WAIC 2026 Modelo Mundial: Divergências e Consensos entre Seis Equipes de Robótica Corporificada

Introdução

O modelo mundial tornou-se uma das direções de pesquisa mais ativas no campo da robótica corporificada, mas ainda carece de uma definição unificada.

Os pesquisadores divergem sobre o que o modelo mundial deve representar, o grau de precisão necessário para a modelagem física, se os estados futuros devem ser gerados no espaço de pixels ou latente, quantas previsões um robô deve fazer antes de agir, quais modalidades de dados são mais críticas e até mesmo como medir o progresso da pesquisa.

Essa falta de consenso ficou especialmente evidente no WAIC 2026.

Em 19 de julho, um fórum organizado por seis empresas chinesas de robótica corporificada reuniu líderes técnicos que representam diferentes rotas tecnológicas de modelos mundiais para robôs:

• Moderador: Hai Dacheng, Cientista Chefe da ACE Robotics
• Shen Xuejun, Cientista Chefe da equipe Roboyant da Ant Group
• Zhu Zheng, Cofundador e Cientista Chefe da GigaAI
• Xia Zhongpu, Cofundador e Co-CTO da Wujie Dongli
• Ren Guanghui, Diretor de Algoritmos de IA da AgiBot
• Wang Hao, Cofundador e CTO da X Square Robot

O valor desta discussão reside precisamente no fato de que os palestrantes não chegaram a uma única solução técnica.

Alguns desejam que o modelo mundial represente geometria, movimento e mecânica com precisão cada vez maior. Outros preocupam-se mais se o modelo consegue prever estrutura física suficiente para selecionar ações bem-sucedidas.

Alguns acreditam que a consistência de longo prazo é crucial. Outros argumentam que, quando a previsão consome muito da janela de decisão do robô, acaba sendo contraproducente.

Alguns preveem que o campo chegará a um consenso em torno de alguma representação compartilhada. Outros acreditam que arquiteturas híbridas, percepção tátil ou benchmarks padronizados serão os primeiros pontos de partida para o consenso.

Por trás dessas divergências, há uma questão mais prática:

Que capacidades o modelo mundial precisa ter para gerar valor real além de cenários de demonstração?

Três Rotas Tecnológicas

As seis empresas não adotaram arquiteturas idênticas, mas, com base em como o modelo prevê o mundo, a discussão em mesa redonda pode ser resumida em três rotas tecnológicas.

Rota	Método Representativo	Ideia Central
Geração no espaço de pixels	GigaAI	Prever diretamente estados visuais futuros, ou prever por meio de representações visuais generativas
Previsão no espaço latente	Direção JEPA da Wujie Dongli	Prever representações internas compactas, em vez de pixels completos
Arquitetura híbrida ou unificada	ACE Robotics, Roboyant, X Square Robot, AgiBot	Combinar geração, previsão latente, raciocínio espacial explícito, controle VLA ou modelos orientados a simulação

Embora essa classificação tenha valor de referência, não deve ser vista como um padrão permanente de divisão do setor.

Algumas dessas empresas já estão integrando múltiplos mecanismos. A divergência mais importante reside no que cada equipe considera que um modelo mundial útil deve manter.

Quais Capacidades São Mais Críticas?

A primeira grande divergência está na forma como o modelo mundial se relaciona com a física.

Visão 1: A previsão do estado físico deve ser precisa

Xia Zhongpu acredita que a avaliação deve incluir a precisão do modelo na previsão de estados geométricos, trajetórias de movimento, interações mecânicas e grandezas físicas relacionadas.

Essa visão trata parcialmente o modelo mundial como um preditor estruturado do estado físico.

Para robôs que precisam decidir como empurrar, agarrar, levantar, navegar ou manipular objetos, as perguntas relevantes podem incluir:

• Para onde o objeto se moverá?
• Colidirá com outros objetos?
• Como sua orientação mudará?
• Quanta força precisa ser aplicada?
• A preensão será estável?
• Como o ambiente ficará após a ação?

Representações latentes podem tornar a regressão física explícita mais atraente — pois o modelo não precisa renderizar cada pixel futuro antes de estimar essas grandezas.

A vantagem está na precisão e controlabilidade.

O desafio é que o mundo físico contém variáveis difíceis de observar ou inferir diretamente, como atrito, distribuição de massa oculta, complacência, estados de contato e propriedades de materiais.

Portanto, o modelo pode ser fisicamente estruturado sem ser um simulador completo.

Visão 2: A plausibilidade física pode ser mais importante que a física precisa

Shen Yujun propôs um critério diferente.

O robô não precisa necessariamente reproduzir cada parâmetro do sistema físico, mas precisa entender as diferenças cruciais para a ação que está prestes a executar.

Por exemplo, quando dois materiais são arremessados, comprimidos, arrastados ou agarrados, o robô pode precisar reconhecer suas respostas diferentes, sem precisar estimar cada coeficiente antecipadamente.

