A OpenAI desmontou mais uma vez a estrutura dedicada à robótica, mas o movimento agora é de aceleração, não de recuo. Pesquisadores da área foram redistribuídos para outros times, e a companhia passou a sustentar que modelos de propósito geral, como o GPT-6 Astra, são capazes de comandar robôs diretamente — o que reduziria a necessidade de uma IA robótica feita sob medida. A decisão saiu tão em cima da hora que o estande reservado para a CoRL (Conference on Robot Learning, evento sobre aprendizado aplicado a robôs), em Austin, ficou vazio.
Como fica a estrutura depois do remanejamento
Os destinos dos grupos são distintos. A pesquisa em robótica migra para o time central de pesquisa, sob o comando do chefe de pesquisa Mark Chen. Já as frentes de robótica aplicada e de hardware passam a integrar a organização Applied, liderada por Greg Brockman.
O episódio do estande vazio, relatado pela Fortune, ajuda a medir a velocidade da mudança: não houve tempo hábil nem para desfazer a presença comercial no evento.
Os testes que sustentam a tese
A convicção não é só discurso. Em um estudo da Nvidia, um agente baseado no GPT-6 Astra obteve 74,8% de acerto em tarefas de robótica simulada, contra 51% do melhor modelo especializado. O experimento rodou em um robô DROID simulado, e não em um equipamento físico.
A comparação com um concorrente especializado veio pelo StationeryBench, benchmark que colocou o GPT-6 Astra diante do MolmoAct2, da Ai2, em cinco tarefas com objetos de mesa sobre braços robóticos YAM de dois membros.
| Métrica | GPT-6 Astra | MolmoAct2 (Ai2) |
|---|---|---|
| Tarefas concluídas por inteiro (em 100) | 7 | 0 |
| Nota média de progresso | 46 | 12 |
| Provas realizadas | 200 | 200 |
Em outro teste, o Astra instalado em um robô humanoide percorreu e organizou uma cozinha.
O que continua em aberto
Não há resposta pública sobre o volume de dados de robótica usado no treinamento, nem pela OpenAI nem pelas concorrentes. Modelos generalistas de Anthropic e do Google também registraram avanços recentes em tarefas robóticas.
E existe o contraponto técnico: um modelo especializado pode continuar competitivo em custo, confiabilidade, velocidade e consumo de energia, ainda que generalize pior em situações fora do script.
Yoav Artzi, pesquisador de IA da Universidade Cornell e do Google DeepMind, enxerga no Astra um salto expressivo em compreensão espacial. No REMAP, benchmark ainda não publicado, o GPT-6 Astra chega a acurácia próxima da humana, segundo ele, que suspeita de treinamento com grande volume de dados 3D, como cenas produzidas no Blender.
Uma relação de idas e vindas
A OpenAI já havia encerrado sua divisão de robótica em 2020. Na época, o cofundador Wojciech Zaremba justificou a decisão pela falta de dados de treinamento e pelo entendimento de que os grandes modelos de linguagem eram um caminho mais curto até a AGI — a inteligência artificial geral, capaz de igualar o desempenho humano em qualquer tarefa cognitiva. A equipe foi remontada em 2024.
O CEO Sam Altman tem como meta, conforme relatos, uma primeira demonstração pública de robô em 2027, e a ambição de longo prazo é fabricar robôs de uso cotidiano. No caminho, a pressão financeira empurra o foco para o negócio central de IA, terreno em que a companhia perdeu espaço relevante para a Anthropic.
A leitura para quem investe
A tese de que um modelo generalista dispensa uma pilha de modelos especializados tem consequência prática: menos modelos dedicados, mais poder computacional concentrado em treinamento e inferência. Quem fornece infraestrutura — o caso da Nvidia, que assina o estudo de simulação citado — captura demanda independentemente de qual abordagem vencer a disputa técnica.
No elenco de concorrentes, Alphabet, dona do Google DeepMind, e a Anthropic aparecem no mesmo pelotão de frente. Para o investidor brasileiro, a exposição é indireta, via BDRs e fundos com carteira internacional de tecnologia, e não por empresas da B3.
Dois riscos merecem atenção. O REMAP ainda não foi publicado, o que limita a checagem externa dos resultados. E o gargalo que derrubou a aposta anterior, a disponibilidade de dados de treinamento, segue sem resposta clara — é justamente ele que definirá se o modelo generalista realmente substitui o especializado em ambiente real, e não apenas em simulação.