A corrida pela direção automatizada está deixando de ser determinada apenas por câmeras, radares e capacidade computacional instalada no automóvel. O Grupo Hyundai Motor aposta agora em outra vantagem: transformar situações encontradas nas ruas em dados capazes de treinar continuamente a inteligência artificial. Seu novo Data Flywheel conecta coleta, treinamento, simulação, validação e retorno ao veículo em um ciclo que pretende acelerar a evolução tecnológica.
O Grupo Hyundai Motor colocou em operação plena seu chamado Data Flywheel, estrutura de desenvolvimento criada para transformar dados obtidos durante a condução em melhorias sucessivas nos sistemas de assistência e direção automatizada.
O princípio é relativamente simples: veículos coletam dados, os sistemas identificam situações relevantes, modelos de inteligência artificial são treinados e validados e, depois de aprovados, retornam aos veículos em versões aprimoradas.
Esses veículos encontram novas situações, produzem novos dados e reiniciam o ciclo de aprendizado.
Por trás desse processo estão Hyundai, Kia e empresas de tecnologia do grupo, como a 42dot, responsável pelo desenvolvimento da Atria AI, além de uma estratégia paralela de colaboração com a NVIDIA.
O plano já possui datas importantes.
Veículos de produção utilizando soluções baseadas na NVIDIA com recursos classificados pela Hyundai como Level 2+ estão previstos para o primeiro semestre de 2028, enquanto sistemas chamados de Level 2++ são planejados para o segundo semestre daquele ano.
Já veículos de produção equipados com a Atria AI própria, também na configuração denominada Level 2++, estão previstos para o segundo semestre de 2029.
Esses cronogramas representam objetivos atuais de desenvolvimento e podem naturalmente ser ajustados até a produção.
Hyundai escolhe dois caminhos ao mesmo tempo
A estratégia chama atenção porque o grupo não pretende esperar que sua inteligência artificial própria esteja completamente madura antes de colocar novas tecnologias no mercado.
A primeira frente utiliza a plataforma de computação e o software de direção da NVIDIA, integrados à arquitetura dos futuros veículos definidos por software da companhia.
A intenção é acelerar a industrialização utilizando uma base tecnológica já desenvolvida, enquanto Hyundai Motor, Kia, 42dot e Motional passam gradualmente a padronizar sensores em torno da plataforma NVIDIA DRIVE Hyperion 10.
Padronização é importante porque inteligência artificial depende fortemente da consistência dos dados.
Se diferentes veículos observam o ambiente utilizando arquiteturas completamente distintas de câmeras, radares e processamento, transformar essas informações em um grande conjunto uniforme de treinamento torna-se mais complexo.
A segunda frente é estratégica no longo prazo: desenvolver a própria inteligência de condução.
A Atria AI é um modelo de direção de ponta a ponta, ou end-to-end, desenvolvido pela 42dot e pela divisão de plataformas avançadas do Grupo Hyundai Motor.
Em vez de depender permanentemente de tecnologia externa para todas as etapas críticas, a empresa pretende construir conhecimento próprio sobre percepção, decisão e controle do veículo.
Portanto, as duas abordagens não são necessariamente concorrentes.
A NVIDIA serve como caminho para acelerar a implantação, enquanto a Atria AI procura criar independência e capacidade tecnológica própria para etapas posteriores.
Data Flywheel transforma estrada em laboratório
O elemento que conecta as duas estratégias é o Data Flywheel.
Tradicionalmente, desenvolver um sistema de assistência exige conduzir veículos, encontrar situações relevantes, analisar os resultados, alterar o software e voltar a testar.
Quando esse processo é automatizado e ampliado para grandes volumes de dados, a velocidade de evolução pode aumentar significativamente.
O Grupo Hyundai Motor opera atualmente cerca de 40 veículos dedicados à coleta de dados durante 24 horas por dia.
Eles procuram registrar não apenas situações normais de trânsito, mas justamente aquelas que apresentam maior dificuldade para a inteligência artificial.
