O Motubrain foi desenvolvido pela ShengShu Technology com a proposta de unificar percepção visual, interpretação de linguagem e capacidade de ação dentro de um único sistema.
Na prática, isso significa que o robô consegue enxergar o ambiente, entender ordens e decidir como agir usando uma mesma estrutura de inteligência artificial.
Hoje, grande parte dos robôs funciona com sistemas separados para cada etapa da operação. Um software reconhece objetos, outro planeja movimentos e outro executa ações físicas. O Motubrain tenta eliminar essa fragmentação.
A proposta é substituir módulos separados por um cérebro único capaz de perceber, raciocinar e agir
Segundo a empresa, a arquitetura integrada pode tornar robôs mais adaptáveis diante de mudanças inesperadas no ambiente.
Sistema aprende com vídeos e movimentos
O modelo utiliza três grandes fontes de informação durante o treinamento.
- Vídeos para identificar padrões visuais
- Comandos de linguagem para interpretar ordens humanas
- Movimentos físicos para entender execução de tarefas
A inteligência artificial também utiliza vídeos sem marcações manuais, dados simulados e gravações de atividades realizadas por diferentes robôs.
Segundo os desenvolvedores, isso reduz a necessidade de treinamento humano detalhado e permite que o sistema aprenda observando padrões de comportamento e movimentação.
A tecnologia usa parte da experiência anterior da ShengShu com vídeo generativo, especialmente através da plataforma Vidu.
Resultados chamaram atenção do setor
Os testes divulgados pela empresa colocaram o Motubrain entre os sistemas mais avançados apresentados recentemente na área de robótica com IA.
Segundo os dados publicados, o modelo alcançou:
| Teste |
Resultado |
| WorldArena |
63,77 |
| RoboTwin 2.0 |
Média de 96,0 em 50 tarefas |
| Ambientes aleatórios |
Acima de 95,0 |
Os ambientes aleatórios são considerados mais difíceis porque obrigam o robô a lidar com situações imprevisíveis e mudanças repentinas durante a execução das tarefas.
Robô consegue corrigir erros sozinho
Um dos pontos que mais chamaram atenção nos testes foi a capacidade do sistema de tentar corrigir falhas durante a operação.
Em demonstrações práticas, quando o robô falhava ao pegar um objeto, por exemplo, o Motubrain identificava o problema e repetia a tentativa automaticamente.
O sistema consegue ajustar movimentos sem treinamento específico para aquele erro
A funcionalidade aproxima os robôs de cenários mais próximos da vida real, onde objetos mudam de posição, superfícies interferem nos movimentos e tarefas simples podem falhar por pequenos detalhes.
Segundo Jun Zhu, fundador da ShengShu Technology, o objetivo do projeto é construir um modelo capaz de representar e prever mudanças no mundo real.
Robôs conseguem executar até 10 etapas seguidas
Outro avanço importante do Motubrain é a capacidade de executar sequências maiores de ações.
O sistema foi apresentado realizando até dez ações atômicas consecutivas dentro de uma mesma tarefa.
Ações atômicas são movimentos simples que compõem uma atividade maior, como pegar um objeto, transportar uma peça ou posicionar materiais em locais específicos.
Grande parte dos robôs atuais costuma trabalhar com sequências muito menores, geralmente entre duas e quatro etapas.
Segundo especialistas do setor, aumentar essa capacidade pode abrir espaço para robôs mais úteis em ambientes industriais, centros logísticos, comércio e até residências.
China acelera disputa global por robôs inteligentes
A ShengShu Technology informou que o Motubrain já começou a ser usado por empresas parceiras em programas de treinamento ativo.
Entre as companhias citadas estão Astribot, SimpleAI e Anyverse Dynamics.
O projeto também recebeu forte apoio financeiro. A empresa levantou US$ 293 milhões em rodada Série B liderada pela Alibaba Cloud.
A estratégia faz parte de uma corrida global por sistemas de inteligência artificial incorporados em máquinas físicas, capazes de atuar fora de aplicativos e telas tradicionais.
Mesmo com os avanços apresentados, especialistas apontam que a adoção em larga escala ainda depende de fatores como custo, segurança operacional, integração com equipamentos existentes e desempenho fora dos ambientes controlados de testes.