O setor de robôs humanoides tem falado ultimamente sobre "entrar nas fábricas" e "entrar nas casas", mas raramente alguém explica como esses robôs aprendem a fazer as coisas. A resposta não é um modelo grande milagroso, mas sim trabalhadores de meio período em dezenas de países ao redor do mundo, que usam iPhones amarrados à testa para filmar, quadro a quadro, enquanto lavam louça, dobram roupas e fritam ovos.
Essa é a realidade revelada por uma reportagem do MIT Technology Review no início de abril.
iPhone na testa, dentro da cozinha
Como funciona: amarre um iPhone na testa, aponte para as próprias mãos e execute várias tarefas domésticas conforme as instruções — dobrar toalhas, tirar comida da panela para o prato, organizar a bancada da cozinha. Cada tarefa geralmente leva dezenas de minutos. Após o upload, os vídeos são anotados por IA e revisores humanos, marcando o horário de início, o horário de término e a posição das mãos de cada ação.
A principal empresa responsável é a Micro1, sediada em Palo Alto, Califórnia, que conta com trabalhadores contratados em mais de 50 países, com foco principal na Nigéria, Índia e Argentina. O salário é de US$ 15 por hora, considerado bom para os padrões de renda locais.
Do lado dos contratantes, empresas que fabricam robôs humanoides como Tesla, Figure AI e Agility Robotics compram esses dados. Para que os robôs aprendam a trabalhar em ambientes domésticos reais, simuladores não são suficientes; dados de operação humana real são um recurso insubstituível.
Não apenas a Micro1. A Scale AI afirma ter coletado mais de 100.000 horas de dados semelhantes. A DoorDash chega a pagar seus entregadores para filmarem suas próprias tarefas domésticas enquanto trabalham. Todo o setor gasta mais de US$ 100 milhões por ano em dados de treinamento do mundo real.
Não é a primeira vez, mas a escala está crescendo
O uso de anotação humana para dados de treinamento de IA não é novidade. O reconhecimento de imagem no início dependia de trabalhadores do Amazon Mechanical Turk, e o processamento de linguagem natural dependia de anotação massiva de texto. Mas os dados de treinamento para robôs humanoides têm uma diferença fundamental: eles não exigem classificação de texto ou imagem, mas sim dados de movimento tridimensional ao longo do tempo, com força, ritmo e coordenadas espaciais.
Esse problema não pode ser resolvido apenas com dados sintéticos, porque os robôs encontram muitas diferenças de atrito, peso e propriedades de materiais no mundo físico real. Os dados da Scale AI vêm cada vez mais de vídeos gravados em casa por trabalhadores recrutados especificamente para isso, e não de profissionais em laboratórios.
O que isso significa? Significa que os limites de capacidade dos robôs humanoides são, até certo ponto, determinados pelas cozinhas domésticas ao redor do mundo. Se um robô consegue ou não dobrar toalhas de diferentes materiais depende se há vídeos suficientes de operações com os materiais correspondentes.
US$ 15 por hora: Este trabalho é estável a longo prazo?
Os trabalhadores têm uma percepção bastante positiva desse trabalho.
"Sinto que estou fazendo algo completamente diferente de tudo no mundo." (Participante Zeus)
Outro trabalhador chamado Dattu disse que sente que está "deixando uma marca", com seus dados contribuindo para o crescimento dos robôs. Mas pesquisadores questionam a sustentabilidade desse setor. Ken Goldberg, da UC Berkeley, disse diretamente:
"As pessoas subestimam quanto tempo leva para coletar dados de treinamento de robôs seguros e utilizáveis o suficiente."
Um problema mais concreto é a privacidade. O conteúdo filmado pelos trabalhadores não mostra apenas suas mãos, mas também a decoração de suas casas, fotos de família, hábitos de vida e layout dos cômodos. A Micro1 afirma que remove rostos e informações sensíveis, mas os trabalhadores não sabem para qual empresa os dados foram vendidos, onde estão armazenados ou se podem ser revendidos. Alguns solicitaram a exclusão dos dados, mas ninguém sabe o resultado.
A pesquisadora Yasmine Kotturi, da Universidade de Maryland, considera essa assimetria de informação um problema estrutural: os trabalhadores assumem o risco informacional, mas não têm o direito correspondente de serem informados.
Há ainda outro risco: Aaron Prather, da ASTM International, aponta que se os trabalhadores operarem de forma não padronizada durante as gravações (por exemplo, usando técnicas de corte inseguras), essas "demonstrações incorretas" podem ser incorporadas aos dados de treinamento, fazendo com que os robôs aprendam hábitos perigosos.
Essa cadeia de suprimentos não vai desaparecer
| Fornecedor de dados | Volume de dados | Principais fontes de trabalhadores |
|---|---|---|
| Scale AI | 100.000+ horas | Distribuído globalmente |
| Micro1 | Dezenas de milhares de horas | Nigéria, Índia, Argentina |
| DoorDash | Não divulgado | Entregadores |
Para que os robôs humanoides realmente "entrem nas casas", é necessário lidar com um número inimaginável de cenários: móveis de todos os formatos, roupas de todos os materiais, cozinhas de todos os layouts, bancadas de todas as alturas. Essa não é uma quantidade que possa ser resolvida com alguns milhares de horas de dados, mas sim com milhões de horas.
Essa cadeia de suprimentos de dados globalizada e descentralizada existirá por muito tempo e se tornará cada vez maior. Antes que os robôs possam aprender de forma totalmente autônoma, os humanos precisam primeiro demonstrar para eles.
Só que a pessoa encarregada dessa demonstração pode estar em um apartamento alugado na Nigéria, com um iPhone amarrado à testa, lavando louça enquanto ajuda os robôs do futuro a aprender a andar.
Fonte de referência: CocoLoop, The gig workers who are training humanoid robots at home (MIT Technology Review)