Decart Lança Oasis 3: Modelo de Mundo Realista e Baixa Latência para Treinamento de Robótica

O laboratório de pesquisa de IA de fronteira Decart introduziu o Oasis 3, um modelo de mundo projetado para fechar a divisão entre simulação sintética e implantação de IA no mundo real.

O motor de saída de vídeo, revelado este mês, acelera o treinamento de sistemas de controle de robôs e veículos autônomos, equipando-os para prosperar em condições reais imprevisíveis.

Desenvolvedores de robótica confrontam escassez de dados de alta qualidade necessários para treinar sistemas que podem navegar ambientes complexos do mundo real.

Enquanto um veículo pode aprender a manobrar um estacionamento estático com cones de tráfego fixos, a estrada aberta apresenta um cenário muito mais exigente onde clima, iluminação e obstáculos dinâmicos variam constantemente.

Treinar sistemas para lidar com o caos de ruas urbanas — chuva forte, obstáculos repentinos, tráfego errático — representa um desafio distinto que o Oasis 3 aborda.

O Gargalo do Treinamento de Robótica

Modelos de linguagem grandes (LLMs) avançaram, mas robótica de propósito geral — ou IA física — ficou para trás, largamente devido à escassez de recursos de mídia rica.

A Bessemer Ventures notou que desenvolvedores de LLM beneficiam-se de scraping de bilhões de páginas web públicas, um luxo indisponível para modelos Visão-Linguagem-Ação (VLA) que devem interpretar e agir dentro de espaços físicos.

Modelos VLA ingerem dados ambientais, processam-nos e então respondem. Treiná-los oferece três caminhos primários:

• Teleoperação — operadores humanos imitam ações do robô em traje controlado. Embora produza dados de mais alta qualidade, é proibitivamente caro e lento, tornando implantação em larga escala impraticável.
• Vídeos da web aberta — prontamente disponíveis mas bagunçados, carecendo de ambientes consistentes, telemetria espacial e condicionamento direto de ação.
• Dados sintéticos — um meio-termo, ainda motores de física atuais ficam aquém do nuance do mundo real, levando ao chamado sim-to-real gap.

Essa lacuna se manifesta quando aleatoriedade do mundo real — vazamentos de óleo, embalagens frágeis, detritos inesperados — desequilibra sistemas autônomos, revelando suas limitações.

Fechando a Lacuna com Simulações Generativas de Malha Fechada

A Decart afirma que o Oasis 3 supera limites de treinamento virtual existentes ao fundir gráficos de movimento fotorrealistas com um motor de física robusto.

Embutido em um único loop de treinamento de alta performance, o Oasis 3 produz streams de vídeo condicionados a ação que podem gerar virtualmente qualquer cenário caótico que desenvolvedores imaginem, criando um ambiente de treinamento que espelha a realidade de perto.

A plataforma suporta ambientes multiview, ultra-realistas que são totalmente controláveis; desvio lateral de um carro autônomo dispara um stream generativo que ajusta perspectivas em menos de 200 ms — bem dentro dos requisitos de reinforcement learning.

Co-projetado com o ecossistema de IA física da Nvidia, o Oasis 3 roda na infraestrutura de nuvem especializada da CoreWeave a 22 fps, entregando ambientes virtuais interativos em resolução 512×768×3.

Oferece visão nativa de três câmeras para preservar consistência espacial e temporal de múltiplos ângulos, permitindo sistemas autônomos medirem profundidade e contexto periférico com precisão.

Oasis 3 é acessível via API da Decart, permitindo desenvolvedores integrá-lo perfeitamente em seus pipelines de simulação de IA física existentes.

Treinando Robôs para Conquistar Território Inexplorado

Alcançar humanóides nível ficção científica requer treinar robôs para gerenciar edge cases únicos em tempo real — situações impossíveis de replicar em laboratório, como uma carga caindo na estrada enquanto a câmera de um veículo autônomo é obscurecida por lama.

Oasis 3 capacita desenvolvedores a criar infinitas variações de tais eventos usando prompts simples de linguagem natural, abrangendo diferentes ângulos, condições climáticas e superfícies de estrada.

Expondo modelos a milhões de perigos acessivelmente, desenvolvedores podem garantir prontidão para qualquer cenário real plausível.