Planos da OpenAI para Robôs Humanoides Priorizam o Cérebro Antes do Corpo

A OpenAI se comprometeu a construir um robô humanoide, mas Sam Altman afirma que o corpo da máquina não é o desafio central. O projeto de robô humanoide da OpenAI depende, em vez disso, de um “cérebro” confiável capaz de perceber, planejar, mover-se e se recuperar de erros.

Essa distinção transforma um anúncio de hardware chamativo em um teste muito mais difícil de inteligência artificial. Um modelo pode descrever como pegar uma caneca sem conseguir controlar uma mão com segurança suficiente para fazê-lo. Ele precisa traduzir linguagem em movimento enquanto responde a peso, atrito, pessoas e objetos que se movem sem aviso.

Altman também espera que a OpenAI produza uma demonstração impressionante de robô em 2027. No entanto, ele não espera que humanoides estejam caminhando pelas ruas das cidades logo depois. Essa distância entre uma demonstração controlada e um trabalho diário confiável é onde Tesla, XPENG, Figure e outras empresas de robótica já enfrentam pressão.

A OpenAI Passou do Interesse em Robótica a um Compromisso com Humanoides

A OpenAI não está mais discutindo robótica apenas como uma oportunidade de investimento ou uma extensão distante de seus modelos de linguagem.

Durante o podcast Sources, perguntaram a Altman se a OpenAI construiria um humanoide ou se focaria em máquinas projetadas para ambientes especializados. Sua resposta abrangeu as duas categorias. Quando pressionado sobre se a empresa realmente construiria um humanoide, ele disse: “Nós vamos.”

A forma humana tem uma atração prática. Casas, fábricas, escritórios, ferramentas, escadas, portas e superfícies de trabalho foram projetados em torno das dimensões humanas. Uma máquina com alcance e movimentos semelhantes pode entrar nesses espaços sem exigir que todos os prédios ou ferramentas sejam modificados primeiro.

“O mundo foi muito projetado para pessoas”, disse Altman durante a conversa completa. Ele argumentou que, portanto, faz sentido reproduzir a forma humana, mesmo que a OpenAI também desenvolva máquinas com outros formatos.

Essa lógica não resolve a questão de projeto. Um humanoide ainda precisa de articulações, mãos, sensores, energia, refrigeração e estabilidade física suficiente para trabalhar perto de pessoas. Também precisa de um sistema de fabricação capaz de produzir máquinas consistentes, em vez de protótipos laboratoriais ocasionais.

A OpenAI não apresentou um robô finalizado, detalhou sua aparência nem anunciou uma data de lançamento comercial. O compromisso continua sendo uma declaração pública de direção, e não o lançamento de um produto.

Altman indicou um marco visível para o esforço. Ele disse que a OpenAI espera uma “demonstração legal” em 2027, embora robôs caminhando por ruas públicas ainda estejam a vários anos de distância.

A distinção importa porque demonstrações de robótica podem ser encenadas de forma restrita. Uma máquina pode repetir uma tarefa preparada dentro de uma sala mapeada, com iluminação controlada e objetos cuidadosamente posicionados. Um produto útil precisa lidar com variações por horas, evitando falhas perigosas.

As contratações da OpenAI oferecem evidências mais concretas sobre o escopo do programa. Suas vagas abrangem controle de movimento, estimativa de estado, controle de atuadores, coleta de dados, infraestrutura de aprendizado de máquina, fabricação e cadeias de suprimentos.

Estimativa de estado significa determinar a posição do robô e a condição de seu entorno a partir de informações imperfeitas de sensores. Isso é essencial porque um controlador não pode se mover com segurança se interpretar mal onde estão a mão, a ferramenta ou o alvo da máquina.

A atividade de recrutamento da empresa também sugere que ela não está simplesmente colocando um modelo existente dentro do robô de outro fabricante. Ela está reunindo conhecimento especializado em inteligência, controle físico e produção.

Segundo a reportagem original sobre o projeto humanoide, o objetivo de curto prazo da OpenAI se concentra em máquinas que ajudem trabalhadores qualificados a construir infraestrutura. Um robô pessoal capaz de executar tarefas mais amplas é descrito como uma meta de longo prazo.

Essa sequência coloca o trabalho industrial antes do imaginado colega de quarto robótico. Projetos de infraestrutura oferecem tarefas repetíveis, supervisores treinados e locais controlados. As casas apresentam uma variação muito maior, contato humano mais próximo e questões de privacidade significativamente mais difíceis.

