Ficará a semana de 10 a 16 de março de 2026 como a dos humanoides: uma sala de treino gigante em Munique, uma keynote da NVIDIA na GTC, um plano quinquenal chinês, um robô-marioneta em palco, uma projeção de três mil milhões de máquinas em 2060. Seis anúncios, seis cabeças de cartaz, e a tentação de os arrumar em campos — a Europa contra a China, o open source contra o proprietário. É passar ao lado da única frase que os liga, e foi a NEURA Robotics que a escreveu preto no branco: o principal estrangulamento da robótica já não é o material, é a aquisição de grandes quantidades de dados de aprendizagem física reais.

Assente essa frase, a semana deixa de ser uma justaposição. Torna-se uma batalha — com três respostas incompatíveis — em torno de uma única questão: de onde vêm os dados que treinam os robôs? Recolhê-los à mão, sintetizá-los pelo cálculo, ou decretá-los pelo Estado. Ninguém ganhou. Lutou-se para saber quem detém a fábrica.

Resposta n.º 1: recolhê-los à mão

A 10 de março, a NEURA Robotics e o MIRMI da Technische Universität München anunciam conjuntamente o TUM RoboGym. A apresentação é direta: o maior centro científico da Europa dedicado ao treino de Physical AI no momento do seu anúncio. Mas o dispositivo interior diz melhor do que os superlativos aquilo de que se trata. Os dados de aprendizagem são aí captados por formadores humanos que usam luvas MANUS e um sistema de captura de movimento corporal Xsens, sendo depois injetados na plataforma Neuraverse.

É a confissão literal do estrangulamento: pagam-se humanos para fabricar à mão a matéria-prima que falta. Aliás, o Neuraverse foi pensado como um sistema hardware-agnostic de recolha e de distribuição, destinado a abrir-se aos parceiros industriais e às startups, e a maioria dos dados gerados no RoboGym será partilhada em open source com a comunidade robótica. O gesto humano, captado e redistribuído, como recurso. Os dados não são um subproduto do treino: são o produto, e é preciso um pavilhão de 17 milhões de euros para os produzir.

Resposta n.º 2: sintetizá-los pelo cálculo

Na GTC 2026, a 16 de março, a NVIDIA faz exatamente a operação inversa — e assume-a. Jensen Huang revela em antestreia o GR00T N2, modelo de fundação robótico saído da investigação interna DreamZero, dotado de uma arquitetura «world action model», cuja disponibilidade geral é anunciada para o final de 2026. Segundo a NVIDIA, os robôs que o executam concluem com êxito tarefas novas em ambientes desconhecidos mais de duas vezes mais frequentemente do que os modelos visão-linguagem-ação concorrentes.

Em torno do modelo, toda uma cadeia de síntese: o Physical AI Data Factory Blueprint, arquitetura de referência aberta para gerar dados de treino em grande escala, construída sobre o modelo de mundo Cosmos e o orquestrador OSMO; o Isaac Lab 3.0 em acesso antecipado, motor de aprendizagem por reforço assente no motor físico Newton 1.0 e otimizado para as infraestruturas DGX. A The Decoder resume a manobra sem contemplações: a NVIDIA quer «transformar o problema de dados da robótica num problema de cálculo».

A demonstração que condensa tudo é o Olaf. Para treinar este robô, foram simuladas 100 000 instâncias virtuais em simultâneo em dois dias num único GPU NVIDIA RTX 4090, através do simulador Kamino — ferramenta proprietária da Disney Research, construída sobre o solver Newton e acelerada por placa gráfica. É aí que está o número duro, exumado sob o folclore dos três mil milhões de humanoides: não um horizonte a 2060, mas 100 000 instâncias em dois dias numa placa de grande consumo. No dia em que treinar um robô deixa de ser um problema de braços e de luvas para se tornar um problema de placas gráficas, o centro de gravidade da indústria abandona a oficina pelo centro de dados. E a consequência é límpida: se os dados se tornam cálculo, quem vende o cálculo possui os dados por omissão.

