PSYONIC arma NVIDIA e ABB com dados de destreza de robôs

A IA física, tal como os robôs e os humanóides, tem um problema de dados e a indústria não chegou a acordo sobre quem o resolve.

Os robôs podem andar, ver e planejar, mas ainda assim se atrapalham no ato básico de manusear um objeto real. O ingrediente que falta são dados sobre como as mãos realmente manipulam o mundo, e esses dados quase não existem em grande escala. As equipes estão perseguindo-o de todas as direções.

Tesla, Figure e AgiBot coletam-no por meio de plataformas de teleoperação e trajes de exoesqueleto. A NVIDIA gera isso em simulação. Laboratórios acadêmicos exploram vídeos egocêntricos para o movimento humano. Cada caminho troca fidelidade por escala ou escala por custo, e os jogadores mais sérios agora executam vários ao mesmo tempo.

Nessa competição entra a PSYONIC, fabricante de San Diego do Ability Hand, com sensor de toque, com uma aposta contrária de que os dados de manipulação mais ricos podem já estar fluindo através de um dispositivo médico usado em braços humanos.

No Automatizar 2026 em Chicago, a empresa está mostrando como dados de manipulação capturados de uma mão biônica usada por humanos poderiam ensinar aos robôs industriais uma das habilidades mais difíceis para as máquinas atualmente, o simples ato de manusear bem objetos reais. O trabalho ancora uma colaboração tripartida com a ABB Robotics e NVIDIA que a PSYONIC está revelando na feira.

Durante uma década, a corrida pela IA girou em torno de uma única questão.

Quem tem o melhor modelo? OpenAI, AntrópicoGoogle, Meta e xAI gastaram bilhões de sistemas de treinamento em trilhões de palavras extraídas da Internet.

Conjuntos de dados maiores produziram um raciocínio mais forte, código melhor e assistentes mais capazes. A robótica está agora expondo os limites desse manual. Um modelo pode descrever como descascar uma banana, mas um robô ainda tem dificuldade para agarrar a fruta sem esmagá-la.

PSYONIC transforma uma prótese em um mecanismo de dados para robôs

PSIÔNICOO principal insight de é que a destreza é tanto um problema de dados quanto um problema de hardware. O fundador e CEO, Dr. Aadeel Akhtar, passou anos construindo a Ability Hand, uma prótese leve com sensor de toque, feedback de vibração e dedos multiarticulados que já foi aprovada pela FDA e usada por mais de 300 pacientes.

Ao conversar com o Dr. Aadeel, ele me disse: “A manipulação hábil é tanto um desafio de dados quanto um desafio de hardware. Ao usar a mesma habilidade manual com pessoas e robôs, podemos capturar dados do mundo real de alta qualidade sobre movimento, toque e força de preensão e, em seguida, usar esses insights para treinar sistemas robóticos de forma mais eficaz.”

O mesmo dispositivo que ajuda os amputados a recuperar a função também grava algo raro: sinais de alta fidelidade sobre a força de preensão, posição dos dedos, contato e tempo à medida que uma pessoa interage com o mundo físico.

Esse duplo propósito cria uma ponte entre a experiência humana e a aprendizagem robótica. Cada vez que alguém usando a mão ajusta a pressão em um copo escorregadio ou tira um morango da videira, o sistema captura as microcorreções que as pessoas fazem sem pensar. Essas correções são exatamente o que falta aos robôs.

PSYONIC pode entregar aos robôs seu momento ImageNet

A visão computacional teve um ponto de inflexão quando o ImageNet deu aos pesquisadores milhões de imagens rotuladas e redes neurais aprenderam a ver o mundo em escala. A robótica nunca teve equivalente. A Internet contém textos e imagens quase ilimitados, mas quase nada sobre como as mãos humanas realmente manipulam objetos. O vídeo mostra o resultado de um movimento e perde a história tátil subjacente, a pressão, a resistência e o ajuste constante que tornam o toque humano eficaz.

A PSYONIC está trabalhando para preencher essa lacuna com a NVIDIA e a ABB Robotics. No início deste ano, a Ability Hand se tornou uma das primeiras mãos hábeis implementadas comercialmente e integrada ao NVIDIA Isaac Lab, uma estrutura aberta para aprendizagem de robôs. A integração permite que os desenvolvedores simulem, treinem e validem políticas de manipulação usando uma mão sensorizada que já funciona no mundo real. PSYONIC combina isso com uma abordagem de transferência real para real, fundamentando o treinamento do robô na interação física coletada da mesma mão usada por pessoas e máquinas.

No Automate 2026, PSYONIC está reunindo esses tópicos. Na feira, a empresa revelou uma colaboração tripla com NVIDIA e ABB Robotics. Os três combinam uma estrutura de aprendizagem aberta, uma plataforma de automação industrial e uma mão biônica habilitada para toque para testar como os dados de destreza humana informam a manipulação robótica. No chão, isso significa emparelhar o Ability Hand com o robô colaborativo GoFa da ABB para lidar com itens delicados, irregulares e variáveis ​​que confundem sistemas rígidos. ABB Robotics, que a SoftBank concordou em adquirir por US$ 5,3 bilhões no final de 2025enquadra o trabalho como o núcleo de seu impulso em direção à Robótica Autônoma Versátil, máquinas que detectam, raciocinam, movem e manuseiam objetos em ambientes em mudança.

Como disse Akhtar: “Através de nossas colaborações com a ABB e a NVIDIA, estamos explorando como esses dados podem ajudar a avançar na manipulação robótica e contribuir para o futuro da IA ​​física”.

Com o que as empresas que apostam em robôs devem se preocupar

A lição vai muito além do laboratório de robótica.

Cada onda de IA funcionou com recursos escassos. A era da nuvem dependia da computação, a IA generativa dependia de texto em escala da Internet e a IA física pode depender do movimento humano. As empresas que registam como as mãos tocam o mundo agora poderão tornar-se a camada de infraestrutura para a economia robótica.

Três questões devem ser colocadas na mesa de qualquer líder que implemente robôs em operações complicadas no mundo real.

1. Se a destreza é o gargalo. A automação tradicional tem melhor desempenho quando todos os itens parecem idênticos e a realidade raramente coopera. Se a sua operação lidar com caixas amassadas, produtos irregulares ou componentes que se deslocam na linha, os sistemas rígidos continuarão paralisados, e os dados de destreza gerados por humanos são um dos poucos caminhos para robôs que se adaptam.

2. Quem possui a camada de dados. A vantagem está mudando de quem constrói o melhor robô para quem detém o histórico mais rico de manipulação humana. Os fabricantes de próteses, as empresas de sensores vestíveis, os construtores de exoesqueletos e as startups de teleoperação podem estar sentados em mapas proprietários de como as pessoas tocam o mundo, por isso os líderes devem saber se estão a comprar hardware ou a alugar o acesso ao conjunto de dados de outra pessoa.

3. A rapidez com que a curva de aprendizado se comprime. Os dados gerados por humanos permitem que os robôs observem tanto as ações bem-sucedidas quanto as inúmeras pequenas correções que as pessoas fazem sem pensar, o que pode reduzir o treinamento de anos para meses. Esse cronograma decide se a automação de uma tarefa variável será um projeto piloto algum dia ou uma rubrica orçamentária do próximo ano.

Se os dados de linguagem impulsionaram a primeira revolução da IA, os dados de destreza com robôs podem impulsionar a próxima, e a PSYONIC está se posicionando para fornecê-la.

Este artigo foi publicado originalmente em Forbes. com