Quatro de seis robôs humanoides passam num teste de 24 horas numa loja de conveniência em Xangai

Seis robôs, quatro aprovados e 1.730 tarefas concluídas

Seis robôs humanoides Agibot Genie G2 concluíram 1.730 tarefas durante um teste de 24 horas numa loja de conveniência em funcionamento, no distrito de Xuhui, em Xangai, mas apenas quatro passaram nas avaliações de trabalho. Os dois que não conseguiram tiveram dificuldades na inspeção das prateleiras e nas tarefas de limpeza, incluindo um robô de limpeza que abandonou o percurso que lhe fora atribuído e saiu da loja durante o turno da noite.

O desafio começou às 10h00 de 2 de novembro de 2026 e terminou no dia 3 de novembro. Organizado pela Agibot, formalmente Zhiyuan Innovation (Shanghai) Technology Co., Ltd., o evento transmitido em direto atraiu mais de 2 milhões de espectadores em várias plataformas online. Os robôs trabalharam durante a procura da hora de almoço, o movimento de clientes ao serão, o turno da noite e o serviço de pequeno-almoço na manhã seguinte.

Por detrás do espectáculo, o teste procurou responder a uma questão prática: conseguiriam os robôs manter em funcionamento as tarefas interligadas de uma loja à medida que os clientes, os pedidos e os obstáculos mudavam à sua volta? Preparar café com sucesso era apenas uma parte da avaliação. Também contavam a rapidez de resposta, a permanência no posto atribuído e a capacidade de recuperar quando algo corria mal.

Ren Guanghui, vice-presidente do centro de investigação de inteligência incorporada da Agibot, reconheceu que as máquinas ainda ficam aquém dos trabalhadores experientes das lojas na adaptação à mudança, na execução rápida de movimentos delicados e na resolução de problemas inesperados. As próximas melhorias dependerão da transformação dos registos de tarefas bem e mal-sucedidas em melhores regras de operação e capacidades de movimento.

O que os robôs conseguiram concluir

As seis máquinas dividiram entre si as tarefas da loja: acolhimento, manuseamento de produtos, preparação de café, serviço de comida quente, inspeção de prateleiras e limpeza de mesas. O total de tarefas abrangeu actividades com níveis de dificuldade e durações muito diferentes.

• 683 interacções de acolhimento ou recepção de clientes.
• 369 tarefas de recolha e entrega de produtos.
• 147 preparações de café.
• 126 tarefas de serviço de comida, descritas como serviço de pequeno-almoço no balanço final e serviço de comida quente nos resultados da avaliação.
• 277 tarefas de inspecção e reposição de prateleiras.
• 128 tarefas de limpeza de mesas.

O acolhimento de clientes representou cerca de 39,5% das 1.730 tarefas registadas. O acolhimento e o manuseamento de produtos, em conjunto, corresponderam a 1.052 tarefas, ou cerca de 60,8%. Estes números mostram que grande parte da actividade registada consistiu em responder às pessoas e movimentar produtos, além das tarefas mais impressionantes de preparar bebidas e servir comida.

No conjunto, os seis robôs concluíram, em média, cerca de 72 tarefas por hora. No entanto, cada categoria exigia um tipo de trabalho diferente: cumprimentar um cliente e preparar um café envolviam sequências, equipamento e tempos distintos. A avaliação também teve em conta o tempo em serviço, a opinião dos clientes, o sucesso das tarefas, a rapidez de resposta e a recuperação perante problemas.

Porque passaram quatro robôs e dois não

Ahao, o robô de acolhimento, obteve a melhor pontuação de atendimento ao cliente, depois de tomar a iniciativa de ajudar os clientes. Huobao, responsável pela recolha e pelo manuseamento de produtos, respondeu rapidamente aos pedidos e continuou a trabalhar perante aumentos da procura e cancelamentos.

Kashao, o robô de café, passou graças a um processo de preparação estável, e os seus Americanos quentes receberam opiniões favoráveis. Dingjiang, responsável pela comida quente e também encarregado de tarefas de caixa, cumpriu os critérios exigidos, trabalhando de forma consistente.

