对话Maxinsights：具身“卖铲人”的250倍增长、机器人Ego数据狂潮、Doordash与丰田模式，与“自由的鸟”【101视频播客】

Yuan Yuguang, fundador da empresa de dados para robótica Maxinsights, detalha em entrevista a Chen Qian, cofundadora do canal Silicon Valley 101, a infraestrutura, o modelo de negócios e as operações por trás do fornecimento de dados em primeira pessoa (egocentric) para modelos de inteligência artificial incorporada (physical AI). Com formação pela Universidade Jiao Tong de Xangai, passagem pela multinacional Eaton e MBA pela UC Berkeley, Yuan discute a transição de robôs industriais para dados de IA, a governança operacional de milhares de coletores globais e a tese de que a lei de escala (scaling law) da robótica depende de dados humanos massivos.

Métricas e Modelo de Negócios da Maxinsights

Crescimento de receita: O faturamento anualizado recorrente (ARR) da Maxinsights saltou de aproximadamente US$ 1 milhão para cerca de US$ 250 milhões no intervalo de um ano (crescimento de 250 vezes).
Volume de dados: A empresa acumula cerca de 2 milhões de horas de dados em primeira pessoa (egocentric data) e opera com capacidade máxima mensal de até 450 mil horas.
Base de clientes: Mais de 30 clientes corporativos, divididos em dois perfis principais: desenvolvedores de grandes modelos de fronteira (frontier LLM labs, como OpenAI, Anthropic e Google) e empresas dedicadas à inteligência robótica (como a Dyna Robotics).
Licenciamento de dados estilo SaaS: A Maxinsights não vende exclusividade por padrão; licencia conjuntos de dados padronizados que podem ser reutilizados por múltiplos clientes. A diferenciação dos modelos dos clientes decorre de suas próprias arquiteturas, formulações de treinamento (recipes) e etapas de pós-treinamento (post-training / RL).

A Transição das Modalidades de Dados na Robótica

No início do ciclo recente da IA incorporada, a indústria testou quatro rotas principais de dados: teleoperação (teleoperation), simulação (simulation), luvas com sensores e vídeo em primeira pessoa (egocentric data).

Limitações da teleoperação: Apresenta custo elevado (cerca do dobro do dado em primeira pessoa), baixa escalabilidade e ineficiência operacional intrínseca — tarefas simples de pegar e colocar (pick and place) exigem tempo de restauração do cenário (resetting) equivalente ao da execução, limitando a eficiência operacional líquida a no máximo 50%.
Limitações da simulação: A transferência do virtual para o real (sim-to-real gap) ainda impõe perdas de desempenho. Dados sintéticos são fáceis de gerar internamente pelos próprios clientes, o que os torna comercialmente desvalorizados como produto avulso.
Vantagem do dado em primeira pessoa (Ego Data): É diretamente escalável e captura habilidades humanas implícitas e diversificadas (como centenas de variações cotidianas de dobrar roupas). Isso transfere capacidade de generalização para os modelos fundamentais de robótica.
Comparação entre Ego Data e UMI (Universal Manipulation Interface):
- UMI: O operador humano segura uma garra mecânica (gripper). Facilita o redirecionamento de movimento (retargeting) direto para robôs com garras e simplifica o processamento da pipeline, mas reduz drasticamente a eficiência da coleta (tarefas complexas como cozinhar são inviáveis com duas garras mecânicas). É mais utilizado em etapas de mid-training e post-training.
- Ego Data puro: Registra as mãos livres do operador. É mais eficiente na coleta e compatível tanto com garras quanto com mãos destras articuladas (dexterous hands), porém exige uma pipeline de visão computacional muito mais robusta para lidar com oclusões e sobreposição de mãos.

Hardware Proprietário e Pipeline de Processamento

Gravar vídeos brutos representa apenas o início da cadeia. A Maxinsights desenvolveu hardware próprio montado na cabeça dos operadores para garantir que as mãos permaneçam no enquadramento visual independentemente da movimentação do pescoço:

Evolução do Hardware de Coleta:
- 1ª Geração: Conjunto com 6 câmeras e campo de visão (FOV) de 270 graus, estilo olho de peixe, cobrindo mãos e pontos anatômicos corporais.
- 2ª Geração: Otimizado para 4 câmeras, estrutura mais leve (vestível como um boné), calibração acelerada, maior autonomia de bateria e menor custo unitário de fabricação.
Pipeline de Dados e Controle de Qualidade:
- O vídeo bruto passa por rastreamento postural e de mãos (pose/hand tracking) com precisão milimétrica, indexação de eventos, compreensão de vídeo e anotação em linguagem natural (language annotation).
- Filtros eliminam ações sem valor operacional (como caminhar sem interagir, olhar o celular ou coçar-se).
- Para evitar o alto custo do uso de LLMs comerciais de terceiros em anotações textuais massivas, a empresa treinou modelos proprietários específicos para rotulagem.
- A pipeline de dados já passou por 6 a 7 iterações completas e utiliza dados de verdade de base (ground truth) proprietários acumulados ao longo de anos, criando uma barreira de entrada técnica contra novos concorrentes e empresas de modelos de mundo (world models / geração de vídeo).

