--- title: "ACE Robotics profunda no problema de dados da IA incorporada com sensor vestido e modelo de mundo" author: "Ignácio Afonso" date: "2026-08-18 07:30:00-03" category: "Inteligência Artificial & Dados" url: "http://desbugados.scale.press/portal/desbugados/post/2026/08/18/ace-robotics-profunda-no-problema-de-dados-da-ia-incorporada-com-sensor-vestido-e-modelo-de-mundo/md" --- ## Resumo - A ACE Robotics apresentou em julho de 2026, durante a WAIC, uma estratégia para enfrentar a escassez de dados de manipulação na IA incorporada. - O Ambient Capture Engine 2.0 usa kits vestíveis para registrar pessoas trabalhando e ampliar os dados de treinamento de robôs. - A empresa mira dezenas de milhões de horas de dados, acima das cerca de 100 mil horas disponíveis na indústria. - O sistema sincroniza mais de 20 sensores com erro inferior a 1 milissegundo, enquanto o ACE-ViDiHand alcançou precisão de 0,997 por frame. - O Kairos 3.1 roda localmente no hardware do robô, tem 4 bilhões de parâmetros e divide tarefas longas para ajustar ações após erros. - A companhia já anunciou aplicações comerciais para lavanderias de hotéis, varejo e corpos de robôs quadrúpedes. - O próximo passo é aumentar o volume de dados e reduzir os custos de tentativa e erro em ambientes incertos. --- Em **julho de 2026**, durante a World Artificial Intelligence Conference (WAIC), a **ACE Robotics**, sediada em Xangai e liderada por Wang Xiaogang, apresentou um conjunto de tecnologias de IA incorporada. A companhia foi fundada pelo cofundador da SenseTime para enfrentar um problema menos visível do que os movimentos de um robô, mas decisivo para que ele consiga trabalhar fora de demonstrações controladas: a falta de dados sobre manipulação. A proposta combina registros feitos por pessoas usando dispositivos vestíveis com um modelo de mundo executado no próprio robô. A [reportagem da Computer Weekly](https://www.computerweekly.com/news/366649472/ACE-Robotics-takes-aim-at-embodied-AIs-data-problem) ajuda a entender por que, nessa história, o gargalo não está apenas nas máquinas, mas na matéria-prima que ensina cada movimento a elas. ## O problema está antes do primeiro movimento Para entender a estratégia, é preciso desbugar o termo **IA incorporada**: trata-se de sistemas de inteligência artificial preparados para agir em um corpo físico, como um robô, e não apenas responder em uma tela. Segundo os dados apresentados pela empresa, a indústria dispõe hoje de cerca de **100 mil horas de dados de manipulação**, enquanto a ACE Robotics mira dezenas de milhões de horas para treinar seus sistemas. Manipular um objeto exige mais do que reconhecer sua forma, pois o robô precisa relacionar percepção e ação em cada etapa. É essa distância entre saber o que está diante dele e conseguir agir sobre aquilo que torna a coleta de dados tão valiosa. É justamente por causa dessa escassez que a estratégia apresentada pela empresa substitui a **teleoperação tradicional** por um processo de captura massiva de movimentos humanos. Teleoperação é o controle remoto de uma máquina por uma pessoa, método que pode produzir exemplos úteis, mas depende de operadores e não cresce na mesma velocidade desejada para o treinamento. A ACE Robotics grava pessoas trabalhando para reunir referências de ações realizadas em situações reais, transformando gestos e interações em material para os sistemas de robótica. A mudança desloca a discussão do simples comando remoto para a construção de uma biblioteca de experiências, e essa biblioteca começa no corpo humano. ## Como os dispositivos vestíveis viram dados de treinamento Para atacar esse gargalo, a empresa criou o **Ambient Capture Engine 2.0**, sistema que usa kits vestíveis para gravar pessoas trabalhando. O equipamento acompanha a execução de tarefas sem exigir que cada ação seja descrita manualmente em código, o que aproxima a coleta da maneira como o trabalho acontece de fato. Em vez de produzir somente