Entre os exemplos estão obras rodoviárias, infraestrutura variável, condições climáticas severas, mudanças abruptas de faixa, manobras emergenciais, veículos estacionados em ruas estreitas e situações urbanas complexas.
É justamente nesses casos menos previsíveis que um sistema automatizado costuma ser mais desafiado.
Uma avenida bem sinalizada, com faixas claras e trânsito organizado, ensina relativamente pouco depois que o sistema já domina aquela situação.
Uma obra que muda repentinamente a trajetória da pista, um veículo parcialmente bloqueando a rua ou uma combinação incomum de pedestres e motocicletas pode ser muito mais valiosa para o treinamento.
IA passa a procurar os próprios erros
A Hyundai chama uma das ferramentas utilizadas nesse processo de Hard Example Mining.
Sua função é encontrar automaticamente situações nas quais o modelo apresentou dificuldade para reconhecer, interpretar ou decidir corretamente.
Isso é importante porque armazenar bilhões de quilômetros de condução normal não significa necessariamente construir a melhor inteligência artificial.
O valor está em selecionar os dados que realmente ensinam algo novo ao sistema.
Um modelo que já reconhece corretamente milhares de semáforos semelhantes não necessariamente precisa receber milhões de exemplos idênticos.
Mas uma sinalização temporária posicionada de maneira incomum durante uma obra pode revelar uma fragilidade que merece prioridade no treinamento.
Por isso, quantidade de dados e qualidade dos dados são questões diferentes.
O Data Flywheel procura trabalhar justamente com essa seleção.
Treinamento passa a ser contínuo
Outra peça é o chamado Pipeline de Treinamento Contínuo.
Dados obtidos nas ruas e nos processos de validação são constantemente incorporados ao desenvolvimento dos modelos.
Quando uma avaliação encontra determinado problema, essa situação pode voltar para a etapa de coleta ou treinamento, produzindo uma nova versão do sistema.
É uma lógica semelhante à melhoria contínua utilizada em serviços digitais, mas com uma diferença fundamental: o software controla um veículo físico que se movimenta entre pessoas, motocicletas e outros automóveis.
Isso torna a validação muito mais crítica.
Uma nova versão não pode simplesmente corrigir um problema e criar outro.
Os engenheiros precisam verificar também se aquilo que o sistema já fazia corretamente continua funcionando.
Simulação recria situações difíceis sem repetir o risco
Para ampliar essa validação, a Hyundai está utilizando reconstrução virtual de situações encontradas no mundo real.
Uma das tecnologias mencionadas é o 3D Gaussian Splatting, técnica capaz de reconstruir ambientes tridimensionais a partir de informações capturadas no mundo físico.
Com isso, uma situação perigosa observada uma única vez na rua pode ser recriada digitalmente e repetida várias vezes.
O engenheiro pode modificar condições, testar diferentes versões da inteligência artificial e observar como o sistema reage sem precisar recriar fisicamente uma situação potencialmente perigosa.
Imagine um veículo surgindo inesperadamente entre carros estacionados.
Reproduzir essa situação repetidamente em via pública seria pouco prático e arriscado.
Em simulação, o cenário pode ser executado centenas ou milhares de vezes, alterando velocidade, iluminação, posição dos veículos e comportamento dos demais agentes.
A simulação, entretanto, não elimina os testes reais.
Ela amplia a quantidade de situações que podem ser reproduzidas e ajuda a filtrar modelos antes de retornarem ao veículo.
Coreia trabalha enquanto Estados Unidos dormem — e vice-versa
O grupo também procura acelerar o desenvolvimento pela própria organização das equipes.
Centros na Coreia do Sul e nos Estados Unidos trabalham em um modelo chamado Follow-the-Sun.
A diferença de fuso horário permite que dados e resultados passem de uma equipe para outra, mantendo atividades de desenvolvimento em andamento praticamente durante 24 horas.
Enquanto uma região encerra sua jornada, a outra pode continuar análise, treinamento ou validação.
