Em um escritório vazio no distrito de SoMa, em São Francisco, robôs humanoides de diferentes tamanhos penduram-se em estruturas metálicas como marionetes à espera de vida. Não há placa na porta, nem mobília além do essencial. O espaço pertence a Danijar Hafner, 31 anos, que deixou o Google DeepMind no final de 2025 para fundar uma startup ainda em modo stealth. O objetivo é ambicioso: criar agentes de inteligência artificial capazes de navegar em ambientes que nunca viram durante o treinamento — uma condição indispensável para que robôs deixem laboratórios e entrem em casas reais.
O desafio de levar robôs para ambientes humanos
Enviar um robô para a residência de uma pessoa exige que a máquina lide com plantas baixas desconhecidas, móveis dispostos de formas imprevisíveis e situações que nenhum conjunto de dados de treinamento consegue cobrir por completo. Abordagens tradicionais de robótica dependem de tentativa e erro extensivo no mundo físico, o que torna a implantação em larga escala lenta, cara e arriscada. Hafner aposta em um caminho diferente: equipar os agentes com a capacidade de “imaginar” consequências antes de agir.
A abordagem de modelos de mundo
O cerne da técnica é o aprendizado por reforço baseado em modelos (model-based reinforcement learning). Em vez de aprender exclusivamente por interação direta com o ambiente real, o agente treina dentro de um modelo de mundo — uma representação neural da física e da dinâmica do entorno. Esse modelo funciona como um simulador interno: o agente executa ações virtuais, observa resultados previstos e aprende a planejar sequências complexas. Quando transferido para a realidade, o robô já possui uma intuição sobre como objetos se movem, como o equilíbrio funciona e como reagir a perturbações inesperadas, como um empurrão ou um obstáculo súbito.
A vantagem prática é dramática: tarefas que exigiriam milhares de horas de tentativa e erro físico podem ser resolvidas com fração desse tempo, pois o grosso do aprendizado ocorre em simulação mental acelerada.
Trajetória: da Alemanha ao Vale do Silício
Hafner cresceu em uma cidadezinha do nordeste da Alemanha, filho de músicos clássicos. A programação veio cedo, ensinada por um vizinho. No ensino médio, cursos online de IA transformaram fascínio em vocação: “Sempre me interessei por como o pensamento funciona”, diz ele. Aos 19 anos, ainda na graduação em engenharia no Hasso Plattner Institute, em Potsdam, conquistou uma vaga de pesquisador estudantil no Google Brain. Seguiram-se uma dúzia de estágios e posições em laboratórios da empresa no Reino Unido, Canadá e Estados Unidos, trabalhando ao lado de nomes como Geoffrey Hinton — considerado um dos padrinhos da IA moderna — e Ashish Vaswani, coautor do artigo seminal “Attention Is All You Need”, que deu origem à arquitetura transformer usada nos grandes modelos de linguagem atuais.
Timothy Lillicrap, ex-gerente e coautor de Hafner no Google, resume o calibre do pesquisador: “Convivo com muitas pessoas extremamente inteligentes em pesquisa no Google, e ele está facilmente no topo do meio por cento superior. Em muitos casos, ele construía sozinho coisas que levariam equipes inteiras de engenheiros para construir.”
Conquistas em jogos e transição para o físico
O histórico de Hafner valida a abordagem. Seu primeiro grande avanço, o PlaNet, demonstrou que agentes podiam planejar ações futuras usando modelos de mundo. O Dreamer 2 atingiu desempenho humano em jogos de Atari 2600. O Dreamer 3 resolveu o desafio do Diamante no Minecraft — minerar gemas de forma autônoma. O Dreamer 4 foi além: aprendeu a minerar diamantes a partir apenas de vídeos de partidas gravadas, sem nunca interagir diretamente com o jogo.
Mais recentemente, o projeto DayDreamer levou o algoritmo Dreamer para robôs físicos, permitindo que operassem em ambientes novos e reagissem a experiências inéditas — como serem derrubados — sem treinamento específico para aqueles cenários.
Nova startup em modo stealth
A empreitada atual importa humanoides da China para servir de corpo aos agentes desenvolvidos por Hafner. Embora evite detalhes sobre cronograma ou aplicações específicas, o fundador sinaliza a escala da ambição: “Eu me interessava em resolver um problema que mudasse o mundo.” A aposta é que a combinação de modelos de mundo robustos com hardware humanoide acessível acelere a chegada de robôs úteis em lares, escritórios e espaços públicos — lugares onde a imprevisibilidade é a regra, não a exceção.
Se a promessa se confirmar, a transição de agentes que jogam videogame para robôs que dobram roupas, lavam louça ou auxiliam idosos deixará de ser ficção científica para se tornar problema de engenharia — e Hafner estará na linha de frente dessa virada.