uma instrução abstrata, o processo registra o comportamento observado enquanto a pessoa interage com o ambiente. Essa escolha importa porque a IA incorporada precisa aprender relações entre movimento, objeto e resultado, e não apenas receber uma sequência de comandos isolados. A captura vestível, portanto, funciona como uma ponte entre a experiência humana e o treinamento de máquinas. Nesses kits, as **câmeras** e as **luvas táteis** fazem parte do conjunto usado para registrar pessoas trabalhando e ampliar os dados disponíveis para o treinamento. O termo “tátil” indica a dimensão do contato físico que não aparece apenas em uma imagem, uma diferença que ajuda a explicar por que a manipulação é mais difícil do que uma tarefa puramente visual. Uma máquina pode identificar um objeto, mas a ação também depende de como ele é segurado e de como o movimento se desenvolve. A ACE Robotics não apresentou a captura como um acessório periférico, e sim como uma forma de aumentar a quantidade de experiências que o robô pode usar para aprender, preparando o terreno para a etapa de sincronização. Esse primeiro registro ganha outra camada com as **roupas de captura de movimento**, que completam os kits vestíveis usados pela ACE Robotics. O objetivo declarado é escalar os dados de treinamento até alcançar **dezenas de milhões de horas**, muito acima das 100 mil horas apontadas como referência atual da indústria. A diferença entre a quantidade disponível e a meta mostra o tamanho do desafio, mas também deixa claro que a empresa não está propondo apenas um novo modelo de inteligência artificial. Ela está tentando construir uma fonte contínua de exemplos, capaz de alimentar o desenvolvimento de robôs em diferentes tarefas. Antes que um sistema possa ser aplicado em mais operações comerciais, ele precisa acumular experiências suficientes para lidar com ações que não se repetem de maneira idêntica. A escala, porém, só ajuda se os registros puderem ser combinados com precisão. O **Ambient Capture Engine 2.0** sincroniza mais de **20 sensores heterogêneos**, ou seja, sensores de tipos diferentes, com erro de tempo inferior a 1 milissegundo. Essa precisão temporal evita que informações capturadas por partes distintas do kit sejam associadas a momentos diferentes da mesma ação. Para o treinamento, a diferença entre um gesto e o instante em que um objeto reage pode mudar a interpretação do que aconteceu. O dado divulgado pela ACE Robotics indica que a companhia está tratando a coleta como um problema de engenharia de medição, e não apenas como gravação de vídeo, o que conduz ao próximo indicador de qualidade. O resultado específico apresentado para as mãos veio do **ACE-ViDiHand**, uma estrutura de captura de movimentos manuais 4D que alcançou precisão de **0,997 em nível de frame**. “Frame” é cada quadro individual de uma sequência de vídeo, portanto a métrica descreve a precisão observada quadro a quadro. O detalhe é relevante porque as mãos concentram parte dos movimentos mais delicados da manipulação, aqueles em que pequenas mudanças de posição alteram o resultado da tarefa. Com sensores sincronizados e uma estrutura dedicada às mãos, a empresa tenta reduzir a diferença entre a ação humana registrada e a ação que o robô terá de reproduzir. A qualidade do dado prepara o caminho para a segunda metade da proposta, que é decidir onde e como o robô processará esse aprendizado. ## Kairos 3.1 leva a decisão para dentro do robô Na outra ponta, o **Kairos 3.1** é um modelo de mundo voltado para ações que roda localmente no hardware do robô, com **4 bilhões de parâmetros** e uso de chips Nvidia. Um modelo de mundo é um sistema que organiza informações sobre o ambiente e as consequências possíveis de uma ação, permitindo que o robô não trate cada movimento como um evento completamente separado. Para o leitor não técnico, a expressão “rodar localmente” significa que a execução descrita acontece no próprio hardware da máquina. A