Startup usa ondas cerebrais para resolver escassez de dados na robótica

Em um galpão industrial localizado na cidade de San Leandro, na Califórnia, a startup Encord colocou o operador Andrew Ceja para remover cuidadosamente blocos de madeira em uma torre oscilante do jogo Jenga. O teste, no entanto, vai muito além de um mero passatempo: Ceja veste um capacete equipado com uma câmera que rastreia seu campo de visão e sensores neurológicos desenvolvidos pela startup alemã de neurociência Zander Labs. O objetivo do experimento é medir as ondas cerebrais do operador humano para identificar estados mentais como erro, intenção e surpresa, transformando esses dados biológicos em um novo tipo de insumo para treinar modelos de inteligência artificial física.

A iniciativa da Encord surge em um momento no qual startups de robótica percebem que o gargalo mais crítico para o avanço dos robôs humanoides e de logística em armazéns não é a arquitetura dos algoritmos, mas a extrema escassez de dados físicos do mundo real. Enquanto empresas de inteligência artificial gerativa acumularam volumes massivos de texto raspando plataformas públicas da internet, como o fórum de programadores Stack Overflow, o setor de robótica enfrenta a ausência quase total de registros detalhados sobre como mãos humanas interagem com objetos dinâmicos no espaço tridimensional.

Segundo Vineeth Velmurugan, chefe de aprendizado de robôs da Encord e veterano do laboratório de robótica da OpenAI e da empresa de automação de galpões Berkshire Grey, romper a barreira atual da IA física exigirá um volume de informações sem precedentes. Velmurugan estima que a indústria precisará de um conjunto de dados aproximadamente cinco vezes maior que todo o acervo de vídeos do YouTube para treinar robôs capazes de atuar com precisão no mundo real, o que tornou a fabricação especializada de dados um modelo de negócios independente e altamente requisitado.

Coleta de dados cerebrais e musculares

A parceria entre a Encord e a Zander Labs consiste em um projeto piloto em San Leandro focado em validar se a inclusão de métricas neurocientíficas pode elevar o desempenho dos robôs. A proposta é etiquetar os dados de vídeo egocêntrico com os sinais cerebrais do operador humano, rodar esses pacotes de treinamento nos modelos de robótica dos clientes da Encord e avaliar os ganhos reais de eficiência antes de expandir a operação em larga escala.

O neurocientista Lucas Gehrke, da Zander Labs, é o responsável por supervisionar o trabalho no local. Gehrke explica que o nível de atividade cerebral exigido em cada etapa de uma tarefa fornece pistas valiosas para os desenvolvedores de inteligência artificial. Com esses dados neurológicos, os projetistas conseguem identificar exatamente os momentos de maior carga cognitiva humana, definindo em quais frações de segundo o robô precisará acionar seus modelos de computação de mais alto desempenho para tomar decisões críticas.

Além das ondas cerebrais capturadas pelo equipamento da Zander Labs, a Encord está desenvolvendo outra modalidade de coleta sensorial baseada em braçadeiras presas ao antebraço dos operadores. Esses sensores captam os sinais elétricos emitidos pelos músculos durante o movimento. Como as gravações em vídeo frequentemente sofrem com o bloqueio visual de partes da mão ao manipular objetos, a medição muscular permite construir uma representação tridimensional precisa do posicionamento da mão em tempo real, fornecendo aos modelos matemáticos uma compreensão biomecânica muito mais profunda.

A estrutura do galpão em San Leandro

As instalações da Encord em San Leandro foram convertidas em um verdadeiro laboratório de fabricação de dados físicos, combinando filmagens egocêntricas de fábricas globais com testes controlados de habilidades específicas. No local, cerca de uma dúzia de pilotos — termo adotado pela empresa para designar seus treinadores robóticos — utilizam estruturas conhecidas como leader-follower rigs. Nesses sistemas, braços robóticos emparelhados espelham instantaneamente os movimentos executados manualmente pelos operadores humanos.

Durante a visita da equipe do portal de tecnologia TechCrunch ao espaço em San Leandro, os pilotos realizavam testes repetitivos com o objetivo de gerar dados altamente específicos solicitados por clientes. Em uma das estações, os operadores treinavam os braços mecânicos para servir café de um bule em xícaras — uma tarefa caracterizada pelo balanço do líquido — e empilhar fichas de pôquer com precisão. De acordo com Vineeth Velmurugan, praticamente todas as empresas de robótica humanoide do mercado solicitaram à Encord esses pacotes de dados voltados à manipulação fina.

Nas prateleiras do galpão na Califórnia, acumula-se um acervo diversificado de objetos do cotidiano usados para treinar robôs domésticos e comerciais. O estoque inclui vasos com flores artificiais, livros, vegetais de plástico, caixas e pás de areia para gatos, além de sacolas e emaranhados de fios elétricos. Cada item é utilizado para expor os sensores e algoritmos a variações imprevisíveis de textura, peso e rigidez que os robôs encontrarão ao operar fora dos laboratórios.

