Machenta capta $40 milhões em rodada seed para ensinar novas tarefas a robôs com uma única demonstração

Ensinar uma nova tarefa a um robô pode levar muito mais tempo do que executar a própria tarefa. Coletar demonstrações, preparar dados de treinamento e atualizar um modelo pode transformar uma pequena mudança no fluxo de trabalho em um projeto de engenharia substancial. Machenta captou $40 milhões em uma rodada seed para encurtar esse processo, desenvolvendo um modelo fundacional para robôs projetado para aprender uma tarefa física a partir de uma única demonstração, sem treinamento adicional específico para a tarefa.

A empresa londrina anunciou o financiamento em 27 de outubro, com Creandum e Union Square Ventures liderando a rodada em conjunto. A empresa usará o capital para ampliar seu modelo e expandir a equipe em seu novo escritório e laboratório em King’s Cross.

A Machenta chama sua abordagem de “aprendizagem instantânea de robôs”. A empresa afirma ter demonstrado a tecnologia em tarefas de embalagem, montagem e organização, com robôs que se adaptam a variações depois de receberem uma demonstração do que fazer. A ambição é ampla, mas as evidências devem ser entendidas como demonstrações de uma tecnologia em desenvolvimento, e não como prova de que um robô já consegue executar todas as tarefas possíveis.

Aprender uma nova tarefa sem iniciar um novo treinamento

A principal distinção está entre treinar um modelo e ensinar uma tarefa específica a um modelo já treinado. A Machenta ainda treina seu modelo fundacional. O que pretende eliminar é a necessidade de coletar um grande conjunto de dados novo e executar outro ciclo de treinamento toda vez que o robô se depara com uma nova tarefa.

“A inteligência não diz tanto respeito ao que você já consegue fazer, mas à rapidez com que consegue aprender a fazer algo novo”, afirmou o professor Edward Johns, cofundador e CEO da Machenta, no anúncio.

O fluxo de trabalho proposto é deliberadamente simples: demonstrar o comportamento desejado, deixar o robô observá-lo e, em seguida, fazer com que execute a tarefa. Na prática, isso faria da demonstração parte da instrução fornecida a um modelo existente, em vez do início de um projeto separado de desenvolvimento de modelo.

Isso é particularmente relevante quando a tarefa permanece, em linhas gerais, a mesma, mas os objetos ou sua disposição mudam. Um robô que só consegue repetir uma sequência fixa depende de que o ambiente se ajuste à sua programação. Um sistema capaz de aprender precisa identificar o que a demonstração pede que ele faça e adaptar suas ações à situação que tem diante de si.

A simulação é usada para treinar a capacidade de aprender

A estratégia de treinamento da Machenta transfere boa parte do trabalho de geração de dados para a simulação. Segundo o comunicado, o objetivo não é enumerar todas as tarefas que o robô poderá enfrentar no futuro. É expor o modelo a cenários variados o suficiente para que desenvolva uma capacidade reutilizável de aprender com um novo exemplo.

Isso muda a origem da escala que a empresa espera alcançar. Muitos esforços de aprendizagem robótica dependem fortemente da coleta de demonstrações físicas por teleoperação ou gravações de atividades humanas. A Machenta aposta que a experiência simulada pode fornecer a diversidade necessária para aprender novas tarefas, enquanto uma demonstração real fornece a instrução no momento da implantação.

Sua apresentação técnica descreve o sistema como um modelo de visão-demonstração-ação, ou VDA. Ele recebe uma demonstração e observações contínuas da câmera como entradas e prevê ações em um ciclo fechado. A empresa afirma que seu pré-treinamento usa apenas simulações; o exemplo de ensino e as observações ao vivo são entradas do mundo real no momento da inferência.

Essa distinção é importante: o pré-treinamento apenas com simulações não significa que o robô implantado opere sem informações do mundo real. Ele ainda precisa interpretar a demonstração, observar o ambiente e escolher ações à medida que as condições mudam.

A pesquisa por trás da aprendizagem robótica em contexto

A empresa se baseia no trabalho de Johns e do cofundador e CTO Vitalis Vosylius no Imperial College London. Johns é professor de Aprendizagem Robótica no Imperial, e os dois desenvolveram métodos anteriores para aprender comportamentos físicos a partir de um pequeno número de exemplos.

