Os robôs são capazes de soldar um carro ou mover um palete há décadas. O que ainda não conseguem fazer de forma confiável é o que uma criança pequena faz sem pensar: pegar um objeto desconhecido, virá-lo com uma mão e usá-lo. Essa habilidade é a destreza robótica, e ela se tornou a fronteira com maior volume de investimentos na robótica. A parte surpreendente, quando se analisa de perto, é que o problema difícil não é mais a mão. É os dados.
Este guia explica a destreza robótica da forma que um leitor técnico precisa compreender: o que é, como os principais sistemas são construídos, quais avanços trouxeram o campo até aqui e por que a restrição fundamental migrou silenciosamente do hardware e dos algoritmos para os dados de treinamento. Esse último ponto é onde os dados da web entram na história.
Neste artigo:
- O que é destreza robótica e por que é muito mais difícil do que parece
- A arquitetura de sistema duplo por trás dos robôs dextros modernos
- Os avanços em modelos que levaram o campo do movimento programado à habilidade aprendida
- Por que os dados, e não o hardware ou o processamento, são agora o gargalo
- Onde os dados em escala web se encaixam e como as equipes os reúnem na prática
O que destreza robótica realmente significa
Destreza robótica é a capacidade de um robô de manipular objetos com habilidade, da forma como a mão humana faz. A distinção mais útil é entre o simples pegar e colocar, em que uma garra move um objeto conhecido do ponto A ao B, e a manipulação dextra, em que o robô reorienta um objeto dentro de sua garra, ajusta a força em tempo real e lida com formas e materiais para os quais nunca foi explicitamente programado. A reorientação na mão, não o levantamento, é o que separa um sistema verdadeiramente dextro de um braço industrial.
Três fatores tornam isso genuinamente difícil.
Graus de liberdade. A mão humana tem 27 graus de liberdade. Uma mão robótica de nível de pesquisa, como a Shadow Hand, possui cerca de 24 juntas atuadas. Coordenar tantas juntas em tempo real, sob contato, é um problema de controle de alta dimensionalidade que cresce de forma complexa a cada dedo e junta adicionados.
O déficit tátil. Os humanos manipulam objetos em grande parte pelo tato. Há aproximadamente 17.000 mecanorreceptores táteis na pele de uma única mão humana, fornecendo feedback denso e de alta frequência sobre deslizamento, pressão e textura. A maioria dos robôs ainda opera com sensoriamento de toque escasso ou inexistente, razão pela qual um robô pode esmagar um ovo ou derrubar uma taça de vinho mesmo parecendo ter uma preensão perfeita.
Generalização sob contato e oclusão. Durante a manipulação, o objeto geralmente fica parcialmente oculto pela própria mão, e pequenas diferenças em atrito, peso ou forma alteram completamente a ação correta. Um sistema que funciona com as canecas exatas em que foi treinado pode falhar com uma caneca de alça ligeiramente diferente. Generalizar para objetos desconhecidos é o verdadeiro objetivo, e o mais difícil.
É também por isso que a destreza é tanto um problema de software e aprendizado quanto mecânico. Mãos melhores ajudam, mas a diferença entre um robô que agarra e um que manipula é principalmente sobre percepção, raciocínio e controle aprendido. Para um panorama do lado do software, o resumo das bibliotecas de IA para robótica é um bom complemento a este artigo.
Como funciona: a arquitetura de sistema duplo
Os robôs dextros modernos são cada vez mais construídos sobre modelos de Visão-Linguagem-Ação (VLA): um único sistema aprendido que recebe imagens de câmera e uma instrução em linguagem e gera ações motoras. O padrão de design dominante, usado de várias formas pela Physical Intelligence, NVIDIA, Google DeepMind e Figure, é uma arquitetura de sistema duplo que se inspira livremente na ideia de pensamento rápido e lento.
A pilha de sistema duplo. Dados em escala web pré-treinam o cérebro de raciocínio do Sistema 2, enquanto teleoperação e simulação treinam a política motora do Sistema 1. Sensoriamento, percepção, controle e a mão formam um circuito fechado.
Os componentes, da entrada à ação:
- Sensoriamento. Câmeras RGB-D, encoders de juntas para propriocepção e, cada vez mais, sensores táteis alimentam o estado bruto no sistema.