Por Que o Cérebro do Robô Humanoide da OpenAI É o Verdadeiro Projeto

O corpo determina o que um robô consegue alcançar fisicamente, mas sua inteligência determina se qualquer movimento é útil, confiável ou seguro.

Altman descreveu as questões de projeto físico como menos importantes do que “descobrir o cérebro que faz o robô funcionar”. Esse cérebro não é um único modelo de linguagem emitindo instruções de alto nível.

Um sistema capaz precisa interpretar dados de câmeras e sensores, entender um pedido, dividi-lo em etapas e selecionar movimentos apropriados. Em seguida, deve monitorar o resultado e revisar seu plano quando a realidade diferir de sua previsão.

Considere a tarefa aparentemente simples de colocar uma caneca em uma lava-louças. O robô precisa distinguir a caneca de objetos próximos e identificar se ela contém líquido. Precisa avaliar a orientação da alça, escolher uma pegada, evitar obstáculos e controlar a força.

A tarefa muda se a caneca estiver escorregadia, for excepcionalmente pesada ou estiver parcialmente escondida. Uma pessoa pode entrar no caminho do robô. O cesto da lava-louças pode estar cheio, ou o espaço pretendido pode não corresponder ao plano original da máquina.

Essas variações expõem a diferença entre gerar uma resposta plausível e concluir trabalho físico. Um modelo de texto pode cometer um erro que um usuário corrige. Um robô em movimento pode deixar cair um objeto, danificar equipamentos ou ferir alguém antes de receber outro comando.

Portanto, o cérebro do robô da OpenAI exige controle em circuito fechado. Isso significa perceber repetidamente o ambiente, comparar os resultados com o plano e corrigir o movimento enquanto a tarefa continua.

Também exige compreensão das consequências físicas. As palavras podem descrever um objeto como frágil, mas uma manipulação segura depende de traduzir esse rótulo em decisões sobre velocidade, pressão, pegada e posicionamento.

O aprendizado robótico agrava o problema porque dados úteis de treinamento do mundo real são caros. Modelos de texto podem processar grandes coleções de documentos existentes. Robôs precisam de exemplos que conectem percepção, ações, forças, tempo e resultados.

Esses exemplos frequentemente exigem máquinas físicas, operadores humanos, equipamentos mantidos e fluxos de sensores cuidadosamente rotulados. Falhas de hardware podem interromper a coleta. Demonstrações ruins também podem ensinar comportamentos ineficientes ou inseguros.

A simulação oferece uma resposta parcial. Desenvolvedores podem criar ambientes virtuais, variar suas condições e deixar sistemas tentarem tarefas sem danificar equipamentos físicos. No entanto, superfícies, motores, câmeras e forças de contato simulados nunca correspondem perfeitamente ao mundo real.

A diferença entre simulação e realidade é chamada de transferência sim-to-real. Uma política de controle que funciona dentro de um software pode falhar ao encontrar atrito real, tolerâncias de componentes, ruído de sensores ou objetos flexíveis.

A OpenAI conhece esse problema por experiência direta. Seu projeto anterior, Dactyl, treinou uma mão robótica para manipular objetos por meio de simulação e aprendizado por reforço.

Em 2019, a empresa ampliou esse trabalho para resolver um Cubo de Rubik com uma Shadow Dexterous Hand. Sua pesquisa sobre mão robótica utilizou randomização automática de domínio, que variava repetidamente as condições simuladas durante o treinamento.

Essa abordagem buscava impedir que o sistema dependesse de um único ambiente perfeitamente modelado. A configuração física ainda exigia várias câmeras, instrumentação personalizada, estimativa de estado e amplo trabalho de engenharia.

Uma única mão robótica resolvendo um quebra-cabeça definido continua muito distante de um humanoide móvel realizando trabalho aberto. Ainda assim, o projeto ilustra por que a OpenAI agora trata a inteligência física como um desafio de pesquisa distinto.

O problema essencial não é dizer a um robô o que deveria acontecer. É manter uma conexão confiável entre essa intenção e milhares de decisões físicas tomadas durante a execução.

A IA Física Muda o Mapa Competitivo

O movimento da OpenAI pressiona empresas de robótica porque a principal fornecedora de modelos agora quer possuir tanto a inteligência quanto a incorporação física.

