Até pouco tempo atrás, fazer um robô executar uma tarefa nova significava treinar uma nova política para ele. Um artigo de posição da equipe da Grid Robotics argumenta que o GPT-6 Astra mudou isso: semanas após o lançamento, modelos gerais rodando num harness de agente igualaram ou superaram políticas específicas em muitos benchmarks de robótica, sem treinamento extra. Os autores querem que a área chegue a um acordo sobre o que é esse novo tipo de sistema e como testá-lo.
Eles chamam a abordagem de robótica agêntica. Em vez de uma rede que transforma imagens da câmera direto em comandos de motor, um modelo de fundação fica no topo como tomador de decisões, que eles chamam de Embodied System 2. Ele lê a intenção do usuário, planeja, chama habilidades e ferramentas de nível mais baixo, confere se cada passo funcionou e muda de rumo se não funcionou. Abaixo ficam habilidades aprendidas, como modelos de visão, linguagem e ação e modelos de mundo e ação (System 1), e abaixo delas o laço de controle do corpo (System 0). A parte difícil, diz o artigo, é transformar raciocínio geral em ações verificáveis sob limites físicos: pouco tempo para reagir, restrições mecânicas, ambientes que mudam e ações que não podem ser desfeitas.
A contribuição prática é um framework de avaliação que mede tanto as capacidades do próprio modelo quanto o desempenho de todo o sistema em malha fechada. Isso importa porque os resultados atuais são difíceis de comparar. Os autores apontam que as avaliações publicadas do Astra no RoboDojo usam fontes de conhecimento de tarefa e orçamentos de ação diferentes, e que um estudo mostrou grandes ganhos só com a adição de memória de execução, mantendo fixos o planejador e as habilidades.
O roteiro vai de ações isoladas ao que os autores chamam de funções permanentes: um robô a quem se confia um trabalho contínuo, que acompanha objetivos ao longo do tempo, se recupera de falhas e aprende com a experiência sem esquecer o que já sabia. Ele também discute quais lições dos agentes de software se transferem, como usar ferramentas e conferir resultados, e quais não, já que um erro físico custa caro.
Isso se liga a outros trabalhos de robótica que cobrimos, como o Gemini Robotics 2.5 e o aprendizado em contexto do RoboScript. O porém é claro: é um preprint, sem revisão por pares, não traz experimentos novos, e a tese de mudança de paradigma se apoia em poucas semanas de resultados de uma única família de modelos.