O que é VLA?

VLA é a sigla de Vision-Language-Action, um tipo de modelo de inteligência artificial que recebe imagens e instruções em texto e decide quais ações um robô deve executar.

Na prática, o modelo analisa o que a câmera do robô está vendo, entende um comando escrito ou falado, como pegar uma caneca sobre a mesa, e gera movimentos para os braços e pinças cumprirem a tarefa. Ele combina três capacidades que costumavam ser tratadas separadamente: enxergar, entender linguagem e agir.

Uma analogia simples é pensar em uma pessoa que recebe um bilhete pedindo para buscar o controle remoto no sofá. Ela olha ao redor, reconhece o objeto, entende o pedido e então movimenta o corpo até pegá-lo. O VLA faz algo parecido, só que transformando o que vê e lê diretamente em movimento.

Esse tipo de modelo importa porque torna robôs mais flexíveis, capazes de lidar com tarefas novas descritas em linguagem comum, sem precisar ser reprogramados para cada situação. Como qualquer sistema que age no mundo físico, ele exige testes cuidadosos e supervisão humana em ambientes onde erros podem causar danos.

← Ver o glossário completo