Em 31 de agosto de 2026, a Ricoh anunciou o desenvolvimento de uma tecnologia de inteligência artificial física (Physical AI) destinada a ensinar aos robôs ações relacionadas ao trabalho humano por meio de dados de imagens, em vez de vincular diretamente o modelo a uma arquitetura robótica ou a um mecanismo de controle específico. A empresa afirmou ter verificado a eficácia da tecnologia em um ambiente de simulação construído com base em condições físicas, em uma etapa que busca transferir o treinamento da simulação para robôs reais.
Essa iniciativa faz parte da estratégia da Ricoh de expandir seus negócios em inteligência artificial e ocorre paralelamente à sua participação no programa AWS Japan para acelerar o desenvolvimento de Physical AI, que fornece recursos computacionais e serviços de nuvem para apoiar o treinamento e os testes dos modelos.
Aprender com ações em vez de memorizar comandos de robôs
A tecnologia baseia-se no modelo Latent Action Model (LAM), ou modelo de ações latentes. O modelo aprende com mudanças em imagens ou vídeos registrados durante o trabalho para inferir ações como agarrar um objeto, movê-lo, afastá-lo ou mover um elemento-alvo. Segundo a descrição da Ricoh, o LAM concentra-se em aprender o comportamento efetivo que ocorre na cena, mesmo quando nem todos os detalhes do movimento ou dos comandos estão explicitamente descritos nos dados de observação.
A empresa indica que essa abordagem pode reduzir a dependência do aprendizado em relação às especificações de um robô específico, pois o modelo aprende uma representação geral da ação, em vez de se limitar a instruções relacionadas a articulações ou mecanismos de controle específicos. Dados de ações humanas e robóticas também podem ser usados no treinamento do modelo, e suas saídas podem ser aproveitadas no desenvolvimento de modelos de Vision Language Action que combinam visão, linguagem e ação.
O que muda na prática?
O problema que a Ricoh pretende enfrentar é o custo da coleta de dados de treinamento. As diferenças na estrutura de cada robô e em seu mecanismo de controle normalmente exigem a coleta de dados para cada dispositivo individualmente, algo que se torna mais complexo no caso de robôs humanoides. A empresa considera que separar a representação da ação da estrutura do robô pode permitir um maior reaproveitamento dos dados e apoiar a adaptação dos modelos a várias tarefas e robôs.
Isso não significa que a tecnologia tenha eliminado a necessidade de dados específicos dos robôs. O material explica que a Ricoh utiliza ambientes de simulação para o aprendizado e depois emprega técnicas de Sim2Real para transferir os resultados para robôs reais, continuando a verificar a adequação das soluções a diferentes robôs e ambientes de trabalho.
O papel da AWS no treinamento e na simulação
A Ricoh utiliza serviços de nuvem da AWS, incluindo Amazon EC2 e Amazon S3, para construir um ambiente de aprendizado escalável, armazenar dados e executar o treinamento dos modelos. A empresa afirma que a combinação de simulação e serviços de nuvem ajuda a reduzir o custo da coleta de dados físicos e permite realizar o treinamento com grandes volumes de dados de maneira mais eficiente.
A iniciativa faz parte da visão anunciada pela Ricoh para a transformação por meio da inteligência artificial, que inclui camadas que começam com documentação de inteligência artificial, inteligência artificial generativa e agentes de inteligência artificial, chegando a agentes de Physical AI capazes de interagir com o mundo físico. Segundo o material, a empresa trabalha em possíveis aplicações em escritórios, fábricas, logística e assistência.
Por que esta notícia é importante?
A importância do desenvolvimento está na tentativa de enfrentar um obstáculo prático da robótica baseada em inteligência artificial: como reduzir a necessidade de coletar novamente dados e treinar o modelo para cada robô ou tarefa? O LAM oferece um caminho para aprender ações a partir de dados visuais mais gerais, mas, por si só, não comprova que a tecnologia esteja pronta para uma produção em larga escala.
Os resultados anunciados continuam relacionados a ambientes de simulação e testes de validação, enquanto a Ricoh afirma ter iniciado provas de conceito com robôs humanoides em fábricas e trabalhar na transição gradual para etapas de validação mais avançadas. Assim, permanecem em aberto questões relacionadas ao grau de sucesso da transferência da simulação para a realidade, ao volume de dados necessário e à estabilidade do desempenho diante de diferenças entre robôs, tarefas e ambientes operacionais.