Já nos prometeram o “momento iPhone” da robótica tantas vezes que a expressão virou uma piada interna no setor. Mas, de vez em quando, surge algo que força até o mais cético dos especialistas a parar tudo e prestar atenção. Desta vez, os protagonistas são um robô, uma espátula e uma panqueca. A Skild AI, a startup absurdamente bem financiada e agora avaliada em mais de US$ 14 bilhões, acaba de apresentar o S1: um modelo de fundação capaz de aprender tarefas complexas de 10 minutos apenas assistindo a um único vídeo. Sem fine-tuning, sem meses de coleta de dados, sem um exército de operadores remotos. É o conceito de “olhar e fazer” levado ao extremo.
A primeira vez que o robô deles virou uma panqueca com perfeição, a equipe da Skild fez o que qualquer engenheiro que se preze faria: achou que era um bug. Eles passaram dois dias vasculhando seu conjunto de dados de pré-treinamento de um milhão de horas, convencidos de que algum dado perdido sobre preparo de café da manhã tivesse se infiltrado ali. Não encontraram nada. O robô havia generalizado, inferindo a tarefa inédita de “virar algo” a partir de um único vídeo de demonstração. Não era apenas mimetismo; era um vislumbre de senso comum físico.
O fim da tirania do ajuste fino
Durante anos, implementar um robô em uma nova tarefa tem sido um exercício exaustivo de coleta de dados e fine-tuning. Uma empresa podia gastar de 50 a 100 horas coletando dados e ajustando um modelo só para fazê-lo executar uma nova função de forma confiável. Esse é o gargalo caro e demorado que manteve os robôs de uso geral confinados aos laboratórios de pesquisa. O S1 da Skild propõe uma alternativa radical, baseada no mesmo princípio que tornou o ChatGPT um fenômeno global: o aprendizado em contexto (in-context learning).
Em vez de readequar o modelo de forma trabalhosa, você simplesmente insere um exemplo na sua janela de prompt. Para um LLM, esse exemplo é um texto. Para o S1, é um vídeo em primeira pessoa de um humano realizando a tarefa. O modelo é pré-treinado com uma dieta massiva de vídeos da internet, simulações e dados de teleoperação do mundo real, o que lhe permite construir uma compreensão generalizada da interação física. A partir daí, uma única demonstração é suficiente para desbloquear uma nova habilidade, seja plantar uma muda, montar um kit de higiene ou preparar um café coado.
“Este conceito chama-se aprendizado em contexto, e foi o que definiu o salto de projetos de pesquisa como o GPT-1 e GPT-2 para produtos revolucionários como o ChatGPT”, afirmou a empresa em seu vídeo de anúncio. “Você coloca uma demonstração na janela de contexto… e ele emite ações robóticas para concluir a tarefa.”
Essa abordagem não apenas funciona; ela supera drasticamente o método antigo. Para tarefas já familiares ao modelo, o S1 tem um desempenho equivalente aos modelos tradicionais de Visão-Linguagem-Ação (VLA). Mas para tarefas inéditas, a diferença é impressionante.
As leis de escala da inteligência física
A verdadeira mágica acontece na escala. A Skild divulgou um gráfico que deveria estar colado na parede de todo laboratório de robótica. Ele mostra que, conforme os dados de pré-treinamento aumentam, a capacidade do S1 de lidar com tarefas novas via aprendizado em contexto dispara, enquanto os VLAs baseados em prompts de linguagem mostram retornos decrescentes.
Após 100.000 horas de pré-treinamento, o S1 atinge uma taxa de sucesso de 66% em tarefas fora do seu conjunto de dados original. O VLA baseado em linguagem? Míseros 9%. Isso não é uma melhoria incremental; é uma mudança de fase. Isso sugere que, assim como nos grandes modelos de linguagem, existem leis de escala previsíveis para a robótica. Injete dados suficientes e capacidades inteiramente novas emergem. O modelo não fica apenas melhor; ele fica mais inteligente.
E essa inteligência não é frágil. A Skild demonstrou o S1 se adaptando a perturbações, improvisando após cometer um erro e até corrigindo falhas cometidas pelo humano no vídeo de demonstração. Ele consegue lidar com objetos sendo movidos ou trocados, sugerindo uma compreensão robusta que vai além da simples repetição de trajetória.
Do laboratório para a realidade industrial
Se este fosse apenas mais um projeto universitário, seria interessante. Mas a Skild AI é um rolo compressor comercial apoiado por gigantes como SoftBank, NVIDIA e a Bezos Expeditions, de Jeff Bezos. Com uma avaliação de US$ 14 bilhões e uma receita reportada de US$ 30 milhões gerada em apenas alguns meses no ano passado, não estamos falando de uma demo, mas de um anúncio de produto de uma empresa que já possui parcerias com fabricantes e centenas de robôs operando em campo.
Este é o próximo passo lógico em sua missão de construir um Translation not available (pt) universal. Já os vimos ensinar robôs a Translation not available (pt) antes, mas o S1 representa uma mudança fundamental no paradigma de implementação. O objetivo é transformar a economia da automação, tornando-a acessível a pequenas empresas, hospitais e supermercados — organizações que não podem se dar ao luxo de ter um PhD em robótica dedicado apenas para readequar suas máquinas.
Claro, existem ressalvas. Os testes são internos e a Skild ainda não lançou um artigo técnico, uma API ou os pesos do modelo. Mas os vídeos são convincentes e o fôlego comercial é inegável. A era de “um robô para cada tarefa” pode estar finalmente chegando ao fim. Com o S1, a Skild argumenta que o futuro da robótica é menos sobre programar e mais sobre mostrar. E tudo começou com uma panqueca.