Isso se aproxima mais de uma compreensão física relevante para a ação do que de uma simulação física completa.

A diferença entre os dois pode ser resumida como:

Simulação física precisa:
Prever o estado detalhado do mundo com a maior precisão possível.

Raciocínio físico relevante para a ação:
Prever o estado do mundo o suficiente para apoiar a seleção de ações seguras e eficazes.

O segundo objetivo tem custo computacional menor e é suficiente para muitas tarefas reais de robótica.

Isso também está alinhado com a filosofia de design de sistemas derivados de modelos de geração de vídeo — esses modelos aprendem naturalmente quais representações visuais futuras são plausíveis, mesmo sem revelar explicitamente todas as variáveis físicas subjacentes.

Questão Central: Que tipo de erro altera a ação?

As opiniões divergentes do painel apontam para um critério de avaliação mais pragmático:

O erro de previsão mais crítico é aquele que altera a decisão do robô.

Se o robô consegue colocar um copo com sucesso sem estimar o coeficiente de atrito exato da mesa, a falta desse valor pode ser irrelevante.

Mas se a falta dessa compreensão física fizer o copo cair, o erro se torna crucial.

Portanto, a fidelidade física necessária depende de:

• Tarefa específica
• Margem de segurança
• Design do robô
• Horizonte temporal da ação
• Custo da falha
• Tempo disponível para raciocínio

Consistência de Longo Prazo ou Decisão Rápida?

A segunda divergência gira em torno de quão longe no futuro o modelo mundial deve prever.

AgiBot:

A consistência física de longo prazo é crucial

A AgiBot investiu pesadamente em simulação e avaliação baseada em modelos mundiais.

Seu framework público Zhiyuan Digital World oferece um ambiente de simulação de alta fidelidade, trajetórias de especialistas geradas automaticamente e ferramentas de avaliação de modelos.

A AgiBot lançou posteriormente o framework EVAC World Model e o EWMBench, expandindo ainda mais o conceito de simulação generativa condicionada à ação.

Para modelos mundiais usados como simuladores, a consistência de longo prazo é essencial.

O valor da simulação é severamente reduzido se:

• A identidade dos objetos muda gradualmente
• A estrutura geométrica sofre deriva
• O robô esquece interações anteriores
• Sequências longas violam leis físicas
• Saídas de múltiplas perspectivas são inconsistentes

Com base nisso, o modelo mundial deve manter um estado coerente ao longo de um horizonte temporal significativo.

X Square Robot: A previsão de longo prazo pode se tornar um falso objetivo

Wang Hao questionou a suposição de que "previsões mais longas são sempre melhores".

A X Square Robot adota uma rota de modelo corporificado ponta a ponta, acoplando firmemente percepção, raciocínio, modelagem mundial e geração de ações.

Seus materiais públicos descrevem a série WALL como um passo em direção a um modelo mundial físico unificado, em vez de tratar a previsão mundial e o controle do robô como sistemas isolados.

Nesses sistemas, o modelo mundial não é apenas um simulador — a própria previsão faz parte do loop de controle.

Portanto, previsões mais longas geram os seguintes custos:

Quanto mais longe no futuro a previsão
→ Maior a quantidade de raciocínio
→ Maior a latência
→ Menos tempo disponível para ação

Se o ambiente do robô muda mais rápido do que o modelo leva para completar o raciocínio, uma previsão de longo prazo perfeitamente coerente pode ser inútil do ponto de vista operacional.

Para o controle, uma previsão curta que chega no momento certo pode ter muito mais valor do que uma previsão longa que chega tarde demais.

O horizonte de previsão deve corresponder ao horizonte de controle

Isso mostra que não existe um comprimento de previsão ideal único.

Um simulador de armazém pode precisar de previsões de sequências longas.

Um robô realizando tarefas de equilíbrio de objetos pode precisar de previsões extremamente rápidas e curtas.

Um manipulador móvel lidando com tarefas de múltiplas etapas pode precisar de ambos:

1. Planejamento de longo prazo
2. Previsão física de curto prazo
3. Correção rápida em malha fechada

Portanto, um design razoável pode envolver múltiplos horizontes temporais, em vez de um único modelo mundial de comprimento total.

Três convidados estão sentados em poltronas brancas. O convidado do centro segura um microfone azul e está falando; o da direita tem as mãos cruzadas, e o da esquerda, as mãos naturalmente apoiadas. O fundo é escuro, com os dizeres "WAIC 2026 Conferência Mundial de Inteligência Artificial" e o logotipo "ACE" na parte superior. Esta imagem corresponde à descrição do Fórum de Modelos Mundiais da WAIC 2026 no documento, ilustrando de forma direta o cenário do fórum.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/4c042a14-222f-479c-a285-6ffe08d2fb9e-c12217f2-9772-4644-9176-3c421bfb637a.jpeg)

Os sistemas públicos existentes já refletem esses focos diferenciados

As divergências de opinião apresentadas no fórum já se manifestam nos sistemas técnicos públicos de cada empresa.

