A 1X, empresa de robótica responsável pelo robô humanoide Neo, anunciou um novo modelo de inteligência artificial que, segundo a companhia, é capaz de compreender a dinâmica do mundo físico e contribuir para que os robôs aprendam novas habilidades de forma autônoma.
Batizado de 1X World Model, o sistema é baseado em princípios de física e utiliza uma combinação de vídeos e comandos para ensinar novas tarefas aos robôs Neo. De acordo com a 1X, o uso de referências visuais permite que o humanoide aprenda atividades para as quais não foi previamente treinado, ampliando significativamente sua capacidade de adaptação.
O anúncio acontece em meio aos preparativos da empresa para levar os robôs Neo ao uso doméstico. A 1X abriu a pré-venda dos humanoides em outubro e planeja iniciar as entregas ainda este ano. A companhia, no entanto, não revelou um cronograma detalhado nem o volume de pedidos, limitando-se a afirmar que a demanda superou as expectativas iniciais.
Segundo Bernt Børnich, fundador e CEO da 1X, o avanço é resultado de anos de desenvolvimento. “Depois de aprimorarmos nosso modelo do mundo e projetarmos o Neo para se aproximar o máximo possível do comportamento humano, o robô agora pode aprender com vídeos em escala de internet e aplicar esse conhecimento diretamente no mundo físico”, afirmou o executivo. Ele destaca ainda que o sistema consegue transformar comandos em novas ações, mesmo sem exemplos prévios.
Apesar da ambição da proposta, a empresa reconhece que o aprendizado não ocorre de forma instantânea. A 1X esclarece que os robôs Neo não passam a executar imediatamente uma nova tarefa apenas ao receber um vídeo e um comando. Em vez disso, o humanoide coleta dados visuais associados a instruções específicas e envia essas informações ao modelo do mundo, que então é utilizado para aprimorar o desempenho de toda a rede de robôs.
Esse processo também permite compreender melhor como o Neo interpreta e planeja suas ações diante de determinados comandos. Com essas informações comportamentais, a 1X pretende treinar seus modelos a um nível em que os robôs sejam capazes de reagir de forma mais eficiente a situações inéditas, mesmo sem experiências anteriores diretas.
