AI Digest, um resumo do que mais importante está a acontecer no campo da Inteligência Artificial
Digit: o humanoide a arrumar a logística (e a nossa ideia de “trabalho físico”)
O que faz, concretamente? Pegar, transportar e alimentar o fluxo de totes em rotinas repetitivas — trabalho tecnicamente simples, fisicamente exigente e logisticamente decisivo (um atraso de segundos, repetido milhares de vezes, transforma-se em muitas horas). Em dezembro, a Mercado Libre, um operador de comércio eletrónico, anunciou um acordo comercial com a Agility para integrar o Digit num centro de fulfillment em San Antonio (Texas), com intenção de explorar casos de uso adicionais e possível expansão para a América Latina. O objetivo declarado inclui automatizar tarefas difíceis de recrutar, repetitivas e fisicamente pesadas, melhorando a segurança ergonómica e reduzindo falhas de mão de obra. Segundo as empresas, a operação é gerida em frota via a plataforma Agility Arc e é coordenada com transportadores e sistemas de gestão de armazém. No fundo, a IA começa a carregar caixas com a mesma naturalidade com que já escreve e-mails — e isto é só o começo. Ao que parece. Google DeepMind anuncia laboratório científico baseado em IA
O alvo escolhido também não é modesto: novos materiais que integrem baterias mais avançadas, melhores células solares, chips mais eficientes ou — o “Santo Graal” de sempre — supercondutores a temperatura e pressão ambientes, com impactos óbvios em imagiologia médica e perdas na rede elétrica. Há ainda um lado de política científica: o Reino Unido terá acesso prioritário a modelos e sistemas da DeepMind para ciência (por exemplo, AlphaEvolve, AlphaGenome e o “AI co-scientist”). A ambição é clara: transformar modelos em infraestruturas e infraestruturas em vantagem competitiva. Na prática, o maior teste será simples: quantas descobertas relevantes saem do laboratório, e quantas ficam no comunicado. Em 2026 veremos. Quando o ERP encontra o humanoide: “embodied AI” com contexto de negócio
Um exemplo: a BITZER. empresa na área da refrigeração e climatização, trabalhou com a SAP e a NEURA Robotics num piloto em armazém em que o humanoide 4NE1 executa tarefas de picking em tempo real. Antes de ser colocado em funções, o robô foi treinado virtualmente com a plataforma NVIDIA Isaac Sim; no terreno, as tarefas são orquestradas por agentes e integradas com lógica e dados de gestão de armazém (SAP S/4HANA EWM via SAP BTP). A promessa é sedutora: maior utilização (até 24/7), mais capacidade em picos de procura e reconfiguração rápida quando as encomendas mudam. A SAP também reporta resultados iniciais agregados das suas provas de conceito: reduções até 50% em paragens não planeadas e melhorias até 25% em produtividade, dependendo do cenário. Convém ler estes números com a prudência habitual para pilotos e marketing, mas a direção é relevante: IA a traduzir intenções de negócio em ação física. Se o futuro da automação for mesmo assim, a pergunta deixa de ser “o robô consegue pegar na caixa?” e passa a ser “o robô sabe por que é que aquela caixa importa agora?” O resto é integração, que, normalmente, algo mais crítico, mas menos mediático. |
Receba todas as novidades na sua caixa de correio!
A Agility Robotics anunciou um marco operacional: até novembro, o robô humanoide Digit já tinha movimentado cem mil totes (recipientes de picking) num armazém da GXO, uma empresa de logística, em Flowery Branch, Geórgia, num piloto em operações reais. Digit é um robô bípede, de uso geral, feito para trabalhar em instalações desenhadas para pessoas. A aposta é pragmática: em vez de redesenhar o armazém para o robô, colocar o robô a “encaixar” no armazém existente.
Em dezembro, a Google DeepMind detalhou um reforço de colaboração com o Governo do Reino Unido centrado em “IA para a Ciência” e segurança. Entre os pontos mais concretos: a criação, em 2026, do primeiro laboratório automatizado da DeepMind no Reino Unido, focado em ciência de materiais e concebido desde início para estar integrado com o Gemini. A ideia é direta: em vez de um cientista a testar meia dúzia de amostras por dia, usar robótica de laboratório para sintetizar e caracterizar centenas de materiais diariamente, com a IA a orientar hipóteses, planeamento experimental e iteração. O objetivo declarado é encurtar o ciclo descoberta-validação, que hoje se mede mais em meses e anos do que em dias.
A SAP apresentou novos pilotos e parcerias em “Physical/Embodied AI”, com uma tese que merece atenção: robots “cognitivos” são mais úteis quando sabem qual é o processo — e não apenas o objeto à frente da câmara. Na prática, a empresa descreve provas de conceito em que agentes de IA escolhem tarefas e ligam o mundo físico ao mundo do planeamento.