Era Robótica Incorporada: Unificação de Compreensão, Previsão e Ação

Na WAIC 2026, a Era Robótica Incorporada lançou o Kairos 3.1, um modelo mundial incorporado orientado a ações.

Os materiais de lançamento públicos descrevem uma arquitetura híbrida de Transformer, projetada para conectar:

• Compreensão
• Simulação do mundo
• Ação
• Reflexão

A Era Robótica Incorporada também reportou uma latência de inferência de 125 milissegundos para seu modelo Kairos 3.1 de 8B parâmetros na plataforma NVIDIA.

O Jetson Thor utiliza precisão BF16. Essa especificação é crucial, pois a empresa posiciona claramente o modelo como um sistema de borda voltado para comportamentos robóticos, e não como um mero gerador de vídeo offline.

Ant Group / Robbyant: Da Simulação Interativa do Mundo ao Modelo Nativo Incorporado

O LingBot-World de código aberto da Robbyant começou com a direção de vídeo generativo. Sua descrição oficial no repositório de código é: ambiente interativo de alta fidelidade, consistência temporal de longo prazo, controle do usuário em tempo real, latência de interação abaixo de um segundo e capacidade de geração em tempo real de 16 FPS na versão Fast. O Ant Group posteriormente integrou o LingBot-World-Fast ao produto móvel LingGuang, permitindo que os usuários transformem uma única imagem em um mundo gerado para exploração. Simultaneamente, a Robbyant expandiu-se para pesquisas em modelos VLA e incorporados, tornando-se um caso típico de equipe não limitada a um único paradigma de modelo mundial.

GigaAI: Geração de Pixels e a Plataforma GigaWorld

A GigaAI se autodenomina uma empresa de robótica incorporada e propósito geral construída em três camadas: GigaWorld (plataforma de modelo mundial), GigaBrain (sistema de inteligência incorporada de propósito geral) e Maker (corpo robótico incorporado). O trabalho da empresa em modelos mundiais enfatiza o papel central dos ambientes físicos generativos na aceleração da criação, treinamento e teste de dados. Quando o modelo mundial é usado como um simulador visualmente rico, a geração no espaço de pixels torna-se particularmente importante.

Zhiyuan Robot: Modelo Mundial como Simulador Generativo

O trabalho público da Zhiyuan Robot demonstra de forma especialmente clara o cenário de uso como simulador. O AgiBot Digital World combina ativos 3D, simulação física, geração de trajetórias especializadas, randomização de domínio, geração de dados e avaliação de modelos. Seu framework subsequente, EVAC, pode gerar estados visuais futuros baseados em sequências de ações robóticas. Nesse tipo de aplicação, a consistência temporal e a reprodução precisa das interações ação-ambiente são cruciais.

Star Dynamics: Fusão de Modelo Mundial e VLA

A trajetória de desenvolvimento oficial da Star Dynamics mostra que sua arquitetura WALL-A integra profundamente o modelo VLA com o modelo mundial. A direção do WALL-B em 2026 avança para o que a empresa chama de Arquitetura Unificada de Modelo Mundial. Seu objetivo técnico é evitar um pipeline onde o modelo mundial prevê independentemente e uma política separada converte as previsões em ações, integrando em vez disso os processos de previsão e controle em um sistema unificado de ponta a ponta.

Wujie Power: Modelo Mundial Nativo Incorporado e Previsão no Espaço Latente

Os materiais públicos da Wujie Power indicam que a empresa está construindo um "cérebro universal" para robôs e um sistema de modelo fundamental multimodal nativo incorporado baseado em modelo mundial. Xia Zhongpu juntou-se à empresa em março de 2026, tendo anteriormente liderado trabalhos de direção autônoma de ponta a ponta na Li Auto. A direção de pesquisa da empresa enfatiza a previsão no espaço latente, grandezas físicas e o pensamento do tipo JEPA. Como a documentação técnica pública detalhada sobre o modelo mundial atual ainda é limitada, as afirmações sobre sua arquitetura exata devem ser vistas como direções técnicas descritas por sua gerência, e não como modelos abertos totalmente documentados.

O que tem mais probabilidade de alcançar consenso primeiro?

A próxima pergunta não é qual arquitetura vencerá no final.

Mas sim:

Qual parte do campo chegará a um acordo primeiro?

As respostas variam muito.

Candidato Um: Representação Unificada

Ren Guanghui e Xia Zhongpu enfatizaram a importância da representação.

Modelos de linguagem grandes eventualmente convergiram em torno de representações sequenciais tokenizadas, permitindo que diferentes tarefas fossem compatíveis com uma arquitetura.

A inteligência incorporada ainda carece de uma unidade fundamental igualmente universal.

O trabalho do robô envolve:

• Imagens.
• Vídeos.
• Linguagem.
• Posições das articulações.
• Velocidade.
• Força.
• Sinais táteis.
• Geometria 3D.
• Ações.
• Recompensas.
• Estados do ambiente.