- Percepção. Um encoder de visão pré-treinado, frequentemente algo como SigLIP ou DINOv2, converte pixels em características sobre as quais o restante do modelo pode raciocinar. Esses encoders são treinados em enormes coleções de imagens.
- Sistema 2, o cérebro. Um modelo de visão-linguagem realiza o trabalho semântico lento: compreender a cena, interpretar a instrução e decidir o que fazer. Esse componente é pré-treinado em dados de imagem e texto em escala de internet, o que confere ao robô conhecimento de senso comum sobre objetos que nunca tocou fisicamente.
- Sistema 1, o especialista em ação. Uma política rápida, frequentemente um modelo de difusão ou correspondência de fluxo, converte a intenção do cérebro em comandos motores suaves e de alta frequência. Esta é a parte treinada com demonstrações reais do robô.
- Controlador e mão. Um controlador de baixo nível executa um loop de impedância ou PD a centenas de hertz para realizar o movimento na mão e no braço físicos, com feedback de sensores fechando o circuito.
A separação importa porque os dois sistemas têm dietas de dados completamente diferentes. O Sistema 1 precisa de dados de ação reais, que são escassos e caros. O Sistema 2 é pré-treinado com dados de imagem, texto e vídeo em escala web que já existem em abundância. Ter essa distinção em mente torna o restante do campo compreensível. Exemplos desse padrão em prática incluem o pi-0 da Physical Intelligence, o GR00T N1 da NVIDIA, o Gemini Robotics do Google DeepMind e o Helix da Figure.
Os avanços que trouxeram o campo até aqui
A destreza passou de programada para aprendida em uma sequência curta e densa de resultados.
O aprendizado por imitação melhorou. O Action Chunking Transformer (ACT) e depois o Diffusion Policy mostraram que robôs podiam aprender manipulação fina diretamente de demonstrações humanas. O Diffusion Policy, apresentado no RSS em 2023, reportou uma melhoria média de 46,9% em relação ao estado da arte anterior em 15 tarefas, tratando a geração de ações como um processo de denoising, que lida muito melhor com a natureza multimodal e ambígua da manipulação real.
Políticas generalistas chegaram. O pi-0 da Physical Intelligence, lançado no final de 2024, foi um VLA baseado em fluxo treinado em vários tipos de robôs que demonstrou tarefas de longo horizonte e rico em contato, como dobrar roupas de uma cesta, uma tarefa que combina percepção, manipulação de objetos deformáveis e planejamento sustentado.
Dados sintéticos escalaram. O GR00T N1 da NVIDIA, anunciado em março de 2025, apoiou-se em simulação para gerar dados de treinamento: seu pipeline produziu 780.000 trajetórias sintéticas, o equivalente a cerca de nove meses de demonstrações humanas, em aproximadamente 11 horas, e combinar esses dados sintéticos com dados reais melhorou o desempenho em cerca de 40% em relação aos dados reais isolados.
O aprendizado no dispositivo ficou mais eficiente em amostras. O Gemini Robotics On-Device do Google DeepMind, apresentado em 2025, podia ser adaptado a uma nova tarefa com apenas 50 a 100 demonstrações, um sinal de o quanto o cérebro pré-treinado reduz a quantidade de dados específicos do robô que cada nova habilidade exige.
O toque também está melhorando, com sensores táteis densos como a linha DIGIT da Meta trazendo o feedback baseado em tato que a visão pura não capta. Mas observe o padrão em cada uma dessas conquistas: a alavanca é quase sempre dados melhores ou em maior quantidade, não um gripper fundamentalmente novo.
Por que os dados, e não o hardware, são o gargalo
Aqui está a afirmação que reformula todo o campo. De acordo com uma análise de 2025 da Epoch AI, os maiores modelos de manipulação robótica são treinados com apenas cerca de 1% do processamento usado para modelos de linguagem de fronteira, e a restrição fundamental não é processamento ou tamanho do modelo, mas a escassez de dados de treinamento. A robótica está faminta de dados de uma forma que a linguagem e a visão já não estão.
