A inteligência artificial destinada a robôs e veículos autônomos está passando de modelos que conectam visão à linguagem ou às ações para arquiteturas que tentam modelar o próprio comportamento. Essa tendência é chamada de «Large Behavior Model», ou LBM, um conceito que, segundo a MONOist, pode se tornar um eixo importante no desenvolvimento de sistemas de condução autônoma e robôs.
O LBM não se limita a adicionar uma capacidade específica a um modelo existente, mas reconsidera a maneira como o sistema aprende a agir dentro de um ambiente físico em transformação. Em vez de apenas analisar textos ou imagens ou produzir código, o modelo busca gerar comportamentos diretamente relacionados ao movimento e à interação com o mundo real.
Dos modelos de ponta a ponta à modelagem do comportamento
A pesquisa sobre condução autônoma se baseou durante muito tempo na abordagem «ponta a ponta» (End-to-End), na qual uma rede neural recebe dados de sensores, como câmeras e LiDAR, e os processa por etapas de análise, planejamento e controle para produzir saídas que conduzem ou direcionam o veículo.
Essa abordagem dá ao sistema a capacidade de aprender com os dados de forma unificada, mas enfrenta desafios para interpretar suas decisões e lidar com situações raras ou variáveis. Segundo o artigo, o LBM tenta preencher essa lacuna aprendendo representações mais amplas, que incluem a previsão do estado futuro, a compreensão das mudanças no ambiente e a escolha da ação ideal em diferentes condições.
Essa abordagem difere dos conhecidos modelos de inteligência artificial generativa, como os grandes modelos de linguagem (LLM) e os modelos de geração de imagens, e também dos modelos de inteligência artificial usados na programação, como GitHub Copilot e Claude Code. No caso do LBM, as principais saídas não são texto, imagem ou código, mas um comportamento executável no mundo físico.
As origens do conceito na pesquisa em robótica
O artigo indica que o Toyota Research Institute (TRI) foi uma das primeiras entidades a apresentar o conceito de forma sistemática no campo da robótica. Em 2025, o TRI anunciou uma pesquisa conjunta com a Boston Dynamics e apresentou um artigo de pesquisa intitulado «Pretrained Large Behavior Models Accelerate Robot Learning».
A MONOist citou Russ Tedrake, do Massachusetts Institute of Technology, descrevendo o LBM como um modelo abrangente do comportamento de robôs e considerando-o um conceito geral que pode incluir modelos de «visão, linguagem e ação», ou VLA. Isso indica que o LBM não necessariamente elimina os modelos anteriores, mas pode funcionar como uma estrutura mais ampla que os incorpora e se concentra em transformar a compreensão em comportamento.
A XPeng leva o conceito aos veículos
Outra aplicação aparece na empresa chinesa XPeng, que está expandindo suas atividades de automóveis para robôs e condução autônoma. A empresa havia anunciado em 2024 um modelo VLA que conecta a percepção ao controle direto do veículo, mas concluiu que o modelo VLA, por si só, não oferece flexibilidade suficiente para lidar com todas as condições de condução autônoma.
Em 24 de abril de 2026, a XPeng anunciou durante a Auto China 2026 o início da produção em massa do sistema de condução autônoma VLA 2.0, que, segundo a empresa, reflete a introdução do LBM no sistema de condução. Em seguida, em 3 de junho de 2026, durante a conferência CVPR 2026, a empresa apresentou pesquisas sobre o desenvolvimento e o uso do VLA 2.0 e do «World Model», um dos componentes da arquitetura LBM, segundo o artigo.
O World Model é usado para simular o ambiente e compreender como ele muda, permitindo que o sistema avalie os possíveis resultados das ações antes de executá-las. Na teoria do LBM, essa capacidade ajuda a escolher o comportamento mais adequado, em vez de responder diretamente a um sinal de sensor ou a uma situação isolada.
Por que esta notícia é importante?
A mudança efetiva aqui não é tanto o lançamento de um produto independente, mas uma transição no nível do pensamento arquitetural dos sistemas de robótica e condução autônoma. Se os modelos LBM forem bem-sucedidos, os sistemas de controle poderão depender menos de regras separadas para cada situação e ter maior capacidade de generalizar o que aprenderam para novas circunstâncias.
Entretanto, o artigo não comprova que o LBM tenha se tornado um padrão maduro ou que tenha superado efetivamente os modelos VLA ou os modelos de ponta a ponta. O conceito ainda está associado a programas de pesquisa e aplicações iniciais, e operar um comportamento seguro e interpretável no mundo físico impõe requisitos que não aparecem em modelos que produzem apenas textos ou imagens. Portanto, as questões em aberto continuam relacionadas à capacidade desses modelos de verificar suas decisões, lidar com situações inesperadas e alcançar confiabilidade suficiente para uso comercial em larga escala.
A participação do Toyota Research Institute e da XPeng indica que a concorrência não se concentra apenas no tamanho do modelo, mas também nos dados comportamentais, na simulação do mundo e na conexão do modelo com sistemas de controle reais. Isso faz do LBM uma tendência que merece acompanhamento na robótica e nos veículos autônomos, sem considerá-lo, até o momento, uma solução definitiva para o problema.