Figure AI garantiu US$ 3,5 bilhões em capacidade de computação antes mesmo de ter um produto para vender

Na IROS 2026, em Pittsburgh, que ocorreu de 27 de setembro a 2 de outubro, um anúncio se destacou da habitual sequência de demonstrações de pesquisa. A Figure AI afirmou ter assinado uma parceria de vários anos com a provedora de nuvem de IA Nscale, comprometendo inicialmente US$ 3,5 bilhões em capacidade de computação, com planos de ultrapassar US$ 6 bilhões e de implantar até 100.000 GPUs da Nvidia a partir do segundo semestre de 2027.

A construção está planejada para Barstow, no Texas. O treinamento rodaria na plataforma Vera Rubin, da Nvidia, a validação aconteceria no Isaac Sim, e as mesmas GPUs acabariam rodando dentro dos próprios robôs.

Uma aposta feita antes da prova

As empresas de humanoides levantaram muito dinheiro, e a maioria gastou em hardware e projetos-piloto. Comprometer esse volume de recursos com capacidade de computação antes que um robô esteja realizando trabalho remunerado em larga escala é um tipo diferente de aposta. Isso indica que a empresa acredita que a restrição decisiva para os humanoides será a capacidade de computação para treinamento e a qualidade dos modelos, e não as peças mecânicas.

Essa crença é testável, e as evidências até agora são mistas. O programa de humanoides mais observado do mundo, o Optimus, da Tesla, elevou a produção em sua linha de Fremont para várias centenas de unidades por semana no final de setembro, cerca de dez vezes a taxa do segundo trimestre, e fornecedores teriam sido solicitados a fornecer peças para cerca de 15.000 unidades ao longo de 2026. O gargalo relatado não é a quantidade de carcaças por semana. São as mãos e a incapacidade de a IA generalizar entre tarefas. Uma fábrica capaz de construir o corpo não resolveu o problema de tornar o corpo útil.

O compromisso de computação da Figure é, na prática, uma aposta de que direcionar muito mais capacidade de treinamento para esse problema de generalização é a decisão certa. Se isso for verdade, a empresa que garantir a computação primeiro leva vantagem. Se não for, o dinheiro compra uma conta alta e muitas GPUs ociosas.

Por que o número de 100.000 GPUs é o que importa

Implantar GPUs dentro dos robôs é a parte que vale acompanhar. A computação para treinamento é uma quantidade conhecida. A computação embarcada que roda um modelo grande em tempo real, dentro de um orçamento de energia e térmico que uma máquina em movimento consegue carregar, é um alvo de engenharia mais difícil. Se a Figure planeja colocar GPUs da Nvidia nos robôs em escala, está sinalizando que os modelos que quer executar são grandes o suficiente para que aceleradores de borda não bastem.

Isso tem consequências muito além da Figure. Estabelece uma exigência de energia, refrigeração e custo por unidade que muda o valor de um humanoide para o comprador. Um robô que precisa de uma GPU de verdade para operar é um produto diferente de um que roda um modelo pequeno em um chip de classe de smartphone.

Onde está o restante do setor

O pavilhão da IROS ofereceu um conjunto útil de comparação. A Agility Robotics apresentou o Digit 5, a próxima versão de seu robô bípede, e citou mais de 65.000 horas de operação do Digit 4 em unidades de clientes na América do Norte, incluindo Amazon, GXO, Schaeffler e Toyota Motor Manufacturing Canada. A Agility também anunciou uma parceria com a FORT Robotics voltada à segurança funcional de humanoides. Essas duas coisas — horas em serviço e um caso de segurança — são o que um comprador industrial pede antes de assinar.