A razão é brutal em sua simplicidade. Os modelos de linguagem tiveram a internet: trilhões de palavras disponíveis publicamente, prontas para serem coletadas. A manipulação dextra não tem equivalente. Como os autores do conjunto de dados EgoDex da Apple afirmaram claramente, não existe um corpus em escala de internet para manipulação dextra. Os dados precisam ser criados, e cada fonte tem uma limitação:
- A teleoperação produz dados de ação de alta qualidade, com um humano controlando o robô, mas é lenta e cara. Não escala para os milhões de horas que o pré-treinamento de um cérebro exige.
- A simulação é barata e paralelizável, mas sofre com a lacuna sim-para-real: uma política que funciona em simulação frequentemente falha em um robô real porque física, atrito e ruído de sensor nunca correspondem exatamente.
- O vídeo humano é abundante e rico, mas não contém ações do robô nem rótulos de força, portanto ensina o que fazer muito melhor do que exatamente como mover um manipulador específico.
- Imagem e texto em escala web é a única entrada que já existe na escala que um modelo de fundação precisa, e é o que pré-treina as camadas de percepção e raciocínio.
Essa taxonomia é o mapa estratégico do campo. Para um contexto mais amplo sobre como essas entradas se tornam um modelo, o explicador sobre como os modelos de IA são treinados e o aprofundamento em dados de treinamento para LLMs se traduzem diretamente para o contexto da robótica. A razão pela qual os dados da web continuam surgindo é que, como um crescente conjunto de trabalhos argumenta, os dados da web são a base da infraestrutura moderna de IA, incluindo a robótica.
Onde os dados em escala web se encaixam
Os dados da web não ensinam um robô a mover os dedos. Eles fazem algo possivelmente mais importante: ensinam o robô sobre o mundo antes de ele pegar qualquer coisa. Há três contribuições concretas, todas apoiadas por resultados publicados.
Ancoragem semântica. O RT-2 do DeepMind mostrou que co-treinar uma política robótica com dados de imagem-texto em escala web, junto com dados do robô, praticamente dobrou sua capacidade de generalizar para novos objetos e cenários, e desbloqueou comportamentos emergentes como pegar o objeto que serve como ferramenta improvisada ou identificar uma categoria vista apenas na internet. O conhecimento da web se transfere para ação física. Esta é a mesma lógica de transferência de aprendizado por trás do ajuste fino de um modelo com dados da web, aplicada a um robô.
Diversidade de objetos. Um estudo de 2025 sobre leis de escalonamento de dados em aprendizado por imitação robótica descobriu que a generalização melhora como uma lei de potência com a diversidade de objetos e ambientes no conjunto de treinamento, não apenas com o número de demonstrações. Os autores descobriram que coletar dados em cerca de 32 objetos diversos era suficiente para atingir cerca de 90% de sucesso em objetos completamente desconhecidos. A diversidade de objetos é, na prática, um problema de imagens em escala web: catálogos de produtos, marketplaces e busca de imagens são onde essa variedade existe, que é exatamente o que guias sobre coleta de dados de imagem em escala abordam.
Priors de manipulação de vídeos humanos. Vídeos egocêntricos de pessoas usando as mãos são o mais próximo de um corpus natural de manipulação. O Ego4D da Meta reuniu 3.670 horas desse material, e o EgoDex da Apple adicionou 829 horas em 338.000 episódios e mais de 90 milhões de quadros especificamente para tarefas dextras. Este é o material bruto que pesquisadores exploram para ensinar aos robôs a estratégia de manipulação semelhante à humana, mesmo sem rótulos de ação.
Em conjunto, essas três entradas, pares imagem-texto, imagens diversas de objetos e vídeos de como-fazer humanos, são o que alimenta o cérebro do Sistema 2. Todos são dados públicos da web, e reuni-los de forma confiável em escala é um problema de coleta de dados. A versão estratégica dessa ideia, em que dados melhores geram um modelo melhor que gera dados melhores, é o data flywheel que as equipes de IA mais fortes agora constroem deliberadamente.
Construindo a camada de dados na prática
Coletar esse tipo de dado parece simples até você tentar em escala. As fontes de imagem e vídeo que importam são exatamente as mais protegidas: marketplaces, mecanismos de busca e grandes plataformas de mídia limitam requisições, restringem geograficamente e bloqueiam ativamente a coleta automatizada, além de renderizar grande parte de seu conteúdo com JavaScript. Montar um corpus limpo, diverso e multirregional é um problema de infraestrutura antes de ser um problema de aprendizado de máquina.
