A Amap da Alibaba Atualiza sua Pilha de IA Encarnada para Robôs

A Amap, o braço de mapeamento e serviços de localização da Alibaba, lançou uma atualização completa da pilha para o ABot, o sistema de IA encarnada que está sendo construído para guiar robôs em vez de motoristas. Anunciada em 22 de julho de 2026, a atualização inclui cinco novos modelos que abordam navegação, manipulação, raciocínio, memória de longo prazo e controle de movimento, e a Amap afirma que a pilha combinada alcançou os melhores resultados em 17 benchmarks.

O que a empresa lançou é um conjunto de modelos e artigos de pesquisa, e não um robô com um preço ou um cliente. A distinção é importante. O lançamento descreve capacidades medidas em benchmarks, e não uma máquina em funcionamento em um local com intervenções registradas. A pilha é projetada para ser agnóstica em relação ao corpo, conectando-se a robôs humanoides, quadrúpedes e com rodas por meio de habilidades intercambiáveis, de modo que um “cérebro” possa, em princípio, dirigir diferentes hardwares — a mesma ambição que permeia a corrida de robótica mais ampla.

O que a atualização adiciona

A navegação é a parte mais próxima do trabalho diário da Amap, e seu modelo, ABot-N1, reflete isso. Ele combina um módulo lento para planejamento de rotas com um módulo rápido que emite comandos de movimento, e adiciona o que a equipe chama de “cadeia de pensamento em nível de pixel” que liga o que a câmera vê à razão escrita, de modo que uma decisão possa ser rastreada. A Amap afirma que o ABot-N1 pode atravessar uma cidade usando apenas mapas de navegação comuns, com uma taxa de sucesso de 92,9% ao ar livre; o artigo relata 95,4% em cenas internas complexas e um ganho de 35% em alcançar pontos de interesse, para 77,3%.

A manipulação é mais difícil, e é o que ABot-M0.5 visa: o negócio de múltiplos passos de se mover para um objeto e manipulá-lo, como buscar água em um dispensador em uma sala. Em vez de executar movimento e agarre como uma sequência, ele divide-os em dois fluxos de ação, e adiciona um método de treinamento que a Amap chama de “autocura de sonho” que permite que o modelo continue agindo a partir de previsões visuais barulhentas, em vez de parar em pequenos erros. No conjunto de testes RoboCasa-365, a Amap relata ter superado o sistema anterior por 20,4% em tarefas complexas e 10,6% em tarefas básicas.

Dois modelos mais formam a camada de decisão. O ABot-ER é construído para raciocinar sobre como objetos, espaços e tarefas se relacionam, em vez de apenas reconhecer o que está no quadro; a Amap afirma que ele ficou em primeiro lugar em um benchmark de resposta a perguntas espaciais, Embodied Arena 2D-EQA, na época do anúncio. O ABot-AgentOS está acima dos controladores e lida com planejamento, uso de ferramentas, execução e verificação, com uma memória de vida útil que pode aprender com tentativas falhas. Um quinto modelo, ABot-C0, converte essas decisões em movimento para robôs quadrúpedes. Juntos, as camadas de raciocínio e agente visam a parte da IA encarnada que tropeça a maioria dos sistemas: não um único agarre, mas encadear muitos passos em uma tarefa longa sem perder o fio.

Benchmarks, não implantações

A Amap colocou mais na mesa do que a maioria dos lançamentos de robôs. Ela publicou artigos para os modelos de navegação, manipulação, agente e controle de movimento no arXiv e lançou código e conjuntos de testes, o que é mais verificável do que um clipe de destaque editado. Pesquisadores externos podem, em princípio, reproduzir o trabalho.

No entanto, os números ainda carregam o asterisco usual. Eles são os resultados da própria equipe, e vários dos benchmarks são os que a Amap introduziu junto com os modelos: o ABot-N1 vem com novos testes de ponto de destino e ponto de interesse, e o sistema de agente é pontuado em um benchmark que o mesmo artigo define. Nenhum laboratório independente reproduziu os números, e nenhum dos modelos chega com uma implantação real anexada — nenhum tamanho de frota, nenhum tempo de atividade, nenhuma taxa de intervenção mostrando com que frequência uma pessoa teve que assumir o controle. Essa lacuna separa um resultado de benchmark de um “ano de implantação” que rivais como AgiBot começaram a reivindicar.

O único âncora físico é um robô guia quadrúpede que a Amap disse em abril de 2026 que enviaria para a Meia Maratona de Pequim E-Town. Isso é uma demonstração, não uma implantação: um robô em um ambiente encenado diz pouco sobre como a pilha se mantém em um ambiente real.

Por que uma empresa de mapas está construindo cérebros de robôs

A Amap opera uma das maiores plataformas de navegação da China, e sua aposta é que os dados de mapeamento e pontos de interesse por trás desse serviço são um começo para o raciocínio espacial que os robôs precisam para se mover pelo mundo físico. A empresa estabeleceu uma divisão de inteligência encarnada em janeiro de 2026 e lançou seus primeiros modelos base de navegação e manipulação, ABot-N0 e ABot-M0, semanas depois; a atualização de julho é a segunda geração desse trabalho.

Isso acontece em um campo lotado. Desenvolvedores chineses, novos entrantes humanoides e fabricantes de cobots equipando robôs com IA generalista estão todos perseguindo a mesma camada de fundação de modelo de corpo cruzado, e a China está derramando dinheiro público e privado em inteligência encarnada e nos modelos abaixo. O teste que todos enfrentam é o que a Amap ainda não respondeu: se uma pilha que lidera os benchmarks pode executar um robô que faz um trabalho útil, sem supervisão, em um chão que ninguém organizou com antecedência. A Amap mostrou a primeira metade. A segunda ainda é uma afirmação.