Xiaomi diz que treinar robôs melhora mais com dados do que com o tamanho do modelo

Xiaomi defende ampliar os dados de robôs antes de ampliar os modelos de robôs

A Xiaomi lançou um novo modelo de robótica, o Xiaomi-Robotics-1, baseado em uma tese que pode influenciar a forma como a próxima onda de sistemas robóticos será treinada: quando o objetivo é fazer máquinas manipularem objetos no mundo real, mais dados podem importar mais do que modelos maiores.

Essa conclusão ecoa um padrão familiar nos modelos de linguagem de grande porte, em que o desempenho costuma melhorar à medida que dados de treinamento e computação aumentam. Mas a robótica tem um gargalo diferente. Modelos de texto podem se valer da imensa internet pública. Modelos robóticos não podem. Dados úteis para agarrar, levantar, posicionar e se adaptar a espaços desconhecidos são muito mais difíceis de coletar, muito mais caros de anotar e, em geral, ligados a configurações de hardware estreitas.

A abordagem da Xiaomi é notável porque tenta romper esse gargalo sem depender principalmente de frotas de robôs físicos caros. Em vez disso, a empresa diz que reuniu a maior parte dos dados de pré-treinamento usando pinças portáteis equipadas com câmeras. Pessoas operaram essas ferramentas diretamente com as mãos em ambientes reais, capturando tarefas de manipulação em locais como cozinhas, escritórios, lojas, pisos de fábrica e cenários ao ar livre.

O resultado, segundo a empresa, foi um conjunto de dados com mais de 100.000 horas de gravações de movimento coletadas em mais de 1.700 ambientes diferentes. Essa escala importa porque sistemas de aprendizado robótico muitas vezes têm dificuldade para generalizar além de layouts, objetos e rotinas vistos em campanhas de coleta estreitamente roteirizadas. Ao usar equipamentos portáteis em vez de plataformas robóticas completas na fase inicial de coleta, a Xiaomi argumenta que pode reunir uma experiência mais ampla, mais rápido e com menor custo.

Uma resposta diferente à escassez de dados em robótica

O método padrão para coletar dados de manipulação robótica é lento. Uma pessoa guia um robô remotamente pelas tarefas, um movimento por vez, produzindo demonstrações ajustadas aos sensores, articulações e garras daquela máquina. O método pode funcionar, mas não escala facilmente e muitas vezes gera amostras repetitivas de ambientes parecidos.

A configuração portátil da Xiaomi foi pensada para contornar essa limitação. Como uma pessoa pode simplesmente levar a pinça para diferentes espaços e usá-la diretamente, a empresa consegue reunir exemplos de muito mais cenários do que uma frota de robôs normalmente cobriria. Isso não elimina, porém, o problema de transferência. Uma pinça portátil não é o mesmo que um robô com rodas ou um sistema de dois braços. O modelo ainda precisa aprender como os padrões de movimento registrados por uma ferramenta operada por humanos se mapeiam para as restrições físicas e os sistemas de controle de robôs reais.

A Xiaomi afirma que tratou disso transferindo o sistema pré-treinado para robôs físicos em estágios posteriores, incluindo plataformas com rodas e sistemas de dois braços. Para o pós-treinamento, combinou suas próprias gravações de apartamentos reais com conjuntos de dados robóticos de código aberto e dados UMI anotados. O quadro que emerge é um pipeline em camadas: reunir experiência de manipulação de forma ampla e barata, anotá-la em escala e depois adaptá-la ao hardware que de fato executará as tarefas.

Isso pode ser significativo para o setor de robótica como um todo, porque a área há muito lida com uma incompatibilidade incômoda. Pesquisadores querem comportamento robótico de propósito geral, mas a infraestrutura de dados para treiná-lo muitas vezes continua local, personalizada e cara. A Xiaomi está, na prática, argumentando que a IA em robótica pode avançar menos como a engenharia robótica clássica e mais como o desenvolvimento de modelos de base, em que a qualidade, o tamanho e a diversidade dos corpora de pré-treinamento se tornam ativos estratégicos.