Se essas modalidades estiverem isoladas umas das outras, cada sistema precisará construir pontes complexas entre elas.

Uma representação unificada pode permitir que o modelo raciocine sobre percepção, estado, previsão e ação dentro do mesmo espaço compartilhado.

O desafio é que sinais físicos não são naturalmente intercambiáveis.

Um pulso tátil, um quadro de câmera e um comando de garra operam em taxas diferentes e carregam informações distintas.

Portanto, um "token de robô" pode ser muito mais difícil de definir do que um token de texto.

Candidato Dois: Arquitetura Híbrida

A previsão de Wang Hao é a fusão de arquiteturas.

Nessa visão, diferentes abordagens de modelo mundial resolvem partes do problema:

• Geração de vídeo é boa para previsão visual futura.
• Previsão latente é eficiente para raciocínio.
• Modelos 3D explícitos fornecem memória espacial.
• Modelos VLA conectam percepção e ação.
• Controle clássico fornece estabilidade determinística de baixo nível.

A arquitetura final pode combinar esses mecanismos, em vez de escolher um e descartar os outros.

Esse padrão é comum em IA.

Tecnologias inicialmente concorrentes frequentemente se tornam partes de sistemas maiores, uma vez que seus pontos fortes e fracos são esclarecidos.

Candidato Três: Percepção Tátil

Shen Yujun acredita que a informação tátil pode se tornar uma das primeiras áreas de consenso na indústria.

Atualmente, a maioria dos grandes modelos mundiais é treinada principalmente com dados visuais e de linguagem.

Robôs operam através do contato.

Eles precisam detectar:

• Se um objeto está escorregando.
• Se a superfície é dura ou macia.
• Se a pegada está segura.
• Quanta força está sendo aplicada.
• Se um objeto deformável mudou de forma.
• Se ocorreu contato, mesmo quando a visão está obstruída.

Para tarefas de manipulação, é precisamente quando o tato é mais útil que a visão pode se tornar ambígua.

Isso argumenta fortemente que a percepção tátil deve ser uma modalidade nativa, e não um sensor opcional adicionado após o treinamento do modelo.

A direção de pesquisa da Robbyant também reflete uma mudança ampla de modelos baseados em vídeo digital para modelos projetados em torno do controle incorporado.

A diferença importante é:

O objetivo de um modelo de vídeo é gerar um futuro plausível.

O objetivo de um modelo mundial incorporado é apoiar ações bem-sucedidas.

Esses dois objetivos se sobrepõem, mas não são idênticos.

Candidato Quatro: Referências Compartilhadas

Tao Dacheng deu uma resposta diferente: a convergência pode ocorrer primeiro na avaliação, e não na arquitetura.

Isso tem precedentes históricos.

A visão computacional não convergiu porque os pesquisadores concordaram antecipadamente com uma representação. Conjuntos de dados e referências compartilhados, como o ImageNet, forneceram objetivos de medição comuns para sistemas concorrentes. Uma vez que todos os sistemas foram avaliados na mesma escala, ideias fracas desapareceram mais rapidamente, enquanto ideias úteis se espalharam através das fronteiras arquitetônicas. Essa é a lógica por trás do lançamento do QI Físico no fórum.

QI Físico: Uma Medida Unificada para a Inteligência Incorporada

O QI Físico foi introduzido na Conferência Mundial de Inteligência Artificial de 2026 como uma referência unificada para a inteligência física incorporada. Informações de lançamento público mostram que a iniciativa é co-patrocinada por:

• Associação de Inteligência Artificial de Xangai
• Instituto de Pesquisa de Economia Circular de Shenzhen
• Filial Leste da China da Academia de Tecnologia da Informação e Comunicação da China

Mais de 20 universidades e organizações industriais participam. A plataforma visa comparar diferentes sistemas através de:

• Diferentes morfologias de robôs
• Múltiplos cenários do mundo real
• Diferentes categorias de tarefas
• Protocolos de avaliação unificados

![A imagem mostra a cena da mesa-redonda do "Fórum dos Seis Dragões do Modelo Mundial de 2026". Há sete convidados, seis em pé e um sentado à esquerda. O fundo é escuro, com o logotipo "WAIC 2026 Conferência Mundial de Inteligência Artificial" e os dizeres "ACE" na parte superior. Os convidados usam estilos de roupas variados, e alguns usam crachás. No canto superior esquerdo, lê-se: "Mesa-redonda dos 'Seis Dragões do Modelo Mundial' — Impulsionando a IA Física da 'Compreensão' para a 'Execução'".