Resposta n.º 3: decretá-los

A 12 de março, a Assembleia Popular Nacional adota formalmente o 15.º Plano quinquenal chinês (2026-2030). Pela primeira vez, a inteligência artificial incorporada é aí classificada como categoria industrial estratégica autónoma, ao mesmo nível que o quântico, as interfaces cérebro-máquina e o 6G; os robôs humanoides figuram entre as oito indústrias estratégicas nacionais designadas, uma elevação de estatuto face ao 14.º plano.

O detalhe que conta aqui não é a ambição geral, mas a lista. O plano enumera cinco eixos para a IA incorporada, e dois deles nomeiam precisamente os dados como infraestrutura de Estado: a coordenação dos terrenos de treino e a fusão virtual-real para o treino colaborativo — ou seja, as duas primeiras respostas, recolha e síntese, planificadas a partir de cima. Tudo isto apoiado num fundo de capital de risco estatal de 1 000 mil milhões de yuans (cerca de 138 mil milhões de dólares) dedicado à IA, à robótica e às tecnologias emergentes.

E para que os dados existam, são precisos corpos que os produzam. Em março, a UBTech Robotics assina um acordo de cooperação estratégica com a Siemens Digital Industries Software para levar a produção do Walker S2 a 10 000 unidades por ano, integrando os softwares Siemens de conceção, de simulação e de planeamento em todo o ciclo de fabrico. Fabricar em massa as máquinas que, uma vez implantadas, gerarão por sua vez os dados: o círculo fecha-se à escala de um Estado.

A «bifurcação geopolítica» não se sustenta

A narrativa fácil da semana era a de uma fratura: um contrapeso europeu — o RoboGym posiciona-se aliás explicitamente face aos quarenta centros de recolha chineses e às iniciativas americanas — contra blocos rivais. O grafo da semana desmonta essa narrativa.

A única autonomia real demonstrada, sem teleoperador, foi na GTC: a RealSense e a LimX Dynamics realizam a primeira demonstração mundial de navegação autónoma 3D para humanoide, combinando câmaras de profundidade RealSense e o cuVSLAM da NVIDIA, com o robô a evoluir em espaços partilhados com humanos sem a mínima intervenção de um operador. Ora este robô é chinês — a LimX está sediada em Shenzhen — e foi treinado por aprendizagem por reforço no NVIDIA Isaac Lab para reduzir o desvio sim-to-real.

Na mesma semana, a NEURA (Europa), a Figure AI (Estados Unidos), a Agility Robotics (Estados Unidos) e a AgiBot (China) anunciam todas a adoção dos modelos Isaac GR00T N — enquanto a NVIDIA confia o motor Newton à Linux Foundation e o publica em open source sob licença Apache 2.0, codesenvolvido com a Disney Research e a Google DeepMind. Os «campos» disputam talvez os dados pela geografia. Mas treinam-nos todos no mesmo simulador, com o mesmo modelo de fundação, sobre o mesmo motor físico. A fratura está na recolha, não na ferramenta: ao nível da pilha, não há dois blocos, há um fornecedor.

Um andar mais abaixo

Este fio desce a pilha camada a camada, semana após semana. Em dezembro, a demo era o produto; na CES de janeiro, a teleoperação tornava-se um negócio de dados; em fevereiro, o corpo revelava-se consumível, o valor alojava-se no cérebro; a 9 de março, a questão era: quem possui o cérebro? Esta semana desce mais um degrau, por baixo do cérebro: quem possui a fábrica de dados que o alimenta? O objeto é novo — os dados de treino e o seu modo de produção — e é atestado na mesma semana por um centro físico (o RoboGym), uma pilha de síntese (a Data Factory e o Olaf) e um plano de Estado (o 15.º Plano).

Por isso não pergunte que robô melhor funcionou esta semana. Pergunte de onde vêm os seus dados de treino. As três respostas — recolhê-los à mão, simulá-los, decretá-los — desenham o verdadeiro mapa das forças. E enquanto os três se azafamam, a NVIDIA trabalha para que reste apenas uma única questão a colocar: quantos GPU?