As duas versões estão alinhadas bloco a bloco, pela ordem do texto: título, o essencial e depois parágrafo a parágrafo. Quando a tradução fundiu ou dividiu um parágrafo, a casa correspondente fica vazia — nunca aproximamos duas passagens a olho.
A robot that can picture the result of its own movement before making it is no longer a thought experiment. At Seoul National University, a team led by Professor Jaeyoung Do of the AIDAS Lab has built a system that reads a spoken or written request, imagines the finished scene, and then moves the arm to get there. In the team's own tests across four real-world manipulation settings, the system, called Dynin-Robotics, succeeded 78.4% of the time on average.
Um robô capaz de imaginar o resultado do seu próprio movimento antes de o executar deixou de ser uma experiência de pensamento. Na Universidade Nacional de Seul, uma equipa liderada pelo professor Jaeyoung Do, do AIDAS Lab, criou um sistema que lê um pedido falado ou escrito, imagina a cena final e depois move o braço para lá chegar. Nos testes da própria equipa, em quatro cenários de manipulação reais, o sistema, chamado Dynin-Robotics, teve sucesso em 78,4% dos casos, em média.
The problem it addresses is familiar to anyone who has watched a robot fail in an unfamiliar kitchen. A robot can repeat a movement it learned under fixed conditions, but real tasks change: the cup sits somewhere new, the drawer is shaped differently, and people ask for things in different words. Recent systems have used large language models, the text engines behind chatbots, to understand requests, and video-generation models to predict what comes next. The Seoul team merged both abilities into a single model, so that understanding the instruction, predicting the outcome and generating the movement are learned together.
O problema que aborda é familiar a quem já viu um robô falhar numa cozinha desconhecida. Um robô consegue repetir um movimento aprendido em condições fixas, mas as tarefas reais mudam: a chávena está noutro sítio, a gaveta tem outra forma e as pessoas pedem as coisas com outras palavras. Sistemas recentes recorreram a grandes modelos de linguagem, os motores de texto por trás dos chatbots, para compreender pedidos, e a modelos de geração de vídeo para prever o que vem a seguir. A equipa de Seul fundiu as duas capacidades num único modelo, de modo que compreender a instrução, prever o resultado e gerar o movimento são aprendidos em conjunto.
The mechanism is simple to state. Given the camera image and the instruction, the model produces an image of the scene it expects once the task is done. That predicted image then either serves as a reference for generating the movement, or is used to score several candidate movements and keep the most suitable one. In simulated fruit-picking and flower-arrangement tasks, a model trained this way handled indirect requests such as "Put in the flower that symbolizes love" better than a model trained only to produce actions, which had to rely on the object being named directly.
O mecanismo é simples de descrever. A partir da imagem da câmara e da instrução, o modelo produz uma imagem da cena que espera obter quando a tarefa estiver concluída. Essa imagem prevista serve então de referência para gerar o movimento ou é usada para avaliar vários movimentos candidatos e manter o mais adequado. Em tarefas simuladas de colheita de fruta e de arranjo de flores, um modelo treinado desta forma respondeu melhor a pedidos indiretos, como «Coloca a flor que simboliza o amor», do que um modelo treinado apenas para produzir ações, que tinha de depender de o objeto ser mencionado diretamente.
Speed was the second problem. The team grouped the information needed for a sequence of actions and predicted it in parallel, and reused intermediate results that the computation would otherwise repeat. The action generator ran up to about 29.2 times faster than its unoptimized version, and up to about 36.6 times faster than the π0.5 model from Physical Intelligence, a US robot-AI company whose model was one of the comparisons.
A velocidade foi o segundo problema. A equipa agrupou a informação necessária para uma sequência de ações e previu-a em paralelo, reutilizando resultados intermédios que o cálculo, de outra forma, repetiria. O gerador de ações funcionou até cerca de 29,2 vezes mais depressa do que a versão não otimizada e até cerca de 36,6 vezes mais depressa do que o modelo π0.5 da Physical Intelligence, uma empresa norte-americana de IA para robótica cujo modelo era uma das comparações.
What changes, and for whom? For now, the gain is scientific: a single model that links what a person says, what a scene will look like and how a robot should move, with a measured lead over two comparison systems. Robots that can carry out less rigid requests would matter first in warehouses, labs and homes, but the sources give no timeline, no product and no price, and the work is still a research paper on the arXiv preprint server. The paper has been accepted to NeurIPS 2026, one of the major artificial intelligence conferences, and is scheduled to be presented in December. The next evidence will come from whether the 78.4% holds once other teams run the same tests.
O que muda, e para quem? Por enquanto, o ganho é científico: um único modelo que liga o que uma pessoa diz, o aspeto que uma cena terá e a forma como um robô deve mover-se, com uma vantagem medida sobre dois sistemas de comparação. Os robôs capazes de responder a pedidos menos rígidos seriam úteis sobretudo em armazéns, laboratórios e casas, mas as fontes não indicam calendário, produto nem preço, e o trabalho continua a ser um artigo científico no servidor de pré-publicações arXiv. O artigo foi aceite para a NeurIPS 2026, uma das principais conferências de inteligência artificial, e está previsto para ser apresentado em dezembro. A próxima prova virá de saber se os 78,4% se confirmam quando outras equipas realizarem os mesmos testes.