A Sanctuary AI relatou uma taxa de sucesso acima de 99,5% com tempo de ciclo de 2,54 segundos em uma tarefa de conexão de cabos, validada segundo os benchmarks ao vivo de um fornecedor automotivo de primeiro nível. Essa é uma tarefa restrita, e tarefas restritas são exatamente onde a tecnologia está pronta. A Unitree anunciou o H2 Plus como plataforma de referência Isaac GR00T para o meio acadêmico, ampliando um ritmo acelerado de lançamentos. A Astribot aproveitou a conferência para estrear seu humanoide T1 na América do Norte por cerca de US$ 18.000, posicionado como plataforma de pesquisa, e não como trabalhador.

Lidos em conjunto, o setor está se dividindo. Algumas empresas correm para provar capacidade geral e gastam pesado em computação. Outras entregam tarefas restritas e mensuráveis e constroem os registros de segurança e de serviço pelos quais os clientes de fato pagam.

O que a conferência como um todo sinalizou

A IROS é um encontro de pesquisa, e as trilhas técnicas refletiram onde está a atenção. Os workshops focaram em locomoção-manipulação ágil, na avaliação de políticas para controladores de visão-linguagem-ação no mundo real e em fazer o treinamento simulado transferir para máquinas bípedes físicas. Esse último tópico é o que decide se a computação gasta em simulação se transforma em comportamento no chão de fábrica.

A cidade-sede foi Pittsburgh, o que colocou em evidência a força da Carnegie Mellon em robótica. Para um setor que passou anos produzindo vídeos impressionantes de robôs fazendo parkour, a mudança de ênfase para a manipulação com muito contato e a avaliação no mundo real é uma alteração de rumo significativa. É mais fácil filmar um robô saltando do que certificar um que pega um objeto desconhecido com segurança.

O argumento da computação, dito sem rodeios

A aposta da Figure se baseia em uma afirmação específica: a de que a diferença entre humanoides que se saem bem em demonstrações e humanoides que funcionam é, em grande parte, um problema de modelagem, e problemas de modelagem se resolvem com dados e computação. Essa afirmação não é absurda. Os últimos anos mostraram que ampliar o treinamento com dados maiores e mais variados continua melhorando a generalização em outros domínios, e não há motivo forte para pensar que a manipulação seja exceção.

O contra-argumento é que a robótica tem um problema de dados que os modelos de linguagem não tinham. Texto é abundante na web. Dados de manipulação de alta qualidade, do tipo que ensina uma mão a agarrar um objeto novo em uma posição nova, são caros de coletar e difíceis de simular com precisão. Mais computação ajuda se o pipeline de dados existir. Se não existir, um grande cluster de treinamento fica em grande parte parado.

O que os compradores devem tirar disso

Duas métricas importam mais do que contagens de robôs. A primeira é a confiabilidade da manipulação, ou seja, se uma mão consegue fazer pegadas variadas sem falhar. A segunda é a generalização, ou seja, se um comportamento treinado em um conjunto de objetos se transfere para novos, sob nova iluminação, em um novo layout. Um número de produção semanal não diz nada sobre nenhuma das duas.

Compromissos de computação como o da Figure miram diretamente a segunda métrica. Se isso funciona é uma questão em aberto, e a resposta não virá de um comunicado de imprensa. Virá de saber se um robô treinado com a capacidade de Barstow consegue pegar um objeto que nunca viu e colocá-lo no lugar correto, em uma linha de produção, sem um supervisor observando.

O custo de chegar cedo

Há também um risco financeiro evidente. Acordos de computação são obrigações de vários anos, e as gerações de GPUs avançam rápido. Um compromisso dimensionado para os treinamentos de hoje pode parecer grande demais ou pequeno demais em dezoito meses, dependendo da direção que o setor tomar. A Figure apostou que precisará de mais, não de menos.

A aposta é defensável. A fronteira da robótica está se movendo em direção a modelos maiores, e modelos maiores exigem mais computação. A questão é o timing. Se a generalização chegar no prazo que a Figure está sugerindo, o compromisso antecipado parece visionário. Se demorar mais, a empresa carrega um grande custo fixo enquanto espera que o problema seja resolvido.