A imagem está relacionada ao conteúdo da discussão em mesa redonda sobre os "Seis Dragões" introduzida no documento, apresentando visualmente os participantes do debate.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/c242a920-2b42-4966-92ce-2e70518c2ac6-7fb4c60a-1a46-46c3-9743-2b5a5a5a322e.jpeg)

Um benchmark útil de QI físico não pode depender apenas de se o vídeo gerado parece realista. Ele precisa levantar as seguintes questões:

• O robô concluiu a tarefa?
• A ação é fisicamente viável?
• Ele se recupera de eventos inesperados?
• Quanta intervenção é necessária?
• O comportamento é seguro?
• A estratégia se transfere para novos ambientes?
• Qual é a sua capacidade de generalização entre objetos e morfologias?
• Quanto tempo e poder computacional são necessários para cada decisão?

A metodologia específica do QI físico precisa ser documentada publicamente e amplamente adotada de forma contínua para se tornar um verdadeiro padrão da indústria. Ainda assim, essa direção resolve um problema prático. As várias alegações atuais sobre modelos de mundo são difíceis de comparar, pois uma empresa pode relatar a qualidade do vídeo, outra a taxa de sucesso da tarefa, uma terceira o erro de estado físico e uma quarta a consistência do simulador. Sem uma régua unificada, cada sistema pode parecer o mais forte nas métricas para as quais foi projetado.

Realismo visual não é o mesmo que compreensão física

A discussão em torno do QI físico também reflete questões de pesquisa mais amplas no campo de vídeo generativo. Pesquisadores do Google DeepMind introduziram um benchmark independente chamado QI Físico para avaliar se os modelos de vídeo realmente entendem princípios físicos. O estudo descobriu que o realismo visual e a correção física podem estar dissociados. Um vídeo gerado pode parecer convincente, mas violar:

• Mecânica dos sólidos
• Comportamento de fluidos
• Óptica
• Termodinâmica
• Magnetismo

Essa distinção é crucial para modelos de mundo robóticos. Uma previsão de futuro visualmente crível só é útil se mantiver as propriedades necessárias para a ação. Ao mesmo tempo, um robô não precisa resolver um livro inteiro de física antes de agir. O padrão prático fica entre esses dois extremos.

Insuficiente:
Parece realista, mas prevê resultados errados.

Possivelmente excessivo:
Calcula cada variável física, mesmo que a ação não exija.

Uma previsão útil captura as diferenças físicas que alteram a decisão do robô.

Esse meio-termo é onde reside a atual divergência de pesquisa.

Da demonstração à implantação

Embora haja divergências em arquiteturas de modelo, as opiniões dos especialistas se tornam mais convergentes quando a discussão passa dos modelos para robôs físicos.

O padrão final é simples:

O robô consegue concluir tarefas de forma confiável no mundo físico?

Diferentes palestrantes descreveram isso com linguagens distintas.

• Xia Zhongpu enfatizou a validade da decisão final.
• Ren Guanghui focou em quanto o modelo de mundo melhora a política downstream.
• Zhu Zheng destacou a taxa de sucesso multi-tarefa em robôs físicos.

A terminologia varia, mas a questão operacional é consistente.

Um modelo de mundo só é significativo se melhorar o comportamento real do robô.

Por que 99% das demonstrações ainda podem ser um produto ruim

Demonstrações podem ser otimizadas quase infinitamente.

Uma equipe pode:

• Reiniciar o ambiente.
• Selecionar objetos favoráveis.
• Pré-definir rotas.
• Repetir tentativas fracassadas.
• Ajustar para um único cenário por semanas.
• Ter engenheiros em espera no local.
• Remover casos extremos raros.

A implantação elimina essas salvaguardas.

Supermercados, hotéis, armazéns ou lares apresentam eventos imprevisíveis diariamente.

Wang Hao descreveu a curva de custo como fortemente não linear.

Levar um sistema de:

90% → 99%

O esforço despendido não equivale necessariamente a:

99% → 99,9%

As falhas restantes são frequentemente casos extremos difíceis e de cauda longa.

Uma taxa de falha de 1% parece pequena no laboratório.

Se o robô executa 10.000 ações por dia, 1% significa 100 falhas.

Mesmo com 99,9% de confiabilidade, quando o volume de tarefas é grande o suficiente, ainda gera intervenção humana frequente.

O impacto nos negócios inclui:

• Assunção por humano.
• Retrabalho.
• Tempo de inatividade.
• Reclamações de clientes.
• Riscos de segurança.
• Custos de manutenção.
• Perda de rendimento.
• Pessoal de supervisão adicional.

É por isso que a implantação muda o significado da qualidade do modelo.

Eventos aleatórios são a norma no mundo real

Shen Yujun deu um exemplo do varejo.

Um robô pode precisar encontrar um pacote de vegetais.

Os produtos geralmente são armazenados em um local, mas um cliente pode pegá-lo e colocá-lo em outro refrigerador.

Do ponto de vista de um conjunto de dados cuidadosamente planejado, isso parece uma anomalia.

Mas do ponto de vista de um robô que atende milhares de clientes, a anomalia se torna a norma.

