Astra, do GPT-6, supera vários modelos especializados em robótica

O texto do Robonomics parte de dois experimentos. Em 4 de setembro, a RoboCurve pôs o GPT-6 Astra para controlar dois braços robóticos numa tarefa simples: pegar um bloco e colocar numa tigela. Foram 19 acertos em 20 tentativas. Cerca de um mês depois, o estudo Astranomy, da NVIDIA, testou o modelo em 120 tarefas de manipulação simuladas. A melhor configuração chegou a 74,8% de sucesso e superou vários modelos de robótica especializados no mesmo benchmark.

O ponto central é que o Astra não foi concebido como foundation model de robótica. É um modelo generalista, treinado em raciocínio, visão, código e uso de ferramentas. O autor ressalva que ele ainda não serve como controlador em tempo real: a configuração agêntica custou cerca de US$ 36,40 por episódio simulado bem-sucedido, e a geração direta de ações levou em média 18,56 segundos por chamada de inferência. Ele também aponta limites em manipulação complexa (montagem de precisão, cabos, materiais deformáveis) e em informação física que a visão não entrega, como tato e força. A hipótese dele é que raciocínio e parte do controle intermediário migrem para modelos de fronteira, enquanto o controle rápido (System 0) continua em controladores menores e específicos de cada robô.

O teste de bloco e tigela já tinha aparecido na cobertura do CEVIU. Em 7 de setembro de 2026, o CEVIU noticiou "GPT-6 Astra Demonstra Superioridade em Testes de Robótica sobre Fable 5.1", com os mesmos 19 acertos em 20 tentativas, e outra matéria do mesmo dia, "GPT-6 Astra demonstra avanços na manipulação robótica, mas desafios persistem", trouxe o experimento com braços YAM. Naquele momento era uma demonstração isolada. Agora há um estudo da NVIDIA com 120 tarefas simuladas e comparação direta com modelos especializados, além de uma tese de mercado construída em cima disso.

Para quem trabalha com robótica ou desenvolve sobre modelos de IA, a leitura é que o gargalo pode sair do treino de modelo e ir para engenharia de implantação: avaliação, coleta de dados, integração de hardware e confiabilidade. Os números de custo e latência mostram que ainda é cedo para tirar o controle fino das mãos de modelos especializados. Vale tratar a tese do autor como opinião de investidor, não como fato consolidado.