Tempo estimado de leitura: 9 minutos
Em 5 de janeiro de 2026, Jensen Huang subiu ao palco do CES em Las Vegas e disse algo que vai ecoar por anos.
“O momento ChatGPT da Physical AI chegou quando as máquinas começam a entender, raciocinar e agir no mundo real.”
Não foi hype de keynote. Foi uma declaração de mudança de era. E se você ainda não sabe o que é Physical AI, este texto vai mudar isso.
A IA que conhecemos tem um problema fundamental
O ChatGPT, o Gemini, o Claude todos são incrivelmente capazes. Mas eles vivem numa caixa de vidro. Você escreve algo. Eles respondem. Você pede uma imagem. Eles geram.
Tudo acontece dentro de uma tela. E termina na tela.
Eles não conseguem pegar um objeto numa caixa. Não dirigem um carro. Não operam um paciente e não consegue montar uma peça numa linha de produção. Em outras palavras, não agem no mundo físico.
Essa é a fronteira que a Physical AI está cruzando agora.
O que é Physical AI, de verdade
Physical AI é inteligência artificial que entende o mundo tridimensional com profundidade, gravidade, textura, peso, fricção e age nele de forma autônoma.
Jensen Huang divide a evolução da IA em três fases. A primeira foi a Perception AI a IA que aprende a entender: reconhecer imagens, palavras e sons. Foi o Google reconhecendo fotos de gatos, o Shazam identificando músicas, o Face ID desbloqueando seu celular.
A segunda foi a Generative AI a IA que aprende a criar: escrever textos, gerar imagens, compor músicas, sintetizar vozes. É o ChatGPT, o Midjourney, o Gemini.
A terceira e onde estamos agora é a Physical AI: a IA que aprende a agir.
Não numa tela. No espaço físico. Com objetos reais. Em ambientes imprevisíveis.
Por que isso é muito mais difícil do que parece
Ensinar uma IA a responder perguntas é complexo. Mas ensinar uma IA a pegar uma xícara de café numa bancada bagunçada é outro nível de problema.
A xícara pode estar em posições infinitas. A iluminação muda. Há outros objetos ao redor. O braço mecânico tem limitações físicas. A força de preensão precisa ser calibrada quando forte demais quebra a xícara, fraco demais ela cai.
Para um humano, isso é automático. Para uma IA, é um problema de física, percepção, planejamento e execução acontecendo ao mesmo tempo, em milissegundos.
Portanto, o salto da Generative AI para a Physical AI não é incremental. É uma mudança de categoria.
Como a NVIDIA está resolvendo isso: mundos virtuais para treinar robôs reais
Aqui está a parte mais fascinante de toda essa história.
A NVIDIA criou um sistema chamado Cosmos uma plataforma de simulação do mundo físico. Com ele, é possível gerar mundos virtuais fotorrealistas onde robôs treinam antes de serem ligados no mundo real.
Pense num simulador de voo. Pilotos aprendem a voar neles antes de tocar num avião de verdade. O Cosmos faz o mesmo para robôs, mas numa escala muito maior, com física precisa, iluminação realista e cenários variados que seriam impossíveis de criar no mundo físico com segurança e custo viável.
Sobre esse fundamento, a NVIDIA lançou o Isaac GR00T N1 descrito pela empresa como o primeiro modelo fundação de código aberto para robôs humanoides do mundo. Portanto, esse modelo permite que robôs generalizem habilidades: pegar objetos, transferir itens de um braço para outro, executar tarefas de múltiplas etapas que exigem planejamento de longo contexto.
O GR00T N1.7 já está disponível em acesso antecipado com licenciamento comercial, trazendo controle dextro avançado para robôs em produção real. Além disso, o GR00T N2 que sucede o modelo com uma arquitetura de “world action model” e consegue executar novas tarefas em novos ambientes mais de duas vezes com mais frequência que os modelos concorrentes.
Empresas como LG Electronics, NEURA Robotics, Boston Dynamics, FANUC e KUKA já estão construindo sobre essa infraestrutura.
Os números que Jensen Huang citou e por que são sérios
Jensen Huang chamou robôs humanoides e automação de trabalho de um mercado total endereçável de US$ 40 trilhões. Para comparar: a internet gerou um mercado de cerca de US$ 30 trilhões ao longo de três décadas.
Não é um número tirado do ar. É a conta de substituir ou ampliar o trabalho físico humano e logística, manufatura, construção, saúde, agricultura com sistemas autônomos.
