A Spirit AI, startup chinesa avaliada em R$ 14,9 bilhões, projeta um salto cognitivo equivalente ao GPT-3 para meados de 2027, mas admite: a estreia doméstica fica para a próxima década. O gargalo não é o hardware — é a falta de dados do mundo real.
Enquanto máquinas já correm e dão saltos mortais, a inteligência que permite dobrar roupas ou cozinhar sem quebrar nada ainda engatinha. O que separa a fábrica da sua sala de estar?
O elo mais fraco da cadeia
Gao Yang, cofundador e cientista-chefe da Spirit AI, resume o cenário em uma frase: o software é o freio de mão da robótica atual. A empresa, que levantou US$ 670 milhões em menos de dois anos, roda dezenas de unidades do modelo Moz1 em linhas da CATL e da JD.com.
Hoje, esses robôs atingem 90% de sucesso em tarefas simples dentro de ambientes controlados. Parece alto, mas para um negócio escalável, a margem de erro precisa beirar zero.
O executivo, que também leciona em Tsinghua, traça uma linha do tempo clara em três atos.
Cronologia da implantação: do chão de fábrica ao lar
- 1 a 2 anos (2025–2026): expansão industrial para fluxos de trabalho contínuos e complexos.
- 2 a 4 anos (2027–2029): serviços comerciais simples — hotéis, varejo, logística leve.
- 8 anos ou mais (2034+): residências, onde a imprevisibilidade exige motricidade fina e raciocínio de “longa cauda”.
A transição entre o segundo e o terceiro estágio é onde a maioria dos projetos trava. Destampar uma garrafa ou lidar com um cabo elétrico deformável expõe a fragilidade dos modelos atuais.
Por que simulação não resolve tudo
A Spirit AI aposta pesado em dados reais, rejeitando o atalho dos gêmeos digitais usados por concorrentes. A razão é física: simuladores lidam bem com corpos rígidos, mas falham com objetos flexíveis, fluidos e atrito variável.
Para contornar isso, a startup mantém uma rede de cerca de 1.000 coletores humanos espalhados pela China. Equipados com sensores vestíveis, eles repetem tarefas domésticas e industriais — abrir geladeiras, cortar legumes, destravar cofres — alimentando o “cérebro” com exemplos imperfeitos.
Contra-intuitivamente, Gao revela que “dados sujos”, com variações naturais de movimento, aceleram o aprendizado mais do que demonstrações perfeitas de laboratório.
O que observar daqui para frente
O marco de 2027 funciona como termômetro para o setor: se a promessa de um “momento GPT-3” se confirmar, a janela de investimento em aplicações industriais e comerciais se abre de vez. Para o investidor, o sinal está na taxa de adoção B2B nos próximos 18 meses; para o consumidor, a paciência segue sendo a única especificação técnica disponível.