Portanto, o modelo de mundo precisa lidar com:

• Objetos em locais inesperados.
• Estoque faltante.
• Pessoas bloqueando o caminho.
• Reorganizações repentinas.
• Observação parcial.
• Variações de iluminação.
• Combinações de novos objetos.
• Suposições errôneas geradas em tarefas anteriores.

É aqui que a capacidade de generalização é mais importante do que reproduzir demonstrações memorizadas.

Inferência na borda é uma exigência de implantação

Tao Dacheng enfatizou outra restrição prática: latência.

Muitos modelos avançados rodam na nuvem.

O robô nem sempre tem tempo para esperar uma ida e volta à nuvem.

A janela de decisão pode ser de apenas milissegundos.

Dezenas ou centenas de milissegundos.

A rede também pode estar:

• Congestionada
• Indisponível
• Não confiável
• Excessivamente cara
• Restrita por privacidade ou requisitos de segurança

É por isso que a ACE Robotics enfatiza o desempenho na borda do Kairos 3.1.

Um modelo ligeiramente menos capaz, mas que responde dentro do limite de tempo de controle, pode ser mais útil do que um modelo mais forte que chega após o fim da janela de ação.

Para implantação, a inteligência deve se tornar:

• Suficientemente barata
• Suficientemente rápida
• Suficientemente confiável
• Suficientemente local
• Suficientemente previsível

Isso leva a uma distinção útil:

Demonstrações mostram o limite superior da capacidade; a implantação revela o limite inferior.

Olhando para daqui a dois anos, o que será considerado correto?

A parte final da discussão convidou os palestrantes a imaginar olhar para trás a partir de 2028.

Quais investimentos feitos em 2026 se provarão corretos?

Quais podem parecer equivocados?

A resposta novamente revela o que cada equipe considera duradouro.

Capacidade do modelo versus saída visível do modelo

Shen Yujun distinguiu dois conceitos:

Capacidades fundamentais

Exemplos incluem:

• Eficiência de generalização
• Interatividade
• Qualidade da representação
• Condicionamento de ação
• Eficiência de dados
• Consistência causal

Saída visível

Exemplos incluem:

• Vídeos gerados visualmente impressionantes
• Demonstrações refinadas
• Tarefas longas bem-sucedidas individualmente
• Alta qualidade estética

Um modelo pode melhorar em capacidades fundamentais sem produzir imediatamente as demonstrações mais impressionantes.

Por outro lado, um sistema pode otimizar pesadamente a saída visível sem melhorar as capacidades necessárias para a inteligência física geral.

Essa é uma das razões pelas quais a indústria precisa de melhores avaliações.

A infraestrutura de dados ainda pode ser valiosa

Shen também acredita que o trabalho investido em pipelines de dados provavelmente permanecerá útil.

Mesmo que a arquitetura mude, a inteligência incorporada ainda precisará de:

• Trajetórias do mundo real
• Dados táteis
• Casos de falha
• Correções humanas
• Ações robóticas
• Sincronização de sensores
• Dados de simulação
• Filtragem de qualidade
• Conjuntos de dados de avaliação

A incerteza não é se os dados são importantes.

É se os dados coletados hoje ainda corresponderão às representações e métodos de treinamento usados em modelos futuros.

Um conjunto de dados pode se tornar menos útil quando:

• A configuração do sensor muda
• O espaço de ação muda
• Os rótulos codificam suposições desatualizadas
• Faltam modalidades necessárias nos dados
• A estratégia de coleta é muito restrita
• O novo modelo requer resolução temporal diferente

Portanto, construir um pipeline de dados flexível pode ser mais duradouro do que otimizar um conjunto de dados fixo.

Não interfira cedo demais nos modelos fundamentais

Zhu Zheng alertou que a indústria pode explorar muitos cenários de negócios antes que os próprios modelos fundamentais estejam estáveis.

Este é um dilema familiar para startups.

A implantação comercial fornece:

• Receita
• Dados
• Feedback do cliente
• Restrições reais

Mas também pode puxar a equipe do modelo em direção a:

• Integrações únicas
• Fluxos de trabalho personalizados
• Regras específicas do cliente
• Adaptação de hardware
• Suporte e operações

Se a arquitetura subjacente ainda está mudando rapidamente, a especialização precoce

pode atrasar o progresso da pesquisa fundamental.

O equilíbrio entre pesquisa de modelo e implantação comercial varia de empresa para empresa.

Não existe uma resposta única que sirva para todos.

Arquiteturas nativas incorporadas podem surgir

Ren Guanghui previu que os modelos de mundo se tornarão cada vez mais nativos incorporados.

Isso significa que os modelos são projetados desde o início em torno da interação física, em vez de serem adaptados posteriormente de tarefas de geração de vídeo ou imagem da internet.

O treinamento nativo incorporado pode incluir:

• Ações robóticas.
• Propriocepção.
• Força.
• Dados táteis.
• Vídeo em primeira pessoa.
• Observações multivisão.
• Estado 3D.
• Feedback de ferramentas.
• Dados de intervenção.
• Sucesso e falha de tarefas.