Gestão Operacional Global: Modelo DoorDash e Filosofia Toyota

Para garantir diversidade de cenários (diferenças culturais em culinária, vestuário de manga longa/curta e arquitetura doméstica), a Maxinsights distribui seus operadores em 8 países:

Distribuição geográfica: Estados Unidos (Los Angeles), México, Indonésia, Vietnã, Tailândia, China, Turquia e África do Sul, contando com escritório de operações dedicado na Indonésia.
Rede de 4.000 coletores com menos de 10 gestores integrais: Em vez de depender de redes terceirizadas descentralizadas (que apresentavam baixa qualidade e entregas insuficientes nos testes iniciais), a empresa opera uma rede direta estruturada no modelo DoorDash/Meituan.
AI Agent in the Loop: Uma camada de agentes de IA atua como assistente e supervisor contínuo dos coletores. O sistema monitora se o operador posicionou o dispositivo na angulação correta na testa, avalia o rendimento e fornece feedback corretivo em tempo real.
Aplicação do Sistema Toyota de Produção (TPS/TMS): Yuan Yuguang aplicou os conceitos de controle de qualidade e PPAP (Production Part Approval Process) que aprendeu durante seus quatro anos de trabalho no Japão pela Eaton. A tese operacional dita que qualquer aumento rápido de volume degrada a qualidade; portanto, o processo exige ciclos contínuos de expansão de volume seguidos de compressão e contenção rígida de qualidade via first principles antes de nova liberação de escala.

Escalar para 10 Milhões de Horas e a Rota para o Full-Stack

Com clientes como a Dyna Robotics validando leis de escala em robótica com 1 milhão de horas de dados em modelos como o Dyna-2, o próximo objetivo do setor é alcançar 10 milhões de horas.

Projeção de equipe: Yuan estima que atingir o patamar de 10 milhões de horas exigirá expandir a rede de coleta global em 3 a 5 vezes, alcançando entre 15.000 e 20.000 operadores.
Transição de coletores comuns para redes de especialistas: Cenários simples de demonstração residencial perdem relevância à medida que os modelos dominam a generalização básica. Para elevar o índice de sucesso dos robôs de 99% para 99,99% em ambientes reais (como hospitais ou casas de repouso), a rede precisará de coletores inseridos em ambientes operacionais especializados.
Precificação em Camadas (Tier Pricing) e Novos Sensores: A evolução das modalidades inclui dados de corpo inteiro (whole body) e dados táteis. A Maxinsights desenvolveu luvas flexíveis equipadas com sensores de curvatura (bending sensors) na palma, dorso e pontas dos dedos para captura de forças de contato (tactile data), o que introduz precificação mais alta por hora de dado avançado.
Visão Full-Stack: O objetivo de longo prazo da Maxinsights não é ser apenas uma fornecedora de dados, mas integrar coleta, pipelines, plataformas de avaliação de falhas (benchmarking/evaluation) e suporte à implantação física direta (deployment) para grandes varejistas (como Walmart e Costco), assumindo papel análogo ao que ABB e Kuka desempenharam na robótica industrial tradicional.

Trajetória de Yuan Yuguang e Lições de Empreendedorismo

Passagem corporativa (Eaton): Atuou em projetos globais (incluindo o trem de força do avião C919 e infraestrutura elétrica nos EUA, México e Japão) em cargos de produto, vendas e cadeia de suprimentos.
Primeira startup (Mega Gear Robotics, 2014):
- Fundada com o objetivo de desafiar o monopólio das "Quatro Grandes" da robótica industrial (ABB, Kuka, Yaskawa e Fanuc, que detinham mais de 90% do mercado chinês na época e cobravam preços 2,5 a 3 vezes superiores aos atuais).
- Criou braços robóticos industriais de baixo custo com arquitetura aberta (open-source), vendidos para universidades e escolas técnicas por cerca de 200.000 RMB a unidade.
- Enfrentou a limitação de escala do mercado educacional e migrou para modelos de visão computacional (CV) aplicados à manipulação precisa de peças.
- Realizou 6 a 7 pivotagens em IoT industrial e monitoramento de fábricas, descobrindo que clientes aceitavam instalar sistemas gratuitamente para testar, mas não tinham disposição para pagar por soluções que resolviam apenas "incômodos superficiais" (itch points) em vez de "dores críticas" (pain points). A empresa foi posteriormente vendida.
Validação da Maxinsights (UC Berkeley, 2022–2023):
- Durante o MBA na UC Berkeley, ao observar avanços na tarefa de dobrar roupas por robôs em 2023, Yuan percebeu a virada para manipulação flexível e IA incorporada.
- Enviou cerca de 200 cold emails para pesquisadores e alunos de robótica de Berkeley e Stanford (elevando sua taxa de resposta de 10% para 40% com iterações no texto), mapeando que a carência crítica de dados de treino era a tese central não consensual daquele momento.
- Iniciou a empresa com testes de teleoperação em uma garagem antes de abandonar a abordagem devido à baixa confiabilidade mecânica e pivotar definitivamente para dados em primeira pessoa (egocentric).

Diferenças Estruturais entre Robótica e Direção Autônoma

Questionado sobre o risco de a IA incorporada demorar anos adicionais para se consolidar comercialmente — a exemplo da direção autônoma —, Yuan argumenta que os desafios são de naturezas distintas:

Veículos autônomos enfrentam exigências regulatórias severas e riscos fatais imediatos em casos de borda (corner cases) em vias públicas abertas.
A robótica incorporada pode ser implantada de forma vertical e compartimentada em ambientes controlados específicos (como um robô dedicado exclusivamente a dobrar lençóis em um hotel 24 horas por dia). A resolução de tarefas repetitivas com taxa de sucesso elevada em domínios restritos permite validação comercial e retorno sobre investimento muito mais rápidos.