A aposta que divide a robótica
Há um debate silencioso, mas cada vez mais acalorado, moldando para onde bilhões de dólares em investimento estão indo: quando a robótica terá seu "momento ChatGPT"? A resposta de quem esteve dentro da maior fábrica de hardware de inteligência artificial do mundo não é nada otimista — e coloca em xeque a tese que tem atraído investidores de Wall Street para o setor.
Amulya Vishwanath, que passou sete anos liderando o marketing de produtos de robótica da Nvidia, agora fundadora e gestora da Techable VC, firmou posição em entrevista ao podcast Equity da TechCrunch: a robótica está longe de seu momento ChatGPT. Segundo ela, o setor ainda está em uma "era do Lego", onde os blocos fundamentais — atuadores, mãos robóticas, software e padrões de segurança — estão sendo reconstruídos peça por peça, em vez de integrados em uma plataforma unificada.
A afirmação pode parecer um freio no entusiasmo, mas carrega um peso específico. Vishwanath não é uma observadora de fora fazendo especulação teórica. Foram sete anos dentro da Nvidia, trabalhando lado a lado com Jensen Huang, Dr. Deepu Talla, Ian Buck e pesquisadores-chave, vendo de perto quais partes do stack de robótica os clientes empresariais realmente enfrentavam ao tentar integrar.
O que a 'era do Lego' significa na prática
A analogia de Vishwanath é reveladora porque descreve exatamente a situação atual do setor: cada startup de robótica está construindo sua própria solução para problemas que, em outros setores de tecnologia, já foram resolvidos por plataformas padronizadas. Quando a Nvidia lançou CUDA, os desenvolvedores não precisaram reinventar o motor de computação acelerada — puderam focar em o que fazer com GPUs, não em como fazer as GPUs funcionarem.
Na robótica, isso ainda não aconteceu. Atuadores eficientes ainda são peças de nicho. Mãos robóticas com destreza suficiente para manipular objetos variados existem apenas em laboratórios e protótipos de alto custo. Padrões de segurança para interação humano-robô variam conforme a região e o setor, e não há um framework universal que permita a qualquer fabricante certificar seu produto para uso em ambientes compartilhados.
"Cada startup de robótica está montando seu próprio Lego", explicou Vishwanath no podcast. "Em vez de conectar módulos prontos, cada equipe precisa projetar seus próprios atuadores, seu próprio sistema de percepção, seu próprio software de controle. Isso torna cada solução cara, lenta para iterar e difícil de escalar."
Essa fragmentação é especialmente relevante porque a Nvidia, ironicamente, está tentando exatamente fazer na robótica o que fez com CUDA: criar uma plataforma em torno da qual todo o ecossistema se organize. Seus investimentos no Halos for Robotics, no Isaac Lab e no Cosmos são tentativas de fornecer os blocos de Lego — simulação, segurança, simulação física — para que as startups parem de reinventar a roda.
O debate: modelo geral vs. peças especializadas
A tese de Vishwanath choca diretamente com uma visão alternativa que também ganhou tração entre investidores. Pim de Witte, CEO da General Intuition, argumentou no mesmo podcast Equity que um único modelo de fundação geral tornaria boa parte do trabalho especializado em robótica obsoleto — e seria, sim, o momento ChatGPT da área.
A diferença entre as duas visões é fundamental e define onde o dinheiro deveria ir. Se Vishwanath está certa, as startups mais promissoras são as que resolvem camadas específicas do stack: atuadores melhores, percepção mais barata, certificação de segurança mais rápida. Se de Witte está certo, essas apostas especializadas serão commodity assim que um modelo de propósito geral madure, da mesma forma que startups especializadas de NLP foram espremidas quando os grandes modelos de linguagem maduros surgiram.
O que torna esse debate tão importante é que a indústria está apostando em ambas as direções ao mesmo tempo. Fundos de venture estão financiando tanto startups de modelos gerais como de hardware especializado. E isso cria um risco real de capital mal alocado — dinheiro indo para a solução errada do problema errado.