A pesquisa sobre Instant Policy, publicada na ICLR 2025, descreve aprendizagem por imitação em contexto a partir de uma ou duas demonstrações, sem treinamento adicional. Ela representa demonstrações, observações e ações por meio de um grafo e usa um processo de difusão aprendido para gerar a estrutura do grafo necessária à previsão de ações.

O artigo também descreve o treinamento com pseudodemonstrações: trajetórias geradas em simulação que fornecem um grande conjunto de exemplos. Os experimentos abrangem tarefas simuladas e reais, além de trabalhos adicionais sobre a transferência entre diferentes configurações de robôs e instruções definidas por linguagem.

Essa pesquisa ajuda a explicar a base científica, mas não demonstra que o atual modelo comercial da Machenta tenha exatamente a mesma arquitetura. A startup descreve o sistema mais recente como um modelo fundacional desenvolvido a partir dessa linha de trabalho.

A aprendizagem em contexto é conhecida nos modelos de linguagem, nos quais exemplos incluídos em um prompt podem influenciar a resposta sem atualizar os pesos do modelo. Aplicar essa ideia à robótica é mais exigente, porque a saída precisa se tornar uma sequência de ações físicas sujeitas a restrições do mundo real, e não apenas uma resposta plausível.

O que as demonstrações comprovam — e o que ainda precisa ser testado

A publicação técnica da Machenta relata testes de uma hora em três tarefas simples, que se reiniciam sozinhas: 74 colocações bem-sucedidas de blocos em 74 tentativas, 78 entregas de chave de fenda em 78 tentativas e 97 tentativas bem-sucedidas de colocar garrafas em pé, de um total de 99. A empresa atribui as duas falhas com as garrafas ao risco de colisão e a restrições cinemáticas.

Esses são testes iniciais úteis de confiabilidade, mas não constituem uma avaliação abrangente para o setor industrial. A publicação também apresenta o aprendizado direto a partir das mãos humanas e a operação com mãos humanoides como caminhos ainda preliminares. Ela não comprova cobertura universal de tarefas nem desempenho confiável em todos os ambientes de trabalho.

Para um potencial usuário, há uma série de requisitos entre uma demonstração convincente e um sistema pronto para implantação: repetibilidade, recuperação de falhas, comportamento seguro perto de pessoas e os limites práticos do hardware do robô. Aprender uma instrução rapidamente não permite que uma garra manipule um objeto que não consegue agarrar fisicamente.

Ainda assim, a oportunidade comercial é clara. Se o tempo necessário para ensinar o robô diminuir substancialmente, será mais fácil considerar seu uso em trabalhos que mudam com tanta frequência que não justificam longos períodos de programação e integração. Isso pode afetar tanto a implantação em fábricas quanto aplicações de menor escala, nas quais é difícil obter suporte especializado em robótica.

Uma rodada seed para ampliar o modelo e a equipe

A Machenta está se juntando a uma onda mais ampla de investimentos em inteligência robótica adaptável. A cobertura da Unite.AI sobre o financiamento da Dream Labs para IA entre robôs ilustra outra iniciativa para tornar capacidades aprendidas úteis em diferentes máquinas. O foco da Machenta está na rapidez com que uma nova instrução física pode se transformar em comportamento útil.

Kathi Wilhelm, sócia da Creandum, destacou os anos de pesquisa da equipe antes da criação da empresa. Rebecca Kaden, sócia-diretora da Union Square Ventures, ressaltou o valor de robôs capazes de aprender rapidamente uma nova tarefa, em vez de exigir um treinamento separado para cada trabalho.

Para a Machenta, a próxima etapa é transformar essa base de pesquisa em capacidades mais amplas e confiáveis. Os 40 milhões de dólares dão à empresa recursos para ampliar o modelo e formar uma equipe em torno dele, enquanto sua equipe fundadora leva para o negócio seis anos de trabalho em aprendizado robótico com uma única demonstração.

A questão central é até que ponto esse comportamento de aprendizado poderá ser ampliado à medida que as tarefas se tornarem mais variadas e exigentes. Se a abordagem se mostrar eficaz, a mudança importante será prática: as pessoas poderão passar menos tempo montando um processo de treinamento e mais tempo mostrando ao robô o trabalho que realmente precisam que ele faça.