A OpenAI anteriormente abordava a robótica por meio de uma combinação de pesquisa interna, investimento e parcerias. Mais tarde, Altman reconheceu que o esforço anterior da empresa ocorreu antes de a tecnologia de apoio estar pronta.

“Começamos os robôs cedo demais”, disse ele a Bill Gates em comentários reportados pela Associated Press. A equipe enfrentou simuladores fracos e tendões rompidos, o que desviou atenção da pesquisa em inteligência.

Posteriormente, a OpenAI apoiou empresas de robótica em vez de tentar controlar toda a pilha tecnológica. Essa estratégia permitiu que especialistas em hardware trabalhassem em mecânica, enquanto a OpenAI se concentrava em modelos de base.

O novo compromisso altera essa divisão. Se a OpenAI desenvolver seu próprio hardware, sistemas de controle, operações de treinamento e modelos de base, ela se tornará uma potencial concorrente de empresas que antes fornecia ou apoiava.

Essa mudança importa porque empresas de robótica precisam de mais do que acesso a um modelo geral capaz. Elas exigem software ajustado a seus sensores, articulações, ambientes operacionais, limites de latência e sistemas de segurança.

Um modelo de base compartilhado entre diversos fabricantes pode oferecer entendimento útil de linguagem e visão. No entanto, ele não cria automaticamente diferenciação para nenhuma empresa de robôs específica.

A Figure encerrou sua colaboração com a OpenAI em 2025 e optou por desenvolver sua própria inteligência robótica. Essa decisão refletiu a crença de que a IA incorporada deve ser profundamente integrada à máquina que coleta os dados.

Um fabricante de robôs controla informações que um laboratório geral de IA não possui. Ele observa como os atuadores envelhecem, onde os movimentos falham, quais pegadas escorregam e como as pessoas se comportam perto de seu hardware.

A OpenAI traz uma vantagem diferente. Ela tem experiência em construir modelos gerais que conectam linguagem, imagens, áudio, raciocínio e uso de ferramentas. Essas capacidades podem ajudar um robô a interpretar instruções complexas e cenas desconhecidas.

Portanto, a disputa estratégica não é simplesmente a OpenAI contra Tesla, Figure ou XPENG. Trata-se de uma rota de inteligência integrada contra programas focados em hardware que desenvolvem sua própria IA em torno de máquinas físicas.

A Tesla passou anos desenvolvendo o Optimus ao lado de suas operações de fabricação e visão computacional. Suas fábricas oferecem possíveis ambientes de teste onde tarefas, ferramentas e fluxos de trabalho já são controlados pela empresa.

A XPENG também possui conhecimento de fabricação, experiência em cadeia de suprimentos e acesso direto a ambientes industriais. Esses ativos importam porque movimentos confiáveis dependem tanto de iteração mecânica quanto de treinamento de modelos.

O histórico de software da OpenAI não elimina essas vantagens. Ela precisa construir conhecimento operacional em atuadores, manutenção, fornecimento de componentes, testes e controle de qualidade.

Ao mesmo tempo, as empresas de robótica não podem presumir que a experiência em hardware as protegerá permanentemente. Um modelo geral mais forte pode reduzir a quantidade de programação específica de tarefa necessária para cada novo ambiente.

É aqui que a IA para robôs humanoides se torna comercialmente importante. Se um modelo puder aprender muitas tarefas por meio de instruções e demonstrações, um robô se tornará mais adaptável do que a automação tradicional.

Robôs industriais tradicionais geralmente se destacam em trabalho repetitivo dentro de espaços rigidamente projetados. Eles entregam valor porque engenheiros eliminam a incerteza ao seu redor.

Um humanoide de uso geral promete o oposto. Ele entra em espaços que continuam projetados para pessoas e absorve uma variação ambiental maior por meio de percepção e inteligência.

Essa promessa eleva as exigências para todos os concorrentes. Fabricantes de hardware precisam de inteligência suficientemente capaz, enquanto a OpenAI precisa provar que sua expertise em modelos resiste ao contato com sistemas físicos.

O Corpo Ainda É Mais do Que um Contêiner

Chamar a inteligência de problema mais difícil não torna o hardware humanoide fácil, secundário ou intercambiável.

