Google Cloud e NASA testam prova de conceito de sistema robótico para apoiar astronautas em missões no espaço profundo

O projeto é uma prova de conceito, não um produto. O Google Public Sector, o Human Research Program da NASA, a equipe de robótica do Johnson Space Center e o JPL desenvolvem um robô físico pensado como handler de payload: cuida de carga, logística e equipamentos, e pode migrar para apoio médico, como buscar e preparar um ultrassom para o oficial médico da tripulação. O motivo é a latência. Em Marte, a comunicação de ida e volta pode chegar a 44 minutos, o que inviabiliza orientação médica em tempo real.

Os números técnicos estão no texto da fonte. O modelo open-source Pi0, de 4 bilhões de parâmetros e desenvolvido pela Physical Intelligence, foi ajustado (fine-tuning) em apenas 2,5 horas em instâncias Google Cloud G4. Com câmera eye-to-hand, chegou a 85% de taxa de sucesso inicial em pick-and-place de uma bolsa médica, em ambiente de laboratório. O treino de movimentos passou antes pelo simulador MuJoCo, da Google DeepMind, nas instalações iMETRO do Johnson Space Center. Os modelos ajustados rodam localmente em dispositivos de borda compactos e de baixo consumo, e o time testou cerca de 15 deles ao longo de dois anos. O JPL, por sua vez, adapta ferramentas de consciência situacional de satélites para o robô entender o ambiente 3D só com câmeras. O objetivo final é comandar o robô por instruções simples, sob supervisão direta dos astronautas, sem substituir a decisão humana.

A fonte liga o projeto ao CMO-DA, o assistente de decisão clínica apresentado no ano passado: antes era software de apoio médico, agora ganha um corpo físico. Na cobertura do CEVIU, em 19 de outubro de 2026, o texto "Google DeepMind Lança Gemini 4 Argon: IA Multimodal para Robótica com Baixa Latência" tratou de outro modelo para sistemas embarcados, mas a notícia atual não cita o Gemini 4 Argon, e o robô usa Pi0. Em 25 de setembro de 2026, o CEVIU noticiou o Projeto Suncatcher, com TPUs em órbita. É outro projeto, mas converge no tema de IA rodando longe de data centers terrestres.

Para quem trabalha com IA embarcada, o recado é o padrão treinar na nuvem, simular e rodar na borda. Um fine-tuning de 2,5 horas e inferência em hardware de baixo consumo mostram que o custo de operação, e não só a acurácia, define o que vai para uma espaçonave. Os 85% são de laboratório, então ainda há distância até uso com segurança de tripulação. Isso é leitura editorial, não afirmação da fonte.