Limitações físicas e manipulação robótica

Em outra estação de trabalho mantida pela Encord, a pilota Sofia Infante opera os controles manuais para instruir braços robóticos na tarefa de conectar e desconectar cabos Ethernet na traseira de servidores de rede. Esse tipo de manutenção em infraestruturas de TI é um dos processos que operadores de data centers mais desejam automatizar, mas esbarra na falta de destreza dos equipamentos atuais. Testar o controle direto desses dispositivos revela que as pinças robóticas continuam muito inferiores aos dedos humanos, carecendo dos múltiplos graus de liberdade que as articulações dos braços e das mãos humanas oferecem naturalmente.

“Cada empresa de robótica humanoide nos pediu esses blocos de dados,” revelou Vineeth Velmurugan, chefe de aprendizado de robôs da Encord.

A experiência profissional dos pilotos da Encord reflete o surgimento de uma nova categoria de trabalhadores essenciais para a infraestrutura de inteligência artificial. Tanto Sofia Infante quanto Andrew Ceja trabalharam anteriormente na Scale, outra grande empresa do setor de anotação de dados para IA. Antes de entrar para o ecossistema de tecnologia, Ceja atuava em uma empresa de gestão de resíduos, onde assumiu a manutenção de um robô triador de lixo e desenvolveu seu interesse pelo setor automatizado.

“A cada dia surge um desafio diferente para resolver,” afirmou o piloto Andrew Ceja logo após ver a torre de blocos do jogo Jenga desmoronar na mesa de testes em San Leandro.

A economia do treinamento de robôs

A criação de dados para inteligência artificial física impõe um modelo financeiro drasticamente diferente do padrão adotado no treinamento de grandes modelos de linguagem (LLMs). Para garantir que os algoritmos compreendam os vídeos gravados, a Encord realiza anotações densas e detalhadas de cada ação capturada nas imagens, utilizando descrições físicas minuciosas como a frase “mão direita aperta o parafuso”.

Segundo as estimativas apresentadas por Vineeth Velmurugan, essa anotação densa e contextualizada chega a valer 100 vezes mais do que vídeos egocêntricos brutos e sem tratamento quando o objetivo é treinar robôs para tarefas específicas. Embora o custo de produção desses dados de alta qualidade seja 20 vezes maior do que a coleta de vídeos comuns, Velmurugan argumenta que a conta fecha a favor das desenvolvedoras de robótica do ponto de vista econômico.

Ainda assim, o custo elevado de fabricação coloca em evidência os limites da analogia entre IA física e LLMs. Enquanto laboratórios de ponta gastaram valores irrisórios para raspar terabytes de textos públicos da internet para criar seus chatbots, os dados necessários para movimentar máquinas no mundo real não estão disponíveis para coleta gratuita. Eles precisam ser fabricados em instalações dedicadas, com mão de obra especializada e hardware sob medida, alterando fundamentalmente a estrutura de capital necessária para criar IA física.

Visibilidade do setor e ecossistema global

Fundada com o propósito inicial de ajudar companhias de visão computacional a anotar imagens e validar modelos, a Encord evoluiu para uma posição estratégica ao atuar como fornecedora intermediária de dados para concorrentes e laboratórios de ponta. Ao prestar serviços para dezenas de clientes simultaneamente, a empresa desenvolveu uma visão privilegiada de toda a indústria, identificando quais modalidades de treinamento funcionam e quais técnicas perdem tração antes mesmo que os próprios clientes percebam.

“Os dados simplesmente não existem,” afirmou Vineeth Velmurugan ao explicar por que a Encord decidiu fabricar conjuntos de dados físicos em vez de apenas gerenciá-los.

A experiência acumulada no galpão de San Leandro evidencia que o progresso da automação depende de abordagens híbridas, combinando sensores biométricos, teleoperação e gravação de tarefas industriais. A capacidade da Encord de mapear essas demandas e testar modalidades inéditas — como a medição de sinais elétricos musculares e o monitoramento neural da Zander Labs — coloca a startup no centro do esforço global para resolver o gargalo de dados da IA física.

Para o mercado de tecnologia no Brasil, que acompanha a expansão dos centros de dados, da automação agrícola e dos polos logísticos, o modelo de fabricação de dados adotado pela Encord aponta caminhos claros. O avanço dos robôs em tarefas operacionais complexas dependerá cada vez menos de soluções puramente genéricas de software e cada vez mais da captura biomecânica detalhada do trabalho humano, transformando o conhecimento tático de operadores em código executável para as máquinas do futuro.