Uma das Mentes Mais Respeitadas em Robótica Se Torna Independente

Russ Tedrake, um dos pesquisadores mais influentes em robótica e um dos arquitetos da onda atual de sistemas de IA fisicamente capazes, volta aos holofotes — desta vez como fundador de uma startup de IA encoberta não divulgada. Tedrake revelará publicamente o empreendimento no Robotics Summit and Expo, programado para 27-28 de maio no Thomas M. Menino Convention and Exhibition Center em Boston. O anúncio gerou uma antecipação significativa na comunidade de robótica, onde o nome de Tedrake carrega um peso substancial construído ao longo de décadas de pesquisa no MIT e liderança industrial no Instituto de Pesquisa da Toyota.

Tedrake serviu recentemente como Vice-Presidente Sênior de Modelos de Comportamento Grandes no Instituto de Pesquisa da Toyota, onde liderou esforços para desenvolver os tipos de modelos de fundação para comportamento de robô que representam a fronteira atual de IA Física. Sua saída da TRI para iniciar um empreendimento independente sinaliza tanto sua convicção de que o momento é certo para construir uma empresa em torno dessas ideias quanto que as capacidades necessárias para fazê-lo atingiram um limiar de maturidade.

O que é IA Física e Por que Importa

IA Física refere-se amplamente a sistemas de IA que operam e interagem com o mundo físico — robôs, veículos autônomos e outras máquinas que devem perceber seu ambiente, planejar ações e executar esses planos em tempo real sob condições de incerteza. É um problema fundamentalmente mais difícil do que IA de linguagem ou imagem porque o mundo físico não perdoa erros da forma que um editor de texto faz. Um robô que identifica incorretamente um objeto e comanda a força de preensão errada não produz uma sentença distorcida — ele quebra algo, machuca alguém ou falha completamente na tarefa.

Tedrake passou sua carreira atacando este problema desde os fundamentos teóricos para cima. No Laboratório de Ciência da Computação e Inteligência Artificial do MIT, desenvolveu algoritmos de aprendizado por reforço para problemas de controle contínuo — a maquinaria matemática subjacente a como robôs aprendem a se mover fluidamente em vez de em trajetórias rígidas pré-programadas. Seu trabalho em manipulação, locomoção e dinâmica de contato foi fundamental para a pesquisa de robótica moderna.