Rotulagem automatizada ajuda a tornar a coleta em larga escala viável

Coletar 100.000 horas de dados de manipulação é apenas metade do problema. Essas gravações também precisam de descrições das quais um modelo possa aprender. A Xiaomi diz que a rotulagem manual nessa escala não era prática, então usou outro sistema de IA para gerar descrições textuais de cada segmento de movimento. A empresa afirma ter rotulado todo o conjunto de dados em cerca de duas semanas.

Essa etapa é importante porque modelos robóticos projetados para seguir instruções faladas ou escritas precisam de uma ponte entre movimento e linguagem. Se a qualidade dos rótulos for alta o suficiente, o modelo pode começar a associar metas textuais a ações físicas e mudanças de cena. Se os rótulos forem fracos ou inconsistentes, escala sozinha não salvará o desempenho. O cronograma divulgado pela Xiaomi sugere que a anotação automatizada está se tornando central na robótica, não apenas como conveniência, mas como pré-requisito para construir conjuntos de dados grandes o bastante para sustentar ampla generalização.

O modelo em si foi projetado para seguir comandos falados ou escritos em ambientes desconhecidos sem exposição prévia e para se adaptar a novas tarefas com pouco treinamento adicional. É uma meta ambiciosa, mas alinhada a uma tendência mais ampla da indústria de sair de políticas robóticas específicas para tarefas e avançar para sistemas capazes de transferir conhecimento entre contextos e instruções.

Por que o resultado da Xiaomi importa além de um único lançamento

Nos testes da Xiaomi, aumentar o tamanho do modelo melhorou o desempenho, mas aumentar os dados de treinamento trouxe ganhos muito maiores. Essa é a principal conclusão. Se isso se mantiver além da avaliação interna da Xiaomi, sugeriria que o caminho mais rápido para melhorar a manipulação robótica talvez não seja apenas arquiteturas cada vez maiores, e sim a capacidade de coletar experiências físicas mais ricas e variadas e conectá-las à linguagem em escala.

Isso tem implicações práticas para como as empresas alocam capital. Modelos maiores exigem mais computação, mas conjuntos de dados maiores e mais diversos exigem sistemas de coleta, pipelines de anotação, armazenamento, curadoria e métodos de transferência capazes de absorver a variação bagunçada do mundo real. Uma empresa que resolva esses problemas operacionais pode ganhar uma vantagem difícil de replicar apenas com o aumento do modelo.

Isso também reformula uma questão central em robótica: não apenas quão inteligente um modelo é em abstrato, mas quanto do mundo físico ele efetivamente viu. Para modelos de linguagem, a internet forneceu essa amplitude. Para robôs, não existe um corpus equivalente pronto para uso. O trabalho da Xiaomi sugere que a indústria talvez precise fabricar esse corpus por meio de novas ferramentas e fluxos de trabalho, em vez de esperar que ele apareça.

Ainda há perguntas em aberto. O material fornecido não inclui detalhes independentes de benchmarking, resultados de implantação ou taxas de falha em tarefas específicas. Também não mostra quão bem o modelo mantém o desempenho quando transferido entre formas de robô substancialmente diferentes. Mas, mesmo com essas ressalvas, o lançamento se destaca porque desloca a atenção do tamanho chamativo do modelo para o problema menos glamouroso da geração de dados.

Para uma indústria ansiosa para construir máquinas capazes de operar em casas, locais de trabalho e espaços públicos, essa pode ser a mudança mais consequente. A Xiaomi não está apenas apresentando um modelo de robô. Está defendendo uma tese sobre de onde provavelmente virá o próximo avanço em IA para robôs: contato mais amplo com o mundo físico, capturado em volume e variedade suficientes para que os robôs comecem a aprender com a experiência em uma escala mais próxima da IA moderna.

Este artigo é baseado na reportagem do The Decoder. Leia o artigo original.