A receita da NVIDIA foi de US$ 17 bilhões em 2021 para US$ 216 bilhões no fiscal de 2026 um crescimento de 12 vezes em cinco anos. Boa parte desse crescimento foi em data centers para treinar modelos de linguagem. O próximo capítulo, segundo Huang, será a Physical AI consumindo ainda mais poder computacional para treinar e operar no mundo físico.
“Não tenho dúvida de que essa vai ser uma das maiores indústrias de robótica da história, e estou muito feliz que trabalhamos nisso”, disse Huang no CES 2026.
Onde a Physical AI já está acontecendo agora
Não é algo do futuro. Algumas aplicações já estão em operação.
Carros autônomos. A Mercedes-Benz CLA foi o primeiro carro a usar o sistema Alpamayo da NVIDIA uma IA que raciocina sobre suas próprias decisões de direção, explicando em tempo real o motivo de cada ação: por que freou, por que mudou de faixa, qual trajetória vai seguir. Além disso, BYD, Hyundai, Nissan e Geely já confirmaram parceria com a plataforma da NVIDIA para veículos autônomos.
Fábricas inteligentes. A Caterpillar está usando Physical AI em equipamentos de construção pesados. A FANUC e a YASKAWA gigantes japonesas de automação industrial que já estão implementando modelos GR00T em seus sistemas. “Toda empresa industrial vai se tornar uma empresa de robótica”, afirmou Huang.
Saúde. A NVIDIA criou o GR00T-H, um modelo para robôs cirúrgicos que processa comandos em texto e gera movimentos de precisão. O dataset Open-H, construído com 35 colaboradores, inclui 776 horas de vídeo cirúrgico e 11 sistemas robóticos diferentes. Johnson & Johnson MedTech e CMR Surgical já estão treinando sistemas sobre essa base.
Entrega de última milha. O alvo de custo de entrega de alguns sistemas autônomos já operando em múltiplas cidades é abaixo de US$ 1 por entrega contra US$ 8 a US$ 10 com entregadores humanos. Em seguida, se esse número se confirmar em escala, as implicações são enormes.
A parte que o hype não conta
Aqui é onde a honestidade importa.
Mesmo com modelos cada vez mais capazes, ferramentas de simulação e plataformas de computação, a NVIDIA não está construindo os carros autônomos nem os robôs. As montadoras precisam transformar essas ferramentas em sistemas que operem com segurança em vias públicas navegando em escrutínio regulatório, condições de trânsito reais e aceitação pública.
As empresas de robótica, por sua vez, precisam traduzir a IA em máquinas que funcionem de forma confiável no mundo físico, em escala e a um custo que faça sentido comercial. Portanto, esse trabalho consiste em integrar hardware, software, sensores, sistemas de segurança e restrições do mundo real e continua sendo extraordinariamente difícil, lento e intensivo em capital.
Portanto, a Physical AI é real. Está acontecendo. Mas o gap entre “funciona em demo” e “funciona no mundo” ainda é enorme.
Ainda mais, os próximos cinco anos vão ser de trabalho pesado, erros, recalibração e avanços irregulares. Não de uma revolução uniforme que acontece de uma vez.
O que muda para você
A resposta honesta é: no curto prazo, pouco de forma direta.
No médio prazo, o impacto começa a aparecer nos bastidores da vida cotidiana. Os produtos que você compra vão ser fabricados com mais eficiência. As entregas vão ficar mais rápidas e baratas. Dessa forma, cirurgias complexas vão ter mais precisão e menos variabilidade humana. Infraestrutura vai ser inspecionada por drones autônomos. Em suma, cidades vão ter sistemas de gestão que respondem ao mundo físico em tempo real.
E, eventualmente, a Physical AI vai tocar trabalhos físicos da mesma forma que a IA generativa tocou trabalhos de criação e escrita nos últimos três anos.
A princípio, esse é o verdadeiro tamanho do que Jensen Huang está chamando de maior mercado da história. Não é um carro que dirige sozinho. Em resumo, é o conjunto de todas as tarefas físicas que humanos fazem todos os dias e que, pela primeira vez, as máquinas estão aprendendo a executar.
A internet mudou como acessamos informação. Em conclusão, a IA generativa mudou como criamos conteúdo. A Physical AI está prestes a mudar como o mundo físico funciona.
E isso, sim, é de uma ordem de grandeza diferente.
Publicado em peakhightech.com.br. Fontes: NVIDIA Newsroom — Physical AI, Axios — CES 2026, Fortune — Physical AI Reality Check, The Neuron — CES 2026
