Por que deixar as pessoas coletarem dados em vez de controlar robôs remotamente?

  • Os modelos de base para robôs carecem de grandes volumes de dados de interação física que possam ser coletados diretamente. Cada hora de coleta por teleoperação convencional exige um robô disponível e um operador geralmente treinado, o que torna o processo caro e lento para expandir.
  • A Generalist pede que pessoas usem a garra manual “Data Hand” para realizar tarefas cotidianas enquanto dados visuais e de movimento são registrados. Não é necessária a presença de um robô, o que permite a coleta simultânea em vários locais. A empresa afirma que seu conjunto de dados cresceu de cerca de 270 mil horas em novembro de 2025 para mais de 500 mil horas em abril de 2026.
  • Essa abordagem aposta que as interações reais podem preservar a dinâmica física e reduzir a diferença entre simulação e realidade. Em comparação com abordagens focadas em simulação ou vídeos da internet, sua vantagem depende de a escala de coleta continuar se traduzindo em capacidade do modelo.

O que significam, respectivamente, uma taxa de sucesso de 99% e o aprendizado de uma nova tarefa em segundos?

  • Segundo a empresa, o GEN-1, lançado em abril de 2026, alcançou uma taxa média de sucesso de 99% após treinamento posterior para cada tarefa, acima dos 64% do modelo anterior. Sua velocidade de execução foi cerca de três vezes maior. Isso reflete o desempenho após treinamento especializado.
  • O GEN-1.5, lançado em agosto, muda a forma de ensinar novas tarefas: ele pode executar uma tarefa após uma única demonstração de 3–12 segundos, sem atualizar os parâmetros do modelo; sua taxa média de sucesso em 10 tarefas foi de 59%. Após acrescentar 5 minutos de dados e 10 etapas de atualização de parâmetros por tarefa, o indicador subiu para 83%.
  • O Morgan Stanley valoriza seu potencial para reduzir o custo de ensinar novas tarefas e a necessidade de vários dias de coleta de dados. Mas esses resultados se limitam a tarefas simples e de sequência curta; a empresa também reconhece que habilidades aprendidas por demonstração imediata são mais frágeis do que aquelas obtidas após ajuste fino especializado.

Quando mais dados reais se tornarão uma vantagem defensável?

  • A Generalist afirma que o desempenho do modelo melhora de forma previsível à medida que aumentam os dados de pré-treinamento. Se esse padrão continuar válido, as empresas poderão estimar melhor o retorno do investimento em coleta e distribuir recursos de computação, e o foco da competição se deslocará para quem conseguir obter dados mais diversificados.
  • A vantagem defensável também exige que dados de mãos humanas possam ser transferidos para diferentes corpos robóticos. Diferenças na estrutura dos braços robóticos, nas articulações e nos sensores podem fragmentar os dados; o Morgan Stanley observa que os dados da empresa sobre efeitos de escala e taxas de sucesso são sobretudo informados por ela própria, com avaliações independentes limitadas.
  • A empresa espera obter implantações inicialmente com um conjunto de dados inicial maior e, depois, fortalecer o modelo com os dados gerados por essas implantações. Mas os concorrentes também podem acumular dados reais após implantações em escala, e a combinação eficaz de simulação, vídeo e dados reais continua sendo uma questão em aberto.

Se o modelo é mais útil, por que a receita não acompanhará imediatamente?

  • A Generalist explora atualmente a implantação por meio de parceiros de hardware e de um programa de acesso antecipado para um pequeno número de clientes. A entrega pode incluir robôs completos ou a solução pode operar nos braços robóticos que os clientes já possuem; o caminho comercial ainda está em formação.
  • O Morgan Stanley considera que fabricar robôs completos internamente pode reforçar o controle da confiabilidade e permitir a obtenção de dados de implantação, mas aumenta a carga de capital e operacional. Licenciar a tecnologia para parceiros de hardware é uma opção mais leve, mas a receita fica limitada pelos canais dos parceiros, que também podem trocar de modelo.
  • Clientes dos setores industrial e de logística têm ciclos de venda longos e exigem alta confiabilidade; falhas dos robôs podem paralisar linhas de produção. Ao mesmo tempo, a coleta de dados e o treinamento exigem muito capital, e os preços ainda não foram definidos. Por isso, o banco considera que a receita recorrente também depende, em última análise, da capacidade de fabricar robôs e da disposição dos clientes da economia real em adotá-los.