O humanoide na cozinha e o atalho de Stanford: controlar um robô sem modelos de ação

O laboratório TML de Stanford apresentou em setembro de 2026 o HomeBody (entre os autores está também um investigador do Caltech), um sistema de investigação que entrega a condução de um robô humanoide diretamente a um modelo de visão e linguagem de fronteira. Como documentado na página do projeto e noticiado pelo The Decoder a 27 de setembro, a abordagem salta a camada intermédia normalmente ocupada por um modelo de ação (VLA) treinado. Em vez disso, o modelo da OpenAI — chamado "GPT Astra" na página de Stanford e "GPT-6 Astra" pelo The Decoder — chama diretamente uma biblioteca de cinco habilidades motoras já existentes, coordenando a navegação num mapa, pegar e pousar objetos, abrir gavetas e pegar em algo de uma gaveta aberta.

Antes de agir, o Unitree G1 explora o espaço à sua volta para reconstruir um gémeo digital no Nvidia Isaac Sim através de um processo real2sim, guardando a posição tridimensional dos objetos numa memória espacial. Este mapa interno permite-lhe recuperar objetos mesmo quando saem do seu campo de visão imediato. O cálculo a bordo corre num portátil com uma única GPU RTX 4090, que gere o controlo do braço e da mão a 250 Hz e as atualizações da política AMO a 50 Hz; já o modelo da OpenAI é consultado via API. Na demonstração qualitativa divulgada pelos investigadores, o robô conseguiu arrumar uma cozinha que nunca tinha visto a partir de um pedido genérico, sem treino específico para aquele contexto.

O sistema revela, no entanto, as limitações típicas de tecnologias ainda imaturas. Os autores sublinham que "a latência de raciocínio do GPT Astra introduz pausas entre as habilidades" e que a duração total das tarefas "também é limitada pelo alcance do humanoide, pelas suas capacidades de manipulação e pela resistência do hardware" (tradução nossa), com referência particular ao sobreaquecimento dos servomotores dos dedos. Além disso, a reconstrução do ambiente exige tempo de preparação e implica custos de API não quantificados. No momento da verificação, o código no repositório oficial do GitHub ainda não é público, a licença não está indicada, não há um paper do arXiv associado e não é claro se o teste foi repetido em mais de uma cozinha. Não existem dados estatísticos sobre a taxa de sucesso nem sobre o número de ensaios; os 95% que circulam online não dizem respeito ao HomeBody: parecem vir de uma avaliação de terceiros sobre braços robóticos I2RT YAM, que não conseguimos confirmar numa fonte primária.

Saltar a tradução motora intermédia para confiar diretamente numa inteligência de fronteira é uma experiência fascinante, mas lembra-nos que a física tem um ritmo diferente do cálculo puro. Se o movimento tiver de congelar à espera de que o modelo responda via API, a fluidez do gesto continua a ser uma meta distante. — Olya