A própria arquitetura também pode ser projetada em torno do loop de controle.

A questão fundamental é se o modelo representa as variáveis necessárias para um robô executar ações, e não se sua estrutura interna é semelhante à de um modelo generativo de mídia.

Onde há divergência, há a maior oportunidade

Esse debate não terminou com uma única arquitetura que todos concordam.

Isso pode significar que o campo ainda está em estágio inicial, e não num impasse.

Ainda há várias áreas importantes em aberto:

Problema	Visões divergentes
O que o modelo deve prever?	Pixels, estados latentes, geometria explícita ou uma abordagem híbrida
Qual o nível de precisão física necessário?	Estimativa exata de estado vs. plausibilidade relacionada à ação
Qual deve ser o horizonte de previsão?	Consistência de longo prazo vs. controle de curto prazo com baixa latência
O que unificará a área?	Representação, arquitetura, dados táteis ou benchmarks
Onde a inferência deve ser executada?	Nuvem, borda ou implantação híbrida
Quais são os verdadeiros indicadores de sucesso?	Qualidade da simulação, previsão física, melhoria da política ou taxa de sucesso em tarefas reais
Quais dados são mais importantes?	Vídeos, trajetórias de robôs, força, tato, simulação ou dados híbridos

Em áreas maduras, as arquiteturas tendem a convergir.

Em campos emergentes, a divergência revela exatamente as maiores oportunidades ainda não conquistadas.

Se alguém conseguir provar uma das hipóteses atualmente em debate, sua equipe poderá construir uma vantagem técnica antes que a indústria chegue a um consenso.

Um quadro prático para avaliar modelos de mundo robóticos

Para desenvolvedores e equipes de robótica, essa discussão pode se traduzir numa lista de verificação de avaliação mais concreta.

1. Alvo da previsão

Defina o que o modelo prevê:

• Pixels.
• Estados latentes.
• Geometria.
• Ações.
• Força.
• Observações futuras.
• Combinação dos itens acima.

A saída deve corresponder ao problema de controle a jusante.

2. Horizonte de previsão

Meça o desempenho nos seguintes níveis:

• Próximo passo imediato.
• Ciclo curto.
• Ciclo de alguns segundos.
• Ciclo de tarefa longa.

Não avalie o modelo apenas no horizonte onde ele tem melhor desempenho.

3. Latência

Meça o tempo real de inferência no hardware alvo de implantação.

Modelos que não atendem aos requisitos de tempo de controle não devem receber nota máxima por sua precisão preditiva.

4. Validade física

Testes incluem:

• Colisões.
• Contato.
• Equilíbrio.
• Deformação.
• Ações sensíveis ao atrito.
• Persistência de objetos.
• Consistência multivista.

5. Melhoria da política

Talvez a pergunta mais prática seja:

A inclusão de um modelo de mundo melhora a taxa de sucesso em tarefas reais?

Compare o desempenho da política a jusante com e sem o modelo de mundo — ou seja, políticas com e sem o componente de modelo de mundo.

6. Capacidade de generalização

Teste novos itens:

• Objetos
• Layouts
• Plataformas robóticas
• Iluminação
• Materiais
• Comportamentos humanos
• Combinações de tarefas

7. Capacidade de recuperação

Meça o que acontece após o primeiro erro.

Um sistema implantado deve ser capaz de detectar falhas, atualizar seu estado e tentar uma abordagem alternativa.

8. Comportamento na borda e na nuvem

Teste tanto condições de rede normais quanto degradadas.

Quando a inferência remota não estiver disponível, o robô deve falhar de forma segura.

9. Taxa de intervenção

Acompanhe a assistência humana nas seguintes unidades:

• Por hora
• Por tarefa
• A cada 100 ações
• A cada 1000 ações

Isso geralmente revela mais sobre a qualidade da implantação do que uma única taxa de sucesso.

10. Custo por tarefa bem-sucedida

Inclui:

• Inferência do modelo
• Hardware
• Rede
• Intervenção humana
• Retrabalho
• Manutenção
• Consumo de energia
• Tempo de inatividade

O melhor modelo de mundo nem sempre é o que tem a maior pontuação no benchmark.

É aquele que faz todo o sistema robótico funcionar melhor.

Perguntas frequentes

O que é um modelo de mundo na IA corporificada?

Um modelo de mundo é um modelo que pode representar ou prever como o ambiente muda ao longo do tempo, com ações do robô ou outros eventos. Em robótica, pode apoiar planejamento, simulação, seleção de ações, geração de dados de treinamento ou melhoria de políticas.

Quais são as principais abordagens para modelos de mundo discutidas na WAIC 2026?

A discussão cobriu amplamente geração em espaço de pixels, previsão em espaço latente (como abordagens estilo JEPA), e sistemas híbridos ou unificados que combinam previsão de mundo com controle VLA, raciocínio 3D ou outras representações. Essas categorias se sobrepõem, pois várias empresas usam múltiplas técnicas.