É aqui que a Bright Data se encaixa como a camada de dados da web sob uma pilha de treinamento de robótica. É a infraestrutura de coleta que transforma a web aberta em dados estruturados e prontos para modelos, a entrada upstream para o cérebro do Sistema 2 no diagrama acima.
- A API Web Scraper transforma fontes de imagem e produto em endpoints estruturados, com scrapers pré-construídos que lidam automaticamente com sistemas antibots, para que um corpus de diversidade de objetos possa ser extraído sem precisar construir e manter coletores manualmente.
- Uma rede de proxies residenciais com mais de 400 milhões de IPs obtidos de forma ética em todo o mundo é o que torna a diversidade geográfica e visual alcançável: o mesmo produto ou cena coletado em várias regiões, que os resultados das leis de escalonamento de dados mostram ser mais importante do que o volume bruto.
- O Scraping Browser renderiza páginas de mídia e catálogos com JavaScript intensivo que a coleta estática perderia, onde grande parte das imagens de objetos do mundo real realmente está.
- Conjuntos de dados de IA e LLM prontos e personalizados entregam corpora pré-coletados e estruturados diretamente, exportados como JSON, CSV ou Parquet, para que uma equipe possa alimentar um pipeline de pré-treinamento sem precisar configurar a coleta.
A confiabilidade é o que separa um corpus utilizável de um corrompido, porque uma falha silenciosa na coleta enviesa o conjunto de dados de forma imperceptível. A Bright Data reporta uma taxa de sucesso média de 98,44% em um benchmark independente de onze provedores, e mantém conformidade com GDPR, CCPA, SOC 2 e ISO 27001 enquanto coleta apenas dados publicamente disponíveis, o tipo de procedência que importa quando o conjunto de dados treinará um sistema físico. Se você está avaliando como obter esses dados, as comparações entre conjuntos de dados versus APIs de scraping de dados e o panorama dos provedores de dados de treinamento para IA apresentam as opções, e os guias sobre o que é um conjunto de dados e dados estruturados e não estruturados cobrem os fundamentos. Os mesmos dados da web coletados também alimentam técnicas adjacentes como embeddings, conjuntos de dados vetoriais prontos para IA e a decisão entre RAG versus ajuste fino após a extração de dados brutos.
Os limites reais
É importante ser preciso sobre o que os dados da web fazem e não fazem, porque superestimar aqui é fácil e equivocado.
Os dados da web pré-treinam o cérebro, não as habilidades motoras. Eles conferem ao robô compreensão semântica, conhecimento de objetos e priors visuais. Não contêm as trajetórias de ação, forças de contato ou rótulos de interação 3D que o Sistema 1 precisa para realmente mover uma mão. Esses ainda vêm de teleoperação, simulação e aprendizado no robô. Os dados da web elevam o teto do que um robô pode compreender e generalizar; não substituem a prática física que produz movimento habilidoso.
O déficit tátil também é real e não resolvido por nenhuma quantidade de imagens. O roboticista Rodney Brooks argumentou em 2025 que os humanoides atuais não aprenderão verdadeira destreza apenas com demonstrações de movimento e vídeo, porque lhes falta o sensoriamento de toque rico e de alta largura de banda do qual a manipulação humana depende. Essa crítica é um contrapeso útil: dados de percepção melhores são necessários, mas não suficientes, e o campo ainda precisa de avanços em hardware tátil e transferência sim-para-real. A forma correta de interpretar tudo isso é que os dados são o gargalo atual, não o único.
Para onde isso está indo
A trajetória é clara mesmo que o cronograma não seja. A manipulação dextra está convergindo para modelos grandes, pré-treinados e multimodais, a mesma receita que funcionou para linguagem e visão, e o próprio campo agora aponta dados melhores, especialmente vídeo e pré-treinamento em escala web, como o caminho para superar a restrição de dados. À medida que mãos, sensores táteis e métodos sim-para-real melhoram em paralelo, o diferencial entre equipes será cada vez mais a qualidade e a diversidade dos dados que conseguem reunir.
