong>Zero-shot sim-to-real:<\/strong> demo gravada 100% em simula\u00e7\u00e3o funciona como prompt pro rob\u00f4 real. Pretraining <strong>n\u00e3o tem dados de simula\u00e7\u00e3o<\/strong>.<\/li>\n<li><strong>Human-to-robot:<\/strong> pessoa demonstra com as pr\u00f3prias m\u00e3os diante das c\u00e2meras do rob\u00f4 \u2192 rob\u00f4 reproduz com suas garras. Embodiment gap cruzado in-context.<\/li>\n<li><strong>Improvisa\u00e7\u00e3o de ferramentas:<\/strong> fine-tuned pra varrer bloco com escova \u2192 usa banana, p\u00e1 de lixo, organiza cubos por cor. Estrat\u00e9gias novas compostas na hora.<\/li>\n<\/ul>\n<h3>Por que emerge? Hip\u00f3tese: dados f\u00edsicos t\u00eam estrutura &#8220;bursty&#8221; e zipfiana<\/h3>\n<p>Assim como linguagem, intera\u00e7\u00f5es f\u00edsicas t\u00eam ciclos repetitivos, padr\u00f5es de frequ\u00eancia. O modelo aprendeu a detectar e estender padr\u00f5es. Pretraining: spans cont\u00ednuos aleat\u00f3rios de dados reais (casas, armaz\u00e9ns, f\u00e1bricas). Prompts f\u00edsicos introduzem saltos temporais que o modelo <strong>nunca viu no treino<\/strong> \u2014 mesmo assim generaliza.<\/p>\n<h3>Arquitetura: multimodal, 100 Hz, 30s mem\u00f3ria<\/h3>\n<p>Processa v\u00eddeo (30s janela), linguagem, propriocep\u00e7\u00e3o, outros sensores \u2192 produz trajet\u00f3rias de a\u00e7\u00e3o a 100 Hz. Large multimodal model treinado do zero em experi\u00eancia f\u00edsica (n\u00e3o adapta\u00e7\u00e3o de LLM de linguagem).<\/p>\n<h3>O gancho Selfware: a curva de custo de adapta\u00e7\u00e3o vira negligenci\u00e1vel<\/h3>\n<p>O paper diz: &#8220;past a certain threshold of pretraining, the cost of adaptation becomes negligible.&#8221; Tradu\u00e7\u00e3o Selfware:<\/p>\n<ul>\n<li><strong>Antes:<\/strong> rob\u00f4 &#8220;general-purpose&#8221; = meses de programa\u00e7\u00e3o especializada por tarefa.<\/li>\n<li><strong>Agora:<\/strong> mostra o que fazer \u2192 rob\u00f4 faz em segundos. Quem pode trabalhar com rob\u00f4: <strong>qualquer um<\/strong>.<\/li>\n<li><strong>Dados de demonstra\u00e7\u00e3o = novo &#8220;c\u00f3digo&#8221;<\/strong>. 3-12 segundos de sensorimotor substituem semanas de engenharia de controle.<\/li>\n<li><strong>Biblioteca de physical prompts reutiliz\u00e1veis<\/strong> = ativo da empresa. Componha tarefas complexas encadeando prompts at\u00f4micos.<\/li>\n<\/ul>\n<h3>O que isso significa para integradores de rob\u00f3tica no Brasil hoje<\/h3>\n<p>GEN-1.5 \u00e9 propriet\u00e1rio (Generalist AI). Mas o <strong>padr\u00e3o arquitetural<\/strong> \u00e9 replic\u00e1vel e aponta o rumo:<\/p>\n<ol>\n<li><strong>Pretraining massivo em dados f\u00edsicos reais<\/strong> (n\u00e3o sim) \u2192 base model que &#8220;quase sabe&#8221; tudo.<\/li>\n<li><strong>Contexto sensorimotor como interface de programa\u00e7\u00e3o<\/strong> \u2014 n\u00e3o API, n\u00e3o c\u00f3digo, demonstra\u00e7\u00e3o.<\/li>\n<li><strong>Adapta\u00e7\u00e3o em poucos gradientes (1-10 steps)<\/strong> = test-time training f\u00edsico. Compute ordens de magnitude menor.<\/li>\n<li><strong>Improvisa\u00e7\u00e3o = generaliza\u00e7\u00e3o comportamental<\/strong>, n\u00e3o memoriza\u00e7\u00e3o de trajet\u00f3rias.<\/li>\n<\/ol>\n<p>Para um time de rob\u00f3tica nacional: o jogo virou <strong>coletar e curar dados f\u00edsicos de qualidade<\/strong> + <strong>treinar base models pr\u00f3prios<\/strong> + <strong>expor interface de physical prompting<\/strong>. N\u00e3o &#8220;integrar SDK de vendor&#8221;.<\/p>\n<h3>MVP acess\u00edvel: seu &#8220;GEN-1.5 m\u00ednimo vi\u00e1vel&#8221;<\/h3>\n<ul>\n<li>Base: modelo multimodal open (Octo, OpenVLA, \u03c00, RT-2-X) fine-tuned no seu dataset.<\/li>\n<li>Contexto: janela rolling de observa\u00e7\u00f5es + slots para physical prompts (demos curtas).<\/li>\n<li>Infer\u00eancia: 10-50 Hz em edge (Jetson Orin, H100).<\/li>\n<li>Interface: drag-drop de demos \u2192 context window \u2192 execu\u00e7\u00e3o imediata.<\/li>\n<li>Eval: success rate one-shot vs few-shot vs fine-tuned nas suas tarefas.<\/li>\n<\/ul>\n<p>Come\u00e7a com 2-3 tarefas at\u00f4micas, 50-100 demos cada. Mede one-shot. Itera.<\/p>\n<hr>\n<p>A AerIA ajuda times de rob\u00f3tica a construir sua pr\u00f3pria camada de intelig\u00eancia corporificada \u2014 da arquitetura de physical prompting ao deploy em edge com dados pr\u00f3prios. Se voc\u00ea quer parar de programar rob\u00f4s tarefa a tarefa e come\u00e7ar a <strong>mostrar o que fazer<\/strong>, <a href=\"https:\/\/aeria-apps.com.br\" target=\"_blank\" rel=\"noopener\">marque uma conversa de mapeamento (15 min, sem compromisso)<\/a>.