Robótica é o ramo da engenharia e da ciência da computação que trata do projeto, da construção, da operação e da programação de máquinas físicas, os robôs, que percebem seu ambiente e realizam ações físicas dentro dele. Embora a robótica seja décadas anterior à inteligência artificial moderna, remontando aos braços industriais implantados em fábricas a partir da década de 1960, o campo tornou-se cada vez mais entrelaçado com a IA à medida que a percepção, o planejamento e o controle passaram de regras codificadas manualmente para modelos aprendidos, uma convergência frequentemente discutida sob o título mais amplo de IA incorporada.
Da robótica industrial à robótica aprendida
Os primeiros robôs industriais, como o braço Unimate instalado em uma planta da General Motors em 1961, operavam por meio de sequências de movimento fixas e pré-programadas em ambientes estritamente controlados e não exigiam percepção de um mundo não estruturado. A robótica de pesquisa ao longo das décadas de 1980 e 1990, exemplificada por projetos como os robôs de arquitetura de subsumção de Rodney Brooks, explorou o controle reativo e orientado por sensores como alternativa ao planejamento simbólico. As competições Grand Challenge da DARPA de 2004 e 2005, que desafiaram veículos autônomos a navegar pelo deserto, são amplamente creditadas por impulsionar a pesquisa moderna em percepção e planejamento robótico e por semear a indústria de carros autônomos. Ao longo das duas décadas seguintes, a visão computacional e o aprendizado por reforço substituíram cada vez mais as regras projetadas manualmente para tarefas como apreensão, locomoção e navegação, permitindo que robôs treinados em grande parte em simulação generalizassem em algum grau no mundo físico, uma transferência comumente chamada de sim-para-real.
Percepção e controle impulsionados por IA
A robótica moderna baseia-se fortemente nas mesmas técnicas de aprendizado profundo usadas em outras áreas da IA. Sistemas de redes neurais convolucionais e, posteriormente, de modelos de visão-linguagem dão aos robôs a capacidade de reconhecer objetos e cenas; o aprendizado por reforço e o aprendizado por imitação, no qual um robô aprende imitando demonstrações humanas registradas, são usados para treinar políticas de controle; e, desde o início da década de 2020, os modelos de visão-linguagem-ação (VLA) combinaram uma grande espinha dorsal de modelo de visão-linguagem pré-treinado com uma cabeça de saída que produz diretamente comandos motores do robô, permitindo que um único modelo siga instruções em linguagem natural em diversas tarefas físicas. Isso gerou uma onda de modelos de fundação robóticos de propósito geral, perseguidos tanto por laboratórios de robótica estabelecidos quanto por empresas de IA recém-ingressas no campo.
Domínios de aplicação
A robótica industrial e de armazéns continua sendo a maior base implantada, com braços robóticos e robôs móveis autônomos amplamente usados em manufatura e logística, inclusive em grandes operações de atendimento de pedidos conduzidas por empresas como a Amazon. A robótica cirúrgica, exemplificada pelo sistema da Vinci, estende a precisão do cirurgião por meio de instrumentos teleoperados. Robôs agrícolas lidam com colheita e monitoramento de culturas, e robôs domésticos, mais notavelmente os aspiradores de pó robóticos, representam a categoria de consumo mais amplamente adotada até o momento. Plataformas de robôs humanoides, voltadas para tarefas de propósito geral em ambientes projetados por humanos, e sistemas de carros autônomos representam as fronteiras mais intensivas em capital e mais acompanhadas de perto do campo em meados da década de 2020.
Desafios
Apesar do rápido progresso da IA, a robótica historicamente avançou mais lentamente do que as aplicações puramente digitais de IA, uma lacuna às vezes resumida como o paradoxo de Moravec: tarefas triviais para humanos, como pegar um objeto de formato irregular ou caminhar sobre terreno irregular, permanecem difíceis para máquinas, enquanto tarefas difíceis para humanos, como cálculos complexos, são comparativamente fáceis para computadores. Robôs físicos também enfrentam restrições que sistemas de IA puramente baseados em software não enfrentam, incluindo custo de hardware, durabilidade, segurança perto de humanos e a dificuldade de coletar grandes e diversos conjuntos de dados de treinamento do mundo real, comparáveis aos corpora de texto e imagem em escala da internet que treinaram sistemas modernos de modelos de linguagem de grande escala e de texto-para-imagem.