Juanwang, o robô de inspecção e reposição de prateleiras, não conseguiu acompanhar o ritmo de funcionamento da loja. A sua actividade de inspecção e reposição foi considerada pouco proactiva. Lengjie, o robô de limpeza, abandonou o percurso definido durante o turno da noite e saiu para o exterior, o que levou à necessidade de rever as suas regras de funcionamento.

Quatro aprovações em seis correspondem a uma taxa de aprovação de cerca de 66,7% entre as máquinas participantes. A Agibot não divulgou um limiar numérico de aprovação, uma grelha de avaliação completa ou o número total de intervenções humanas. Por isso, os resultados apresentados dão uma imagem mais detalhada do desempenho de cada função do que da fiabilidade global do sistema: o robô de acolhimento teve um bom desempenho no atendimento ao cliente, enquanto o robô de limpeza precisava de um controlo mais rigoroso da área em que trabalhava.

Um dia inteiro trouxe diferentes tipos de pressão

O horário de 24 horas expôs os robôs a exigências variáveis no mesmo espaço reduzido. As horas de almoço e de pequeno-almoço exigiram rapidez no serviço. O movimento ao serão trouxe outro fluxo de clientes, enquanto o período nocturno pôs à prova a capacidade das máquinas para manterem as tarefas atribuídas quando a loja estava mais calma.

O teste decorreu pela seguinte ordem:

• 2 de novembro de 2026, às 10h00: seis robôs Genie G2 começaram a trabalhar na loja de conveniência de Xuhui.
• 2 de novembro, durante a hora de almoço e ao serão: a avaliação acompanhou períodos de maior movimento, incluindo pedidos, manuseamento de produtos e preparação de comida.
• Durante a noite de 2 para 3 de novembro: os robôs continuaram a trabalhar no turno nocturno, durante o qual o robô de limpeza abandonou o percurso.
• 3 de novembro, período do pequeno-almoço e conclusão: o último período de serviço completou a avaliação de 24 horas, após a qual quatro robôs foram aprovados.

As máquinas foram avaliadas ao longo de quatro períodos de serviço, e não apenas numa acção cronometrada. Um atraso na entrega de produtos podia afectar outro pedido; um robô a ocupar o espaço junto a uma prateleira podia impedir um colega de lhe aceder. Manter o trabalho em curso exigia coordenação, além de destreza individual.

Os clientes e os obstáculos também fizeram parte do teste

Dois participantes convidados, Xiaoyang biubiu e Xiaoxiao Nathan, propuseram desafios semelhantes aos problemas que um trabalhador de loja poderia enfrentar. Pediram aos robôs que distinguissem cola normal de cola sem açúcar, mudaram as pastilhas elásticas de lugar numa prateleira e bloquearam percursos com uma pessoa e uma caixa.

A tarefa da cola exigia que o sistema associasse um pedido oral à identificação visual do produto certo. O exercício das pastilhas testou a capacidade de uma máquina para inspeccionar o conteúdo real da prateleira e devolver os artigos aos lugares correctos. Os obstáculos puseram à prova a capacidade de parar e encontrar outro percurso em torno de pessoas ou objectos.

Durante o teste, os robôs recorreram à inspecção visual para identificar produtos mal colocados e devolvê-los ao local correcto. A falta de produtos nas prateleiras podia desencadear uma reposição sem que uma pessoa tivesse de dar uma nova instrução. As demonstrações de limpeza também incluíram a distinção entre um padrão na superfície e um derrame ou uma nódoa.

Estas tarefas combinaram percepção e movimento. Primeiro, o robô tinha de reconhecer um produto, um obstáculo ou uma zona suja; depois, escolher uma acção e executá-la. Uma identificação errada podia levar à entrega do produto errado, a uma limpeza desnecessária ou ao bloqueio do percurso de outra máquina.

Porque pode ser difícil manusear um saco de doces

Ren descreveu a loja de conveniência como um ambiente exigente, por combinar produtos variados, manuseamento delicado, clientes que circulam entre as máquinas e vários robôs a partilhar um espaço limitado. Ao contrário de uma estação fixa de recolha, uma loja pode mudar sempre que um cliente desloca um artigo ou entra num corredor.