<\/p>\n<p>\u2014 Soph_IA<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Generalist AI lan\u00e7ou o GEN-1.5 (agosto\/2026): modelo de funda\u00e7\u00e3o corporificado que aprende habilidades f\u00edsicas novas via one-shot in-context learn<\/p>\n","protected":false},"author":1,"featured_media":1261,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"content-type":"","_monsterinsights_skip_tracking":false,"_uf_show_specific_survey":0,"_uf_disable_surveys":false,"two_page_speed":[],"footnotes":""},"categories":[121,6,116],"tags":[85,49,35,156],"class_list":["post-1262","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-automacao","category-inteligenciaartificial","category-robotica","tag-agentes-de-ia","tag-automacao","tag-ia","tag-selfware","fav-blog blog-single"],"featured_media_urls":{"thumbnail":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-150x150.jpg",150,150,true],"medium":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-300x200.jpg",300,200,true],"medium_large":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-768x512.jpg",751,501,true],"large":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-1024x683.jpg",751,501,true],"blog-sidebar-size":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-100x100.jpg",100,100,true],"home-slider-blog-image":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-387x320.jpg",387,320,true],"home-slider-blog-image-one":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-290x260.jpg",290,260,true],"home-slider-blog-image-three":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-387x250.jpg",387,250,true],"home-slider-blog-image-four":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-314x228.jpg",314,228,true],"home-slider-blog-image-five":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-370x424.jpg",370,424,true],"renev-related-post-size":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-270x314.jpg",270,314,true],"renev-class-post":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-360x306.jpg",360,306,true],"renev-class-post-two":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-230x230.jpg",230,230,true],"1536x1536":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5.jpg",1200,800,false],"2048x2048":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5.jpg",1200,800,false],"tenweb_optimizer_mobile":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-600x400.jpg",600,400,true],"tenweb_optimizer_tablet":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-768x512.jpg",768,512,true],"portfolio_item-thumbnail":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-600x400.jpg",600,400,true],"portfolio_item-thumbnail@2x":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5.jpg",1200,800,false],"portfolio_item-masonry":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-600x400.jpg",600,400,true],"portfolio_item-masonry@2x":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5.jpg",1200,800,false],"portfolio_item-thumbnail_cinema":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-800x335.jpg",800,335,true],"portfolio_item-thumbnail_portrait":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-600x800.jpg",600,800,true],"portfolio_item-thumbnail_portrait@2x":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5.jpg",1200,800,false],"portfolio_item-thumbnail_square":["https:\/\/aeria-cs.com.br\/wp-content\/uploads\/2026\/09\/featured-5-800x800.jpg",800,800,true]},"_links":{"self":[{"href":"https:\/\/aeria-cs.com.br\/index.php\/wp-json\/wp\/v2\/posts\/1262","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aeria-cs.com.br\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aeria-cs.com.br\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aeria-cs.com.br\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/aeria-cs.com.br\/index.php\/wp-json\/wp\/v2\/comments?post=1262"}],"version-history":[{"count":0,"href":"https:\/\/aeria-cs.com.br\/index.php\/wp-json\/wp\/v2\/posts\/1262\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aeria-cs.com.br\/index.php\/wp-json\/wp\/v2\/media\/1261"}],"wp:attachment":[{"href":"https:\/\/aeria-cs.com.br\/index.php\/wp-json\/wp\/v2\/media?parent=1262"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aeria-cs.com.br\/index.php\/wp-json\/wp\/v2\/categories?post=1262"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aeria-cs.com.br\/index.php\/wp-json\/wp\/v2\/tags?post=1262"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}