EM POUCAS LINHAS
- A DeepMind relata um piloto físico de separação de peças em linhas automotivas, com sucesso de 96%.
- O resultado do piloto envolve o Gemini Robotics 2.5 e um modelo separado de raciocínio incorporado.
- A NVIDIA divulga resultados do GR00T 2 em tarefas avaliadas, mas não uma taxa física equivalente à do piloto.
- A velocidade de treinamento no Isaac Lab mede infraestrutura de simulação, não destreza física.
A pergunta não é qual modelo «ganhou». A DeepMind anunciou o Gemini Robotics 2.5 em 10 de novembro de 2026 com um relato de trabalho em linhas de produção. Um dia antes, a NVIDIA apresentou o GR00T 2 e ferramentas de simulação com resultados de outras tarefas. As publicações oferecem indícios de destreza, mas medem coisas diferentes: uma taxa de sucesso numa operação física específica, cobertura e sucesso médio em avaliações de tarefas, além da vazão de treinamento de um simulador. Nenhum desses números, isoladamente, estabelece superioridade geral.
O que há de físico no resultado do Gemini Robotics 2.5?
Segundo a DeepMind, seu modelo foi avaliado em mais de 200 tarefas, incluindo servir comida com pegador, amarrar um laço e pipetar líquido. A variedade importa porque destreza não se resume a agarrar um objeto rígido: também envolve ferramentas, materiais flexíveis e movimentos precisos. A publicação relata melhora diante de referências anteriores, mas essa avaliação ampla não equivale, por si, a demonstrar confiabilidade contínua numa fábrica.
A evidência física mais concreta é um piloto descrito pela DeepMind com robôs humanoides Apollo 2 em linhas ativas da Mercedes-Benz em Kecskemét, na Hungria, e Sindelfingen, na Alemanha. A tarefa era retirar suportes metálicos de recipientes de abastecimento e colocá-los em contêineres de sequenciamento para a montagem. A equipe relata 96% de sucesso nesse trabalho de separação e organização de peças. Trata-se de um resultado informado pelos participantes do piloto, não de uma medição independente apresentada neste artigo.
Há uma distinção técnica decisiva: segundo a descrição da DeepMind, o Gemini Robotics ER acompanhava o fluxo de trabalho, enquanto o modelo de ações Gemini Robotics 2.5 controlava mãos e braços. Portanto, não é correto atribuir toda a operação ao modelo de ações isolado. O texto também cita a mão de cinco dedos do Apollo 2 e a plataforma Franka Duo com garras paralelas de dois dedos. Operar com plataformas distintas sugere amplitude de aplicação, mas a taxa divulgada para o piloto não mede o desempenho de cada uma delas separadamente.
A publicação não explicita, junto da taxa do piloto, quantas tentativas foram feitas, por quanto tempo o sistema operou nem como falhas e intervenções foram contabilizadas. Sem esse denominador e protocolo, 96% não informa, sozinho, se o robô manteria a mesma taxa ao mudar peças, turnos ou instalações.
O que os números do GR00T 2 realmente dizem?
Na avaliação divulgada pela NVIDIA, o GR00T 2 completou ao menos uma vez 40 de 50 tarefas sem demonstrações específicas para elas. «Ao menos uma vez» mede cobertura de tarefas, não a probabilidade de repetir cada execução com sucesso. A empresa informa ainda 71% de sucesso médio em 50 tarefas com uma demonstração por tarefa, valor que chega a 95% com cinco demonstrações. Esses percentuais descrevem uma condição de adaptação com exemplos; não devem ser lidos como taxas de uma operação industrial idêntica à da Mercedes-Benz.
A NVIDIA cita parceiros que testam ou aplicam o GR00T 2 em lavanderia robótica, fabricação de servidores e outros usos industriais. Também descreve uma aplicação de troca de cabos Ethernet com braço robótico cuja política foi treinada em ambientes de simulação. Esses relatos mostram caminhos de uso e treinamento, mas o anúncio não fornece, nesses casos, uma taxa de sucesso físico com tarefa, protocolo e amostra comparáveis aos do Apollo 2. Tampouco a publicação detalha, junto dos números das 50 tarefas, condições suficientes para tratar essa avaliação inteira como uma repetição do piloto em fábrica.
Para entender melhor os resultados da NVIDIA sem confundir modelo e ambiente de treinamento, veja também a análise do acervo sobre GR00T 2 e Isaac Lab 3.0.
Por que a simulação não resolve a comparação?
A NVIDIA apresenta a simulação como meio de treinar, refinar e avaliar habilidades antes da implantação em robôs físicos. No anúncio, o Isaac Lab 3.0 com Newton alcançou até 2,5 vezes a vazão de treinamento do Isaac Lab 2.3 com PhysX em um benchmark de manipulação destreza baseada em visão. Isso compara a capacidade de processar treinamento sob aquelas configurações; não quer dizer que o GR00T 2 acertou 2,5 vezes mais movimentos no mundo físico.
A DeepMind também descreve o Gemini 4 Argon gerando práticas simuladas a partir de cenas captadas por câmera, combinadas com demonstrações reais. Logo, não se trata de separar uma proposta «física» de outra «simulada»: treinamento e desenvolvimento podem envolver ambos os ambientes. A diferença relevante para o leitor é qual resultado foi observado num robô executando uma tarefa real, qual veio de avaliações de habilidades e qual pertence à infraestrutura de treinamento. Um simulador pode ajudar a preparar uma política, mas sua vazão não certifica a transferência de precisão, segurança ou robustez para uma linha de produção.
O que verificar antes de extrapolar para o Brasil?
Um confronto direto exigiria a mesma tarefa, os mesmos critérios de êxito, hardware e condições ambientais documentados, além de tentativas suficientes para estimar a variação dos resultados. Também seria preciso discriminar ajuda externa, correções durante a execução e desempenho após mudança de objetos ou disposição da bancada. Isso é uma proposta de método de avaliação, não um teste realizado aqui.
Os locais identificados pela DeepMind para o piloto são na Hungria e na Alemanha; a publicação diz que o Gemini Robotics 2.5 está sendo disponibilizado a parceiros de robótica, sem demonstrar implantação no Brasil. A NVIDIA descreve testes e aplicações por parceiros e apresenta o GR00T 2 como modelo aberto, mas esse anúncio, por si, não estabelece condições de acesso, licença ou resultados numa fábrica brasileira. Uma equipe no país precisaria conferir separadamente equipamentos, integração, segurança e desempenho nas próprias tarefas antes de usar qualquer percentual como previsão operacional. Por ora, a conclusão sustentada é mais estreita: o piloto do Google documenta uma tarefa física com taxa relatada; os números da NVIDIA documentam outra avaliação de habilidades. Falta uma prova comparativa em condições comuns.
Fontes e referências
- Gemini Robotics 2.5: Accelerating Physical Intelligence — Google DeepMinddeepmind.google · Consultado em 10/11/2026
- Practice Makes Precise: At CoRL, NVIDIA and Partners Reveal How Robots Rehearse Delicate Work in Simulation | NVIDIA Blogblogs.nvidia.com · Consultado em 10/11/2026