Um saco de Skittles pendurado num gancho ilustra essa dificuldade. O robô tem de identificar o produto, escolher onde o agarrar e aplicar força suficiente para o retirar sem deixar a abertura presa no gancho. A posição e a forma de agarrar são igualmente importantes.

Um pedaço de bolo macio coloca um problema diferente. Se aplicar pouca pressão, pode deixá-lo cair; se aplicar demasiada, pode esmagá-lo. Embalagens e alimentos que dobram ou mudam de forma são mais difíceis de manusear de forma consistente do que objectos rígidos com contornos previsíveis.

Ren afirmou que as tarefas eram relativamente mais fáceis quando as áreas de trabalho estavam bem delimitadas, os objectos eram normalizados e os resultados fáceis de verificar. Os objectos flexíveis, os contactos complexos entre superfícies e as sequências longas de movimentos continuavam a ser desafios técnicos. Para a loja, isto significa que um robô pode executar com consistência uma tarefa organizada, mas ainda precisar de mais trabalho antes de conseguir lidar com um conjunto variável de produtos ao mesmo ritmo de um trabalhador experiente.

O software que liga seis tarefas distintas

A Agibot equipou os seis robôs com vários sistemas interligados. O GO-3Preview, o seu modelo fundamental de inteligência incorporada, fornecia capacidades para executar diferentes tarefas físicas. A inteligência incorporada consiste em IA que opera através de uma máquina física, observa o que a rodeia e actua nesse ambiente.

O GenieEvolver, sistema da empresa para formação adicional, combinava aprendizagem em robôs reais com simulação e modelos do mundo. Um modelo do mundo é uma representação informática utilizada para prever como os objectos e o ambiente poderão reagir a uma acção. Estes métodos de treino destinavam-se a melhorar a execução dos movimentos.

O GenieMaster organizava a distribuição das tarefas entre os robôs e devolvia os resultados da execução ao processo de aprendizagem. O seu Embodied Execution Protocol, ou EEP, ligava decisões, acções físicas e informação sobre o que tinha acontecido.

Na loja, o software de coordenação tinha de saber que robô podia executar cada tarefa e em que condições. O sistema de movimento tinha depois de realizar a acção com base nas observações do momento. O feedback permitia ao sistema de coordenação decidir o passo seguinte, incluindo quando uma acção precisava de ser corrigida.

A partilha do espaço tornava essa coordenação necessária. Se um robô de reposição ocupasse um local necessário para um pedido, o sistema tinha de gerir o acesso ou ajustar a sequência de tarefas. A Agibot identificou os conflitos entre as posições dos robôs e os atrasos na actualização do estado dos pedidos como exemplos de problemas que poderiam ser resolvidos com melhores regras de distribuição de tarefas.

Aprender com os erros exige dois ritmos diferentes

A Agibot chama PhysicalRSI ao processo de utilização de registos de tarefas bem e mal-sucedidas: significa «auto-aperfeiçoamento recursivo no mundo físico». A ideia consiste em analisar o que aconteceu durante tarefas reais, fazer alterações e recorrer ao desempenho posterior para orientar novas melhorias.

Segundo a descrição, o GenieMaster recolhia sequências de tarefas bem e mal-sucedidas, guardava experiências úteis na memória de longo prazo e transformava os ajustes eficazes em dados de treino. Reutilizar uma regra de funcionamento guardada e treinar uma nova capacidade de movimento são processos que exigem diferentes quantidades de trabalho.

Ren afirmou que as lições sobre procedimentos e distribuição de tarefas podiam ser analisadas no próprio dia e aplicadas no dia seguinte. As actualizações das políticas de movimento exigiam recolha de dados, controlo de qualidade, treino e validação. Uma política de movimento é o sistema que escolhe acções físicas com base naquilo que o robô observa.

Segundo Ren, esperava-se que os dados úteis da transmissão em directo fossem incorporados em actualizações posteriores das políticas de movimento no prazo de uma a duas semanas. O teste tinha, assim, dois períodos práticos de acompanhamento: alterações rápidas às regras de trabalho, seguidas de alterações mais lentas aos modelos que controlam os movimentos.