Toda decisão tomada por um cérebro robótico da OpenAI precisa, no fim, passar por motores, transmissões, sensores, articulações e eletrônica de controle. Esses componentes criam limites que o software não pode contornar apenas com argumentos.

Um robô pode identificar corretamente uma caixa, mas não ter força de preensão para levantá-la. Pode planejar uma rota segura, mas superaquecer antes de chegar ao destino. Seu modelo pode emitir comandos precisos que um hardware desgastado não consegue executar com precisão.

Máquinas humanoides enfrentam uma dificuldade adicional porque se equilibram sobre pernas e operam perto de equipamentos projetados para a destreza humana. Um pequeno erro de movimento pode se propagar por todo o corpo.

As mãos são especialmente desafiadoras. Dedos humanos combinam controle fino, tato, adaptabilidade e feedback rápido. Mãos mecânicas precisam aproximar essas capacidades e, ao mesmo tempo, resistir a impactos e ao uso industrial repetido.

A energia apresenta outra limitação. Um robô útil precisa de energia suficiente para computação, sensoriamento, movimento e resfriamento. Baterias maiores aumentam o peso, o que passa a exigir mais energia dos atuadores.

A confiabilidade importa tanto quanto uma demonstração impressionante. Uma máquina que trabalha ao lado de funcionários qualificados precisa repetir tarefas durante longos turnos sem reinicializações ou reparos constantes.

A fabricação amplifica toda fraqueza de projeto. Um protótipo pode depender de peças personalizadas, suporte frequente de técnicos e calibração cara. Um produto precisa de componentes que tenham desempenho consistente em muitas unidades.

É por isso que as contratações da OpenAI para robótica abrangem atuadores eletromecânicos, sistemas térmicos, fabricação e cadeias de suprimentos. As categorias de vagas enfraquecem qualquer interpretação de que a empresa considere o corpo algo trivial.

O argumento de Altman é mais bem compreendido como uma afirmação sobre diferenciação estratégica. Várias empresas podem desenvolver motores e estruturas mecânicas capazes. Menos empresas demonstraram modelos gerais que compreendem instruções e cenários variados.

Mesmo essa comparação ainda não foi comprovada na robótica. O desempenho de modelos de linguagem não pode estabelecer que o mesmo sistema controlará uma máquina móvel com segurança.

Ambientes físicos também punem respostas tardias. Um chatbot pode dedicar mais tempo ao raciocínio antes de retornar uma resposta. Um objeto em queda ou uma pessoa se aproximando exige ação dentro de limites de tempo rigorosos.

Isso cria um problema de computação em camadas. Parte do planejamento pode ocorrer em um grande modelo geral, mas equilíbrio e prevenção de colisões exigem controle local mais rápido.

Uma arquitetura prática provavelmente combinará raciocínio de alto nível com controladores especializados. O sistema de raciocínio seleciona objetivos e sequências, enquanto sistemas de nível inferior estabilizam o movimento e impõem limites de segurança.

Essa abordagem se assemelha a uma hierarquia, e não a um único cérebro. Modelos de visão, modelos de mundo, planejadores, controladores e sistemas de segurança cooperam enquanto operam em velocidades diferentes.

Um modelo de mundo é uma representação interna usada para prever como ações afetam um ambiente. Ele pode ajudar uma máquina a antecipar que puxar uma maçaneta abre uma porta ou que empurrar uma prateleira cheia faz objetos caírem.

Modelos de visão-linguagem-ação oferecem um caminho para essa integração. Um modelo VLA conecta entradas visuais e instruções de linguagem às ações do robô, em vez de produzir apenas texto.

O Google DeepMind explorou essa abordagem por meio de seu modelo de robótica, inserindo os planos da OpenAI em uma competição mais ampla pela inteligência incorporada.

Ainda assim, nenhuma arquitetura de modelo elimina a necessidade de feedback do hardware. O corpo do robô determina quais dados a inteligência recebe e quais ações ela pode executar.

O cérebro e o corpo, portanto, melhoram juntos. Hardware melhor cria dados mais limpos e ações mais precisas. Inteligência melhor revela quais capacidades físicas mais importam.

A OpenAI pode priorizar o cérebro sem tratar o corpo como uma commodity. Sua capacidade de coordenar ambos os lados determinará se a demonstração de 2027 representa um sistema ou uma apresentação encenada.

Uma Demonstração em 2027 Não Comprovará um Robô de Uso Geral

A maior incerteza não é se a OpenAI pode produzir uma demonstração impressionante, mas se essa demonstração prevê um trabalho confiável fora do laboratório.

