A Boston Dynamics está revolucionando o mundo da robótica com o robô humanoide Atlas, que agora aprende comportamentos humanos de forma autônoma graças ao Large Behavior Model (LBM). Anunciado em parceria com o Toyota Research Institute (TRI), esse avanço permite que o Atlas processe dados de ações humanas, adapte seus movimentos em tempo real e execute tarefas complexas que antes pareciam impossíveis para máquinas. Em um vídeo divulgado em agosto de 2025 e amplamente discutido em setembro, o Atlas demonstra habilidades como manipulação de objetos, locomoção integrada e resiliência a interrupções, marcando um passo crucial para robôs de uso geral. Este artigo aprofunda o que é o LBM, como o Atlas funciona e as implicações para o futuro da robótica, com base em relatórios técnicos e atualizações recentes.
A Evolução do Atlas: De Acrobata a Trabalhador Inteligente
O Atlas, flagship da Boston Dynamics desde 2013, sempre impressionou com demonstrações de agilidade, como parkour e backflips. No entanto, essas façanhas eram pré-programadas, limitando sua aplicação prática. Em 2024, a empresa aposentou a versão hidráulica e lançou o Atlas elétrico, mais eficiente e versátil, com foco em tarefas industriais reais. Agora, em 2025, o robô ganha um “cérebro” baseado em IA generativa, inspirado nos Large Language Models (LLMs) como o ChatGPT, mas adaptado para ações físicas.
A parceria com o TRI, anunciada em outubro de 2024, acelera esse desenvolvimento. Juntas, as empresas visam criar robôs humanoides que operem em ambientes humanos sem reprogramação constante. O vídeo de demonstração, lançado em 20 de agosto de 2025, mostra o Atlas em uma simulação de oficina, realizando sequências longas de manipulação e locomoção. Essa evolução reflete uma tendência global: de robôs especialistas para generalistas, capazes de aprender como humanos.
Linha do Tempo do Projeto Atlas com LBM
- 2013: Lançamento inicial do Atlas hidráulico, financiado pelo DARPA, focado em mobilidade dinâmica.
- 2024: Transição para versão elétrica; parceria com TRI para IA comportamental.
- Abril 2025: Vídeo introdutório do novo Atlas, destacando força e equilíbrio.
- Agosto 2025: Demonstração do LBM; vídeo viral com tarefas autônomas.
- Setembro 2025: Discussões em conferências como GTC da NVIDIA e Robotics Summit, com integrações de hardware como Jetson Thor para processamento AI.
Essa progressão mostra como o Atlas passou de protótipo de pesquisa para plataforma comercial viável, com a Hyundai (dona da Boston Dynamics) investindo em produção em massa.
O Que é o Large Behavior Model (LBM)?
O Large Behavior Model (LBM) é uma inovação em IA para robótica, análoga aos LLMs, mas treinada em dados de comportamentos físicos em vez de texto. Desenvolvido pelo TRI, o LBM usa arquiteturas como Diffusion Transformers com 450 milhões de parâmetros para prever e executar ações no mundo real. Ele é condicionado por entradas sensoriais: imagens de câmeras, propriocepção (sensores corporais para posição e movimento) e prompts em linguagem natural, como “organize esses objetos na prateleira”.
Diferente da programação tradicional, que exige código específico para cada tarefa, o LBM aprende de um vasto conjunto de dados – milhares de horas de interações robóticas, incluindo teleoperação (controle remoto humano), simulações e vídeos de demonstração. Isso cria uma “política fundacional” que generaliza habilidades: o robô não só imita, mas infere ações novas combinando conhecimentos prévios. Por exemplo, se treinado para pegar objetos, ele pode adaptar para empilhar caixas sem treinamento adicional.
O modelo opera a 30 Hz, controlando todo o corpo simultaneamente – pernas, braços, torso e garras – tratando mãos e pés de forma unificada. Isso elimina a separação comum entre controle de locomoção e manipulação, permitindo movimentos fluidos e naturais. Russ Tedrake, vice-presidente de LBMs no TRI, explica: “Uma das principais propostas de valor dos humanoides é que eles podem realizar uma enorme variedade de tarefas diretamente em ambientes existentes, mas as abordagens de programação anteriores simplesmente não escalavam para esse desafio.”
Atualizações de setembro de 2025 indicam que o LBM está sendo otimizado com reinforcement learning (RL) para refinar ações, reduzindo a necessidade de dados específicos em até 3-5 vezes, conforme pesquisas do TRI.
Como o LBM Aprende e se Adapta
O treinamento segue um “flywheel de dados”: coleta de interações reais alimenta o modelo, que melhora previsões, gerando mais dados de alta qualidade. Inicialmente, humanos demonstram tarefas via teleoperação; o LBM então simula variações para robustez.
- Pré-treinamento: Em datasets diversificados (objetos rígidos/suaves, pesados/delicate).
- Ajuste Fino: Com prompts linguísticos para tarefas específicas, sem código novo.
- Adaptação em Tempo Real: Detecta perturbações (ex.: objeto escorregadio) e ajusta, usando fluxo de matching para ações suaves.
Scott Kuindersma, VP de Pesquisa em Robótica da Boston Dynamics, afirma: “Treinar uma única rede neural para realizar muitas tarefas de manipulação de longo horizonte levará a uma melhor generalização, e robôs altamente capazes como o Atlas apresentam as menores barreiras para coleta de dados em tarefas que requerem precisão, destreza e força em todo o corpo.”
