A nova startup de Nova York, Midcentury, saiu do modo sigiloso ao anunciar a captação de uma rodada semente de US$ 15 milhões. O objetivo da empresa é resolver o problema da escassez de dados na robótica. A companhia apresentou dois produtos principais: um vasto conjunto de dados egocêntrico contendo mais de dois milhões de horas de comportamento humano e uma plataforma de simulação em nuvem chamada Matrix.
A rodada de financiamento captada coloca a Midcentury entre os melhores 1% de todos os negócios de semente na categoria de big data. Para comparação, o tamanho mediano da rodada semente no segundo trimestre de 2026 era de cerca de US$ 4,5 milhões. No entanto, a startup não divulgou sua avaliação nem informações sobre os investidores.
A empresa planeja usar dados de ações humanas em primeira pessoa para treinar robôs, de forma análoga a como o web scraping treinou grandes modelos de linguagem. O conjunto de dados proprietário abrange mais de 50 ambientes e 20.000 tarefas. Cada hora de gravação é acompanhada de anotações, incluindo rastreamento de pose 3D das mãos, mapas de profundidade e trajetórias de pontos. Essa escala excede significativamente as opções de pesquisa publicamente disponíveis existentes, como o Ego4D v2, que contém aproximadamente 3.600 horas.
Além dos registros de ações humanas, a Midcentury possui cerca de 50.000 horas de dados de jogos com sinais de nível de motor, bem como cerca de 69.000 horas de dados de voz conversacional em 25 idiomas. Como este conjunto de dados é estritamente proprietário, os pesquisadores não terão acesso gratuito a ele.
A Midcentury também lançou a Matrix, uma plataforma de simulação em nuvem que permite às equipes criar gêmeos digitais de cenários reais. Em vez de depender de regras codificadas rigidamente, a plataforma gera a física diretamente a partir de dados reais. As equipes de engenharia podem realizar milhares de testes paralelos em clusters de GPU, transformando falhas em testes em exemplos imediatos para treinamento.
A empresa apoia ativamente o conceito de 'lição amarga' de Richard Sutton, segundo o qual poder computacional bruto e enormes volumes de dados acabam superando o design manual de recursos. O CEO Chetan Kulhari trabalhou anteriormente na startup de codificação de IA Magic. De acordo com a documentação da SEC de janeiro de 2026, a empresa vendeu cerca de US$ 8,9 milhões a cinco backers, indicando o fechamento faseado da rodada.
Existem muitas startups no mercado que lutam pelo controle do nível de dados para IA incorporada. Concorrentes, como Rerun e Vision Lab, também atraíram financiamento de capital de risco no último ano. Se as leis de escalabilidade passarem com sucesso de modelos de linguagem para robôs físicos, as posições de mercado provavelmente serão determinadas pelas estruturas que controlam os dados de treinamento.