Altman estabeleceu uma meta visível sem definir seu teste. A OpenAI não disse qual tarefa o robô executará, se o ambiente será controlado ou quanta assistência humana ele receberá.

Esse contexto ausente importa. Uma máquina que conclui uma sequência ensaiada oferece evidências diferentes das de um robô que realiza várias tarefas desconhecidas com instruções em linguagem natural.

A demonstração também precisa de limites claros. Os espectadores devem saber se os movimentos são autônomos, controlados remotamente ou selecionados a partir de rotinas treinadas previamente.

Uma avaliação útil divulgaria taxas de conclusão de tarefas, frequência de intervenções, tempo de operação e categorias de falhas. Um vídeo polido, por si só, não pode estabelecer essas medidas.

A distinção entre uma demonstração e uma implantação é particularmente importante perto de pessoas. Um robô precisa de procedimentos para parar com segurança, reconhecer incertezas e ceder o controle antes que um erro se torne perigoso.

A OpenAI não anunciou uma estrutura de segurança específica para robôs. Também não explicou como sua máquina lidaria com câmeras, microfones, mapas espaciais e gravações coletadas dentro de locais de trabalho ou casas.

Esses sensores podem capturar informações sensíveis continuamente. Um robô doméstico pode observar documentos, conversas, rotinas, visitantes, medicamentos e a disposição de cômodos privados.

As políticas de retenção de dados e treinamento de modelos, portanto, se tornarão parte da segurança do produto. Os usuários precisarão saber o que permanece no dispositivo, o que chega a servidores remotos e o que contribui para treinamentos posteriores.

A cibersegurança cria um risco físico separado. Comprometer uma conta de software pode expor informações. Comprometer um robô móvel também pode afetar objetos e pessoas próximas.

Um invasor não precisa de controle total para causar danos. Manipular dados de sensores, instruções de tarefas, atualizações de software ou permissões de acesso pode tornar inseguro um comportamento comum.

O mercado inicial pretendido acrescenta outra incerteza. Segundo relatos, a OpenAI quer que seus primeiros robôs auxiliem trabalhadores qualificados na construção de infraestrutura.

Isso é mais realista do que começar em casas imprevisíveis, mas o trabalho de infraestrutura traz consequências substanciais. Canteiros de obras contêm equipamentos em movimento, materiais pesados, layouts em transformação e exigências rígidas de segurança.

Um robô ainda pode oferecer valor por meio de assistência limitada. Pode mover suprimentos, segurar componentes, realizar inspeções ou preparar etapas repetitivas sob supervisão.

Essas tarefas testariam se a máquina reduz a carga de trabalho sem criar novos atrasos. Um robô que exige resgate humano constante pode consumir mais trabalho qualificado do que economiza.

A economia não pode ser inferida apenas da capacidade do modelo. Disponibilidade, manutenção, uso de energia, suporte técnico e tempo de integração influenciam se um empregador adota uma máquina.

A OpenAI não divulgou metas de produção nem testes com clientes. Não identificou organizações externas que validarão o sistema em condições reais de trabalho.

Testes independentes serão essenciais porque a empresa controla a demonstração, as tarefas selecionadas e as informações divulgadas sobre falhas.

A posição cética não exige afirmar que a OpenAI fracassará. Ela exige separar três conquistas que narrativas promocionais frequentemente combinam.

Primeiro, a OpenAI pode construir uma máquina que conclui uma demonstração selecionada. Segundo, pode criar um sistema geral que aprende tarefas físicas variadas. Terceiro, pode fabricar esse sistema para implantação confiável.

Cada estágio introduz requisitos de evidência diferentes. O sucesso em um estágio não confirma o próximo.

O histórico da empresa com modelos de linguagem lhe dá credibilidade em inteligência de uso geral. Ele não fornece credibilidade automática em tempo de atividade, manutenção de hardware, certificação para o local de trabalho ou segurança física.

Essa lacuna de verificação deve orientar toda afirmação sobre o robô humanoide da OpenAI até que pessoas externas possam testar um.

Três Sinais Mostrarão se a OpenAI Pode Fechar a Lacuna

A próxima fase deve ser avaliada por evidências técnicas, evidências de implantação e resposta competitiva, e não por outra declaração de ambição.

