Junho de 2026 foi marcado por um aumento sem precedentes no lançamento de modelos de inteligência artificial encarnada: 13 novos modelos fundamentais e globais foram anunciados em um único mês, o que corresponde a aproximadamente um modelo a cada 48 horas.
Este fluxo indica uma mudança cardeal na indústria de IA encarnada: o foco está mudando das competições de capacidades de hardware para as competições em inteligência de software. As empresas agora estão dedicando mais atenção a soluções técnicas únicas, em vez de apenas melhorias graduais no hardware.
Na conferência Zhiyuan em 2026, a BAAI apresentou duas melhorias em modelos globais. O modelo Wujie Physis-v0.1 especializa-se na previsão do próximo estado físico através da compressão de vídeo, dados RGB-D, nuvens de pontos tridimensionais e feedback tátil em um espaço latente unificado. Enquanto o Wujie RoboBrain Orca funciona como o cérebro de um robô, possuindo representação unificada, raciocínio causal e decodificação multimodal, utilizando a fusão de representações linguísticas e visuais no espaço latente.
A Alibaba lançou o conjunto Qwen-Robot em 16 de junho, seguindo uma abordagem fundamentalmente diferente do escalonamento bruto preferido por muitos concorrentes. A Alibaba afirma que a heterogeneidade do mundo físico não pode ser resolvida apenas aumentando a escala, mas requer estratégias de alinhamento no nível do próprio modelo. O Qwen-RobotNav adapta a distribuição de atenção visual para controle móvel, o Qwen-RobotManip padroniza o espaço de estados-ações para manipulação, e o Qwen-RobotWorld utiliza interfaces de ação em linguagem natural para prever a dinâmica do mundo.
A CasiaHand apresentou o Brain-Si 0.5, que é o primeiro modelo mundial de manipulação ágil antropomórfica com arquitetura de três níveis. Esta estrutura inclui um nível superior cerebral para planejamento de modelos mundiais VLA, um nível médio de modelos básicos para seis capacidades de manipulação principais (incluindo pré-captura, captura geral, operação funcional, transferência responsiva, interação homem-robô e fusão humano-robô), e um nível inferior de modelos fisicamente interpretáveis.
A GalaxyBot lançou o AstraBrain-WBC 0.5 — um modelo fundamental de cerebelo para controle de corpo humanoide em tempo real. Ele é construído sobre uma arquitetura de Transformer causal no estilo GPT e foi treinado em aproximadamente 2 bilhões de quadros de dados de ações humanas, atingindo 80 milhões de parâmetros. A RoboScience revelou sua arquitetura Visics com o framework VLOA, que separa o modelo mundial e o modelo operacional por meio de uma representação de trajetória de objeto. A publicação Current Robotics publicou o Curl-0 para manipulação ágil de corpo inteiro como tarefa de aprendizado conjunto. A BoundlessPower apresentou o modelo mundial MWA para longas sequências de causalidade física bidirecional.
O ponto comum em todas essas abordagens é a mudança de foco da demonstração do que os robôs podem fazer para a explicação das razões pelas quais eles ainda falham em certas tarefas. Cada equipe identifica gargalos diferentes — seja feedback tátil, coordenação corporal total, transferência de simulação para realidade ou planejamento de longo prazo — e desenvolve arquiteturas específicas para resolver esses problemas.