A saída do robô de limpeza do percurso e a resposta lenta do robô de reposição apontaram também para tipos de trabalho distintos. O primeiro caso exigia atenção para permanecer dentro da área de trabalho atribuída; o segundo, melhor capacidade de antecipação e iniciativa na manutenção das prateleiras. A Agibot não indicou uma data para uma nova avaliação pública das duas máquinas.

O que tornaria este trabalho comercialmente útil?

A Agibot apresentou o teste na loja como a primeira aplicação das suas capacidades integradas de IA incorporada, recentemente lançadas, a operações empresariais específicas. A empresa tinha iniciado a série de apresentações tecnológicas AI WAVE em 22 de outubro, abrangendo dados, simulação, modelos, hardware de robôs e sistemas operativos, antes de levar esses elementos para a loja.

A aposta comercial surgiu num contexto de receitas reportadas próximas dos 2 mil milhões de yuans no primeiro semestre de 2026 e de uma produção acumulada de 20.000 robôs de IA de uso geral. A avaliação na loja de conveniência centrou-se naquilo que estas máquinas conseguiam fazer durante o serviço quotidiano.

Yao Maoqing, co-fundador da Agibot, co-presidente e presidente da sua divisão de negócios de inteligência incorporada, afirmou que o trabalho produtivo dos robôs tinha de cumprir critérios de engenharia mensuráveis, repetíveis e sustentáveis. Entre os indicadores que identificou estavam a taxa de sucesso, o tempo necessário para concluir uma tarefa e o tempo médio entre falhas, habitualmente designado por MTBF.

O MTBF descreve o tempo médio de funcionamento entre falhas. Para o gerente de uma loja, responde a uma questão prática: durante quanto tempo consegue uma máquina trabalhar antes de um problema interromper o serviço? O tempo de execução das tarefas é importante pelo mesmo motivo. Os clientes à espera do pequeno-almoço precisam de receber a comida rapidamente, mesmo que o robô consiga acabar por prepará-la correctamente.

A equipa da Agibot identificou quatro resultados que pretendia acompanhar: mais trabalho a cumprir os critérios exigidos, com menos tempo perdido em novas tentativas ou na intervenção de trabalhadores; menos recolha de dados e ajustes quando mudassem os produtos, a disposição ou as lojas; melhorias confirmadas em avaliações independentes, sem perder capacidades já adquiridas; e custos operacionais mais baixos à medida que a experiência se acumulasse em diferentes turnos e fluxos de clientes.

O teste de Xangai forneceu exemplos tanto de serviço útil como de trabalho ainda por concluir. Quatro robôs cumpriram os critérios das funções que lhes foram atribuídas, enquanto dois revelaram fragilidades na manutenção da atenção à função e no controlo dos movimentos. A próxima tarefa técnica da empresa consiste em aplicar essas lições a períodos de funcionamento mais longos e a lojas em constante mudança, recorrendo aos indicadores de desempenho que definiu.

Pontos principais

• Seis robôs Agibot Genie G2 concluíram um teste de 24 horas numa loja de conveniência no distrito de Xuhui, em Xangai, a 3 de novembro de 2026.
• Os robôs registaram 1.730 tarefas concluídas, incluindo 683 interacções com clientes, 369 tarefas de manuseamento de produtos e 147 preparações de café.
• Quatro robôs passaram. O robô de inspecção de prateleiras não conseguiu acompanhar o ritmo da loja e o robô de limpeza abandonou o percurso atribuído durante o turno da noite.
• Os testes incluíram a distinção entre variedades de cola, a reposição de uma prateleira desarrumada e a circulação em torno de pessoas e caixas.
• A Agibot afirmou que as alterações ao fluxo de trabalho podiam ser aplicadas no dia seguinte, enquanto as actualizações dos modelos de movimento com base nos dados do teste deveriam demorar uma a duas semanas.
• Entre os objectivos comerciais declarados pela empresa estão o aumento das taxas de sucesso, menos interrupções, uma implementação mais simples em novas lojas e a redução dos custos operacionais.