Essa é a conclusão silenciosa por trás de todos os anúncios de investimento em humanoides. Os robôs que aprenderão a manipular o mundo serão aqueles treinados com a melhor imagem dele, e grande parte dessa imagem é dados públicos da web. A Bright Data é a camada que transforma essa web aberta em dados confiáveis, estruturados e prontos para modelos. Pronto para construir a camada de dados para seus sistemas de IA? Comece um teste grátis e veja com que rapidez a web aberta pode se tornar dados de treinamento.
Perguntas Frequentes
P: O que é destreza robótica?
Destreza robótica é a capacidade de um robô de manipular objetos com habilidade, da forma como a mão humana faz, incluindo reorientar um objeto dentro de sua garra, ajustar a força em tempo real e lidar com formas e materiais para os quais nunca foi explicitamente programado. Vai muito além do simples pegar e colocar, em que uma garra move um objeto conhecido entre pontos fixos. A capacidade definidora é a manipulação na mão de objetos desconhecidos.
P: Por que a manipulação dextra é tão difícil para os robôs?
Três razões. Primeiro, os altos graus de liberdade: a mão humana tem 27 e uma mão robótica de pesquisa cerca de 24 juntas atuadas, o que é um difícil problema de controle em tempo real. Segundo, o déficit tátil: os humanos dependem de cerca de 17.000 receptores de toque por mão para feedback denso, enquanto a maioria dos robôs tem pouco ou nenhum sensoriamento de toque. Terceiro, a generalização: durante a manipulação o objeto frequentemente fica oculto pela mão, e pequenas mudanças em forma ou atrito alteram a ação correta, tornando muito difícil transferir habilidades para objetos desconhecidos.
P: O que é um modelo de Visão-Linguagem-Ação (VLA)?
Um modelo VLA é um único sistema aprendido que recebe imagens de câmera e uma instrução em linguagem natural e gera ações motoras do robô. Os robôs dextros modernos frequentemente usam uma versão de sistema duplo: um cérebro lento de visão-linguagem que compreende a cena e planeja, pré-treinado em dados de imagem e texto em escala de internet, combinado com um especialista em ação rápido, frequentemente uma política de difusão ou correspondência de fluxo, que converte esse plano em comandos motores de alta frequência treinados em demonstrações reais do robô.
P: Por que os dados são o gargalo para a destreza robótica em vez do hardware?
Uma análise da Epoch AI em 2025 descobriu que os maiores modelos de manipulação robótica usam apenas cerca de 1% do processamento dos modelos de linguagem de fronteira, e que o fator limitante é a escassez de dados de treinamento, não o processamento ou o tamanho do modelo. Ao contrário da linguagem, a manipulação dextra não tem um conjunto de dados em escala de internet para aprender, então os dados de ação precisam ser criados por meio de teleoperação cara ou simulação imperfeita, enquanto as camadas de percepção e raciocínio são pré-treinadas com dados de imagem e texto em escala web.
P: Como os dados da web ajudam a treinar um robô dextro?
Os dados da web pré-treinam o cérebro de percepção e raciocínio do robô, não seu controle motor. Contribuem de três formas: ancoragem semântica, em que o pré-treinamento com imagem-texto da web praticamente dobrou a generalização no trabalho RT-2 do DeepMind; diversidade de objetos, em que estudos sobre leis de escalonamento de dados mostram que a generalização melhora com a variedade de objetos e cenas, o que é um problema de imagens em escala web; e priors de manipulação de vídeos humanos como Ego4D e EgoDex. Não substitui os dados de ação e força que a prática física fornece.
P: Um robô pode aprender destreza apenas com dados da web e vídeo?
Não. Os dados da web e o vídeo dão ao robô compreensão semântica e priors visuais, mas não contêm as trajetórias de ação, forças de contato e rótulos de interação 3D necessários para controlar uma mão. Esses vêm de teleoperação, simulação e aprendizado no robô. Críticos como Rodney Brooks também argumentam que a verdadeira destreza precisa de sensoriamento tátil rico que os humanoides atuais em grande parte não possuem. Os dados da web elevam o que um robô pode compreender e generalizar, mas a prática física e melhores sensores de toque ainda são necessários.