Por que o ChatGPT moment é diferente para robótica
A comparação com o ChatGPT é inevitável, mas enganosa. Quando o ChatGPT foi lançado em novembro de 2022, o modelo de linguagem já existia há anos — os pesquisadores sabiam que os transformers estavam chegando perto de algo especial. O que aconteceu foi uma convergência: modelos suficientemente grandes, dados suficientemente bons e um caso de uso que qualquer pessoa podia entender e usar.
Na robótica, a convergência não aconteceu porque os problemas físicos são fundamentalmente mais difíceis do que os problemas de linguagem. Um chatbot pode simular raciocínio sobre um mundo abstrato. Um robô precisa manipular um mundo físico imprevisível com leis de física que não perdoam erros.
Isso explica por que a ACE Robotics, startup chinesa de embodied AI, prevê que seu próprio "momento ChatGPT" chegará apenas no final de 2027 — e que outras quatro a cinco anos seriam necessários para implementação comercial em larga escala. E explica por que Wang Xingxing, fundador da Unitree, chegou a estimar até dez anos para que robôs humanóides tenham uma ruptura semelhante.
Os números de investimento contam outra parte da história. A receita de physical AI da Nvidia ultrapassou US$ 9 bilhões nos últimos 12 meses, ante US$ 6 bilhões no ano anterior. Jensen Huang chama robótica humanoid de "oportunidade econômica multibilionária". Mas, no mesmo período, a receita total da Nvidia foi de US$ 215,9 bilhões — e a linha que agrupava automotive e robotics (praticamente toda ela autônomo) representou apenas US$ 2,3 bilhões. A robótica ainda é um detalhe na receita da Nvidia.
A estratégia da Techable VC: apostar nas peças certas
Vishwanath fundou a Techable VC em 2025, com foco em Physical AI, robótica, ciência de materiais e ciências da vida — um escopo mais amplo do que a maioria dos fundos especializados em robótica. A tese é clara: investir nas camadas específicas do stack que estão impedindo o avanço geral.
O site da Techable VC lista áreas como interfaces cérebro-computador, neurotecnologia, computação neuromórfica, robótica industrial, robótica cirúrgica, robótica suave, sensores, metamateriais e quântica como focos de investimento. Não há menção a modelos gerais de IA para robótica — o que, por si só, já é um posicionamento sobre onde a inovação real está. A Berkeley Haas, onde Vishwanath fez seu EMBA, chegou a reportar a fundação do fundo, destacando seu portfólio de oito empresas e sua visão de "civilization systems".
O portfólio já tem um nome: Alpha Z, uma startup de field robotics em fase pré-seed em Los Angeles. Vishwanath não divulgou tamanhos de checks nem outros investimentos, o que torna impossível verificar se está colocando na prática o que prega.
O que observar
O debate entre Vishwanath e de Witte reflete uma divisão estrutural na forma como a indústria está tratando a robótica. Há dinheiro suficiente sendo alocado em ambas as visões para que uma delas, eventualmente, se prove mais correta — mas a questão é quanto tempo e capital serão gastos antes que a poeira se assente.
Se os blocos fundamentais de hardware continuarem sendo reconstruídos do zero por cada startup, o momento ChatGPT da robótica vai demorar. Se, por outro lado, um modelo geral de fundação surgir e provar que generaliza suficientemente bem para o mundo físico, a história será muito mais rápida — e as empresas que apostaram em peças especializadas podem descobrir que seus investimentos viraram commodity.
A pergunta que fica é qual será o catalisador que força essa bifurcação: um avanço em hardware que torne os blocos de Lego acessíveis o suficiente, ou um avanço em modelos gerais que torne os blocos irrelevantes?
Fontes: TechCrunch, Value Add VC, Berkeley Haas
✓ Fontes independentes cruzadas e verificadas antes da publicação