Demonstração do Atlas: Tarefas Complexas e Resiliência
No vídeo de agosto de 2025, o Atlas executa uma sequência contínua em uma oficina simulada: abre uma cesta, remove objetos variados (ferramentas, peças), transfere para um cesto maior, analisa formas e organiza em uma prateleira. Ele caminha, agacha, levanta e equilibra cargas, integrando manipulação e locomoção.
O teste de resiliência é o destaque: pesquisadores interferem com empurrões, fecham tampas ou movem caixas. O Atlas reage autonomamente – reabre a caixa, recupera itens caídos e continua sem pausas. Isso demonstra “comportamentos emergentes”: o modelo infere recuperação de objetos não explicitamente treinada, mas derivada de padrões gerais.
Em posts no X de setembro de 2025, usuários como @plKamilPawlik destacam: “O robô pode reagir espontaneamente quando algo dá errado, como se abaixar para pegar um item caído.” O vídeo, com duração de cerca de 2 minutos, acumulou milhões de visualizações, gerando debates sobre o “uncanny valley” – movimentos ainda um pouco rígidos, mas cada vez mais humanos.
Comparado a demos anteriores, como o parkour de 2024, essa é “chata” intencionalmente: foca em utilidade, não espetáculo. No entanto, integrações recentes com NVIDIA’s GR00T (em julho de 2025) adicionam agilidade, como breakdancing e cartwheels, mostrando versatilidade.
Comparação com Outros Robôs Humanoides
O Atlas se destaca pela integração total do LBM. Veja uma tabela comparativa baseada em dados de 2025:
| Robô | Desenvolvedor | Modelo de IA Principal | Controle Corporal | Tarefas Demonstradas | Preço Estimado (2025) |
|---|---|---|---|---|---|
| Atlas | Boston Dynamics/TRI | LBM (450M params) | Todo o corpo unificado | Manipulação + locomoção autônoma, adaptação a perturbações | Não comercial ainda |
| Optimus Gen 2 | Tesla | End-to-End Neural Net | Separado (locomoção/manipulação) | Dobrar roupas, caminhar em fábrica | US$ 20.000-30.000 |
| Figure 01 | Figure AI | LLM-based | Parcialmente integrado | Conversa + tarefas simples | US$ 50.000+ |
| Ameca | Engineered Arts | Conversacional | Limitado a cabeça/corpo superior | Interações sociais, expressões | US$ 100.000+ |
O Atlas lidera em generalização, mas concorrentes como Optimus avançam em escala de produção.
Parceria Boston Dynamics e Toyota Research Institute
A colaboração, iniciada em outubro de 2024, combina a expertise em hardware da Boston Dynamics (mobilidade dinâmica) com a pesquisa em IA do TRI (LBMs escaláveis). O projeto responde a questões fundamentais: como humanoides controlam o corpo inteiro? Como generalizar de dados limitados?
Em 2025, expandiu para integrações com simulações NVIDIA, acelerando treinamentos. Tedrake nota: “Os LBMs abordam essa oportunidade de forma fundamentalmente nova – habilidades são adicionadas rapidamente via demonstrações humanas, e conforme os LBMs ficam mais fortes, exigem menos demonstrações para comportamentos mais robustos.”
Atualizações de setembro incluem testes em ambientes reais, como fábricas da Hyundai, preparando para deployment comercial em 2026-2027.
Implicações para o Futuro da Robótica
O LBM no Atlas pavimenta o caminho para robôs de propósito geral, capazes de tarefas variadas sem recodificação. Aplicações incluem logística (organizar estoques), manufatura (montagem autônoma) e saúde (assistência a idosos). Previsões da Statista indicam 13 milhões de humanoides até 2035, com mercado de US$ 38 bilhões. No Brasil, empresas como Embraer exploram parcerias para automação aeroespacial.
Desafios persistem: consumo de energia (Atlas dura 1-2 horas em tarefas intensas), ética (deslocamento de empregos) e segurança (resiliência a hacks). Especialistas como Kuindersma veem isso como “um vislumbre do futuro dos robôs de uso geral”, com versatilidade superando humanos em precisão e força.
Benefícios e Riscos
- Benefícios:
- Eficiência: Atualizações como apps, sem downtime.
- Escalabilidade: Menos dados para novas tarefas.
- Adaptação: Lida com ambientes dinâmicos, como canteiros de obra.
- Riscos:
- Dependência de Dados: Viés em treinamentos pode levar a falhas.
- Impacto Social: Automação em massa; estudos da McKinsey preveem 45% de tarefas afetadas até 2030.
- Regulamentação: Necessidade de padrões globais, como na UE com AI Act.
Pesquisas em setembro de 2025, como no IEEE Spectrum, enfatizam transparência: relatar taxas de sucesso (Atlas acerta 90% em demos controladas) para construir confiança.
Lições e o Caminho Adiante
O avanço do Atlas com LBM ensina que a robótica deve priorizar aprendizado sobre programação rígida. Para desenvolvedores, invista em datasets diversificados; para empresas, prepare workflows flexíveis. A Boston Dynamics planeja open-source partes do LBM em 2026, acelerando inovação.
Em resumo, o Atlas não só aprende comportamentos humanos, mas os aprimora, abrindo era de robôs colaborativos. Como Tedrake diz, “Estamos apenas começando a ver o potencial de políticas treinadas em grandes corpora de dados de tarefas diversificadas.” Esse progresso exige equilíbrio entre inovação e responsabilidade societal.
Com informações de O Antagonista.