ACE Robotics apresentou essa combinação como uma forma de integrar a compreensão da tarefa à capacidade física de agir, conectando os dados coletados pelos vestíveis à operação concreta do robô. Essa execução local ganha sentido quando Kairos 3.1 precisa lidar com tarefas de **longo horizonte**, expressão usada para atividades compostas por várias etapas. Segundo a descrição da empresa, o modelo permite que os robôs decomponham essas tarefas e ajustem suas ações quando surgem erros. Em uma operação prolongada, o robô não precisa tratar a primeira falha como o fim da atividade, pois pode revisar o passo seguinte a partir do que ocorreu. A proposta junta um planejamento dividido em etapas com a capacidade de adaptação durante a execução, uma exigência prática para ambientes em que objetos e condições não permanecem perfeitamente previsíveis. É nessa passagem da demonstração para o trabalho repetido que os dados capturados precisam provar seu valor. ## As primeiras aplicações saem do laboratório A primeira aplicação comercial detalhada pela empresa é o **Xiao Xin**, uma solução para lavanderias de hotéis. O sistema automatiza processos que vão da coleta à carga e à descarga, passando pela lavagem, classificação e dobragem das peças. A amplitude da tarefa ajuda a visualizar o tipo de desafio que a IA incorporada precisa enfrentar, porque o trabalho reúne deslocamento, manipulação e organização em uma sequência prolongada. Nesse caso, Kairos 3.1 entra como a camada capaz de decompor a atividade e ajustar o comportamento quando algo dá errado. A lavanderia funciona, assim, como um teste concreto para uma tecnologia que precisa operar com objetos variados e etapas encadeadas, em vez de apenas executar um gesto isolado. Além da hotelaria, a ACE Robotics também anunciou o **Xiao Man**, voltado ao comércio instantâneo e ao varejo, e o **Xiao Tu**, adaptável a corpos de robôs quadrúpedes. As duas soluções ampliam o alcance comercial anunciado pela companhia sem abandonar o mesmo problema de origem, que é fazer máquinas agirem em ambientes nos quais cada tentativa pode ter um custo. Wang Xiaogang afirmou que o foco é **minimizar os custos de tentativa e erro** das ações dos robôs em ambientes incertos. A empresa, portanto, não apresentou apenas nomes de produtos, mas aplicações que conectam a captura de movimentos, o processamento local e a adaptação a diferentes corpos físicos, aproximando a tecnologia de operações específicas. ## O próximo teste é transformar volume em confiabilidade Juntos, os dados vestíveis e o modelo local formam uma estratégia que pode ser lida de maneira simples: primeiro, a ACE Robotics tenta registrar mais experiências humanas; depois, usa essas referências para que o robô organize e execute ações no próprio equipamento. O ganho não está em uma promessa abstrata de autonomia, mas na tentativa de reduzir dois obstáculos concretos descritos pela empresa, a quantidade limitada de dados de manipulação e o custo de corrigir erros em tarefas físicas. A presença de soluções comerciais em varejo, hotelaria e robótica quadrúpede indica que a companhia já está testando aplicações diferentes, enquanto a meta de dezenas de milhões de horas mostra que a fase de expansão dos dados ainda está em aberto. O próximo passo anunciado pela **ACE Robotics** é escalar a captura até dezenas de milhões de horas e usar esse volume para diminuir o custo de tentativa e erro em ambientes incertos. Não se trata apenas de colocar um robô em mais um local, mas de aumentar a quantidade e a precisão das experiências que sustentam cada decisão física. Xiao Xin, Xiao Man e Xiao Tu mostram as frentes comerciais já apresentadas, enquanto Kairos 3.1 oferece a camada de decisão local para tarefas longas. Se a companhia conseguir aproximar a meta de dados das operações implementadas, a IA incorporada terá uma rota mais clara para deixar as demonstrações restritas e encontrar espaço contínuo no trabalho comercial.