Um modelo de mundo robótico precisa de um simulador físico preciso?

Não necessariamente. Alguns pesquisadores defendem a previsão precisa de geometria, movimento e força, enquanto outros priorizam raciocínio físico suficiente para escolher a ação correta. A precisão necessária depende da tarefa e do custo da falha.

Por que a consistência de longo prazo é controversa?

A expansão de sequências longas é útil para simulação e planejamento de longo prazo, mas aumenta o custo de inferência e pode atrasar o controle em tempo real. Robôs físicos podem precisar de previsões curtas e rápidas para ações imediatas, usando outro mecanismo para planejamento de longo prazo.

O que é PHYSICAL IQ?

PHYSICAL IQ é uma iniciativa de benchmark de inteligência física corporificada lançada durante a WAIC 2026. Visa fornecer um protocolo de avaliação comum para diferentes plataformas robóticas, cenários e tarefas.

PHYSICAL IQ é o mesmo que Physics-IQ do Google DeepMind?

Não. São projetos diferentes. PHYSICAL IQ é uma plataforma de avaliação para robôs corporificados lançada na WAIC 2026, enquanto Physics-IQ é um benchmark de pesquisa para testar se modelos generativos de vídeo entendem física.

Por que a percepção tátil é importante para modelos de mundo?

A visão não revela completamente força de contato, deslizamento, pressão, complacência e certas propriedades dos materiais. Sinais táteis e de força fornecem aos robôs informações diretas sobre interações físicas e podem se tornar cada vez mais importantes para modelos de mundo focados em manipulação.

O que é mais importante que uma boa demonstração robótica?

Implantação.

Confiabilidade. As equipes precisam medir a taxa real de sucesso em tarefas, latência, taxa de intervenção, recuperação de eventos inesperados, segurança, custo e desempenho em diversos ambientes, e não apenas em demonstrações selecionadas.

Ferramentas relacionadas

• Kairos 3.1 no Hugging Face: Coleção pública da ACE Robotics para seu trabalho em modelos de mundo corporificados orientados a ação.
• LingBot-World: Simulador de mundo interativo open-source da Robbyant, com código, modelos e documentação técnica.
• Mundo Digital AgiBot: Estrutura de simulação oficial da AgiBot para geração de dados, treinamento e avaliação de modelos corporificados.
• GigaAI: Site oficial do GigaWorld, GigaBrain e da plataforma de IA corporificada da empresa.
• X² Robótica: Site oficial descrevendo a família de modelos fundamentais corporificados WALL e a integração modelo de mundo/VLA.
• Physics-IQ: Um benchmark de pesquisa independente para avaliar a compreensão física em modelos generativos de vídeo.
• NVIDIA Isaac Sim: Plataforma de simulação robótica para gerar dados sintéticos e testar sistemas robóticos.

Links relacionados

• Coleção Kairos 3.1 da ACE Robotics: Recursos de modelos públicos para Kairos 3.1 e sistemas corporificados relacionados.
• Anúncio da ACE Robotics na WAIC 2026: Comunicado à imprensa da empresa cobrindo Kairos 3.1 e a iniciativa PHYSICAL IQ.
• [Anúncio do modelo de mundo Lingguang do Ant Group](https://www.

antgroup.com/en/news-media/press-releases/1777280400000): Comunicado oficial do Ant Group descrevendo a integração do LingBot-World-Fast no LingGuang.

• Repositório do LingBot-World no GitHub: Código aberto de Robbyant, instruções de instalação, pesos e link para o artigo.
• Mundo Digital da AgiBot: Apresentação oficial da estrutura de dados simulados e incorporados da AgiBot.
• AgiBot EVAC e EWMBench: Trabalho oficial da AgiBot sobre modelos de mundo condicionados por ações e avaliação.
• Robô X²: Informações oficiais sobre a família de modelos WALL e inteligência incorporada de ponta a ponta.

Resumo

A mesa-redonda sobre modelos de mundo da WAIC 2026 mostrou que o campo da inteligência incorporada ainda não chegou a um consenso sobre a definição, representação ou arquitetura dos modelos de mundo. As principais divergências envolvem precisão física, alcance da previsão, forma de representação, percepção tátil e a relação entre modelagem do mundo e ação.

O consenso mais forte surge nas etapas finais da pilha tecnológica. Em última análise, os modelos de mundo devem tornar os robôs físicos mais confiáveis: melhores taxas de sucesso em tarefas, menos intervenções, decisões mais rápidas, recuperação mais segura e menores custos de implantação.

O PHYSICAL IQ visa criar uma camada de avaliação comum, antes da qual as arquiteturas em si tendem a convergir. Resta saber se este benchmark será amplamente adotado, mas a necessidade de métodos de medição de inteligência física comparáveis é clara.

A controvérsia atual neste campo não é uma fraqueza, mas um mapa de problemas ainda não resolvidos que podem definir a direção do desenvolvimento da inteligência artificial incorporada na próxima geração.