Embodied AI

A IA incorporada é o campo da inteligência artificial que cria agentes com um corpo, seja um robô físico ou um avatar num simulador 3D, que percecionam o ambiente através de sensores, atuam sobre ele através de motores ou controlos simulados e aprendem com os resultados das próprias ações. Como cada ação altera aquilo que o agente vê a seguir, um agente incorporado reúne a sua própria experiência em vez de aprender apenas a partir de um conjunto de dados fixo de imagens ou texto. As tarefas típicas de IA incorporada incluem navegar por uma casa desconhecida para encontrar um objeto, explorar uma divisão para responder a uma pergunta sobre ela, seguir instruções faladas e pegar em objetos e reorganizá-los; o campo fornece os métodos de aprendizagem subjacentes à robótica moderna.

Origens da IA incorporada#

A IA incorporada surgiu como reação à IA puramente simbólica. No final da década de 1980, Rodney Brooks, no MIT, construiu robôs ambulantes semelhantes a insetos, controlados por camadas de comportamentos simples de sensor para motor; no seu artigo de 1991, «Intelligence Without Representation», defendeu que a inteligência devia desenvolver-se a partir da interação direta de uma máquina com o mundo. Em 1988, Hans Moravec observou que os computadores já conseguiam igualar adultos no jogo de damas e em testes de inteligência, mas não conseguiam igualar a perceção e a mobilidade de uma criança de um ano. Essa diferença, hoje conhecida como paradoxo de Moravec, continua a ser a dificuldade central do campo.

O campo moderno tomou forma entre 2017 e 2019, quando os simuladores 3D rápidos tornaram viável treinar agentes com milhares de milhões de passos de experiência. O AI2-THOR, do Allen Institute for AI, disponibiliza casas interativas onde os agentes abrem gavetas e movem objetos, e o Habitat da Meta carrega digitalizações 3D de casas reais e apresenta mais de 10 000 fotogramas por segundo numa única GPU. As tarefas de referência padrão incluem navegação para um ponto-alvo e para um objeto-alvo, respostas incorporadas a perguntas e navegação guiada por visão e linguagem. Em 2019, Erik Wijmans e os seus colegas treinaram um agente Habitat com aprendizagem por reforço profundo durante 2,5 mil milhões de passos, o equivalente a 80 anos de experiência humana; o agente alcançou quase na perfeição objetivos em casas que nunca tinha visto, utilizando apenas uma câmara RGB-D e um sensor de GPS e bússola.

O ciclo de perceção e ação#

Um agente incorporado executa um ciclo fechado: lê os sensores, constrói uma representação da cena, escolhe uma ação, executa-a e observa o que mudou.

A perceção transforma dados brutos dos sensores nas grandezas necessárias para tomar uma decisão. A deteção de objetos e a segmentação de instâncias identificam os elementos com que um agente pode interagir; a estimação de profundidade e a fusão de sensores localizam-nos em 3D; a estimação de pose acompanha as pessoas e os seus movimentos; e o SLAM visual cria um mapa enquanto localiza o agente nele. O guia de início rápido do Ultralytics ROS executa Ultralytics YOLO26 num nó ROS1 ou ROS2 que subscreve os tópicos da câmara de um robô; no exemplo de profundidade, uma máscara de segmentação seleciona os píxeis de um objeto na imagem de profundidade alinhada, e o nó publica a distância média do objeto à câmara.

As decisões são tomadas por planeadores clássicos, controlo preditivo baseado em modelo ou políticas aprendidas que mapeiam observações diretamente para comandos de motor. Os modelos do mundo, que preveem como uma cena mudará em resposta a uma ação, permitem que um agente teste um plano mentalmente antes de se mover.

Como os agentes incorporados aprendem a agir#

A aprendizagem por reforço em simulação permite que os agentes aprendam com recompensas ao longo de milhões de tentativas, e a randomização de domínio varia as texturas, a iluminação e a física para que as políticas treinadas em simulação possam ser transferidas para robôs reais; a OpenAI utilizou-a em 2019 para treinar uma mão robótica que resolveu um cubo de Rubik. A aprendizagem por imitação treina políticas com demonstrações teleoperadas, desde a simples clonagem comportamental até às políticas de difusão e ao agrupamento de ações, que preveem simultaneamente sequências curtas de ações futuras.

Os grandes modelos pré-treinados fornecem agora conhecimentos gerais sobre objetos e linguagem. O RT-1 da Google (2022) aprendeu mais de 700 tarefas com 130 000 demonstrações recolhidas por 13 robôs ao longo de 17 meses, e o RT-2 (2023) ajustou um modelo de visão e linguagem para produzir ações robóticas como tokens de texto, introduzindo o termo modelo de visão, linguagem e ação (VLA). A colaboração Open X-Embodiment reuniu demonstrações de 22 tipos de robôs em 21 instituições para treinar modelos fundacionais em diferentes corpos. O π0 da Physical Intelligence (outubro de 2024) acrescentou um especialista em ações de correspondência de fluxo a um modelo de visão e linguagem com 3 mil milhões de parâmetros para controlar robôs a até 50 Hz; os modelos Gemini Robotics da Google DeepMind, lançados em março de 2025, constroem um VLA com base no Gemini 2.0.

Estes métodos são utilizados em veículos autónomos, robôs móveis de armazém, braços de manipulação e colocação guiadas por visão, robôs agrícolas e drones, que têm de agir em tempo real com base naquilo que veem, muitas vezes recorrendo a hardware de IA de ponta a bordo.

IA incorporada e termos relacionados#

• IA física: Termo praticamente sinónimo, popularizado pela NVIDIA, para a IA que perceciona e atua no mundo real através de robôs, veículos e outras máquinas. A IA incorporada também abrange agentes que existem apenas em simulação.
• Robótica: Disciplina de engenharia dedicada à construção de robôs, incluindo mecânica, atuadores e controlo clássico. A IA incorporada fornece a perceção e a tomada de decisões aprendidas que permitem a um robô lidar com situações que os seus programadores não previram.
• Agentes de IA: Agentes de software que atuam através de APIs, navegadores e código. Seguem o mesmo ciclo de observar, decidir e agir, sem física, forças de contacto ou fluxos contínuos de sensores.
• Inteligência espacial: Capacidade de compreender e raciocinar sobre o espaço 3D a partir de imagens e outros sensores, necessária para que os agentes incorporados se desloquem pelo ambiente e manipulem os elementos que o compõem.