O primeiro sinal é o projeto da demonstração de 2027. A OpenAI precisa revelar o que o robô faz, quanta autonomia recebe e se a tarefa contém variação significativa.

Uma demonstração envolvendo objetos desconhecidos ou instruções modificadas fortaleceria o argumento em favor de um cérebro robótico geral. Uma rotina rigidamente roteirizada mostraria progresso na integração, mas ofereceria evidências mais fracas sobre adaptabilidade.

O melhor teste exigiria que a máquina recebesse uma nova solicitação, inspecionasse os arredores, planejasse a tarefa e se recuperasse de pelo menos uma condição inesperada. A OpenAI também deveria relatar tentativas malsucedidas.

A divulgação de falhas importa porque a inteligência física é parcialmente definida pela recuperação. Um robô útil deve detectar quando seu plano deixa de funcionar antes de continuar com confiança perigosa.

O segundo sinal é um piloto real com trabalhadores qualificados. Um local de trabalho externo testaria se o sistema consegue operar em meio a tarefas, cronogramas, regras de segurança e equipamentos existentes em constante mudança.

Um piloto crível deveria informar horas de operação, intervenções humanas, tarefas concluídas e os tipos de falhas que interromperam o trabalho. Essas medidas revelam mais do que uma demonstração cuidadosamente editada.

O trabalho de infraestrutura também esclareceria por que a OpenAI escolheu um humanoide. Se o robô principalmente move materiais padronizados, uma máquina com rodas ou um braço fixo pode executar a tarefa com mais eficiência.

A forma humana se torna defensável quando uma máquina precisa usar escadas, ferramentas, portas, estações de trabalho e espaços existentes. O piloto deve demonstrar essa vantagem em vez de pressupô-la.

Evidências de trabalho independente sustentado fortaleceriam a posição da OpenAI. Reinicializações frequentes, teleoperação ou modificações especializadas no local enfraqueceriam o argumento a favor de uma forma de uso geral.

O terceiro sinal é como os concorrentes respondem. Figure, Tesla, XPENG, Google DeepMind e outras equipes de robótica estão buscando combinações diferentes de modelos, hardware e dados de treinamento.

Um concorrente que alcance uma implantação confiável antes da demonstração da OpenAI desviaria a atenção da reputação de modelos gerais. Dados de operação física podem criar uma vantagem difícil de reproduzir rapidamente.

A OpenAI poderia responder lançando um modelo de robótica, fazendo parceria com fabricantes selecionados ou mantendo sua inteligência exclusiva para suas próprias máquinas. Cada escolha produz uma estrutura de mercado diferente.

Um modelo externo posicionaria a OpenAI como uma plataforma entre marcas de robôs. Um modelo exclusivo a tornaria uma concorrente verticalmente integrada, responsável pelo desempenho do hardware.

As contratações e o compromisso público da empresa atualmente apontam para uma integração mais profunda. No entanto, sua estratégia de distribuição final permanece incerta.

Desenvolvedores devem observar se a OpenAI disponibiliza ferramentas de simulação, interfaces para robôs ou frameworks de aplicação. Esses lançamentos mostrariam se terceiros podem desenvolver sobre o sistema.

Compradores empresariais devem se concentrar em evidências operacionais, e não na novidade de uma forma humanoide. Confiabilidade, taxas de intervenção, controles de dados e comportamento seguro em caso de falha determinarão o valor prático.

Profissionais do conhecimento também devem prestar atenção. Um agente físico amplia a IA, levando-a de preparar informações a modificar o próprio ambiente.

Essa transição aumenta o custo de instruções mal compreendidas. As equipes precisarão de registros mais claros de objetivos, permissões, materiais de origem e decisões quando o software puder desencadear ações físicas.

A questão central já não é se a OpenAI quer construir um robô. Altman já respondeu a isso. A questão é se a empresa consegue conectar inteligência geral ao movimento no mundo real sem perder confiabilidade, segurança ou confiança.

A demonstração de 2027 oferecerá o primeiro grande ponto de controle, não um veredito final. Observe a autonomia genuína, falhas divulgadas e trabalho fora do ambiente controlado da própria OpenAI.

Se esses sinais aparecerem juntos, o robô humanoide da OpenAI parecerá mais do que uma demonstração de hardware. Caso contrário, o corpo poderá estar pronto muito antes de seu cérebro ser confiável o bastante para uso.