Quem já educou um bicho de estimação ou treinou um colega novo conhece a frustração de corrigir o mesmo erro em formas um pouco diferentes. Um robô que planeja o trajeto sobre uma mesa bagunçada tem o mesmo problema: diga para ele evitar o notebook e ele evita o notebook, para depois passar tranquilamente uma xícara de café cheia por cima do celular ao lado. Pesquisadores do MIT e da Universidade de Nova York criaram um sistema, o FLEX, que tenta ler a intenção por trás dessa correção, e vão apresentá-lo este mês na Conference on Robot Learning.
O FLEX funciona em três etapas. Na primeira, Adicionar, um objeto citado pelo usuário entra na lista de coisas que importam para a tarefa, que é como os métodos anteriores já funcionavam. A segunda, Generalizar, é a novidade: um modelo de linguagem grande, aqui o GPT-4o, olha tudo o que está na lista e deduz a categoria mais ampla, de modo que um notebook vira eletrônicos, uma caneca vira objetos frágeis e uma pilha de papel vira objetos inflamáveis. Na terceira, Mascarar, o sistema de visão do robô verifica quais objetos da lista saíram da cena e os remove, para que a lista não cresça sem fim. O ciclo todo leva cerca de cinco segundos.
A equipe testou o sistema em simulação com um braço robótico servindo café, movendo uma vela e carregando uma bola de boliche, enquanto voluntários digitavam comandos como "Não derrame no meu notebook". Em todos os casos, o robô seguiu a instrução literal e a regra deduzida, desviando de um celular sobre o qual ninguém o tinha avisado.
A ideia é aproveitar o bom senso que um modelo como o que está por trás do ChatGPT absorve de enormes quantidades de texto, em vez de pedir que as pessoas detalhem cada regra. Isso se encaixa num esforço maior para que as pessoas conversem com robôs domésticos e de assistência em vez de programá-los.
As provas ainda são poucas. Os resultados vêm de três tarefas simuladas descritas num comunicado da universidade, sem taxas de sucesso nem números de comparação. Um modelo de linguagem que generalize demais pode deixar o robô medroso, desviando de qualquer objeto que julgue precioso, e o trabalho ainda não mostra com que frequência os usuários precisariam desfazer essas deduções. Cozinhas reais, com sua iluminação e bagunça, vão testar a etapa de visão muito mais do que um simulador.