Nesse caso, a vantagem não vem de um sensor mais sofisticado, mas de encurtar o tempo entre encontrar um problema e produzir uma solução candidata.
Carro aprende a identificar quais situações precisam ser gravadas
Outra ferramenta é o Special Event Recorder, ou SER.
O sistema registra automaticamente determinados eventos considerados relevantes durante a utilização do veículo.
Essas informações podem posteriormente alimentar o treinamento da inteligência artificial.
A evolução pretendida é tornar o próprio sistema cada vez melhor em identificar quais acontecimentos merecem ser armazenados.
Isso ajuda a resolver outro problema de escala.
Não é economicamente eficiente transmitir e armazenar permanentemente tudo o que milhares ou milhões de carros observam.
O sistema precisa descobrir quais poucos segundos de uma viagem de uma hora são realmente úteis para ensinar alguma coisa nova à IA.
Data Union pretende reunir informações de várias empresas do grupo
A Hyundai também prepara um ecossistema chamado Data Union.
A proposta é estabelecer formatos e arquiteturas comuns para que informações geradas por veículos de diferentes empresas possam ser utilizadas dentro de uma mesma estrutura de desenvolvimento.
Inicialmente, o sistema deverá integrar dados provenientes de Hyundai Motor, Kia, 42dot e Motional.
O objetivo não é simplesmente reunir arquivos brutos.
É criar padrões para que sensores e sistemas diferentes produzam informações utilizáveis de maneira consistente pelo treinamento da inteligência artificial.
Essa padronização é uma das razões pelas quais a arquitetura de sensores se torna tão estratégica.
Level 2++ exige atenção ao significado
A Hyundai demonstrou um veículo experimental SDV equipado com Atria AI circulando em tráfego urbano sem intervenção aparente do motorista durante o trecho apresentado.
A empresa caracteriza essa capacidade como Level 2++.
É importante, porém, interpretar corretamente essa nomenclatura.
A classificação internacional SAE formal de automação utiliza os níveis 0, 1, 2, 3, 4 e 5. Designações como 2+, 2++ ou similares são usadas por fabricantes e desenvolvedores para diferenciar capacidades dentro do universo de assistência avançada, mas não constituem novos níveis oficiais entre o 2 e o 3.
Assim, um sistema denominado Level 2++ não deve ser automaticamente interpretado como veículo autônomo.
Enquanto permanecer no campo correspondente ao nível 2, a responsabilidade pela supervisão continua sendo do motorista, independentemente da sofisticação das funções.
Esse cuidado é particularmente importante quando demonstrações mostram o veículo executando longos trajetos sem intervenção.
Capacidade demonstrada e classificação legal ou operacional são questões diferentes.
Level 4 será testado em vias reais na Coreia
Paralelamente aos sistemas destinados à produção, o Grupo Hyundai Motor também pretende avançar na validação do Level 4.
Um veículo denominado Pace Car SDV, equipado com Atria AI, deverá participar de um projeto-piloto na região de Jeonnam-Gwangju, na Coreia do Sul, até o final de 2026.
Nesse nível, o sistema pode assumir integralmente a tarefa de condução dentro do domínio operacional para o qual foi projetado, sem depender de supervisão humana constante durante aquelas condições.
Isso não significa capacidade para circular sozinho em qualquer estrada, clima ou país.
Level 4 continua podendo possuir limitações geográficas, ambientais ou operacionais.
O objetivo do teste coreano é justamente enfrentar situações que pistas fechadas não reproduzem completamente.
Dados gerados durante a operação deverão retornar ao Data Flywheel e alimentar novas etapas de treinamento.
VLA quer fazer o carro não apenas enxergar, mas interpretar
Outra frente de pesquisa da 42dot é a tecnologia VLA — Vision-Language-Action, ou Visão-Linguagem-Ação.
A ideia é combinar três elementos: percepção visual, interpretação baseada em linguagem e execução de uma ação.
Modelos tradicionais de direção de ponta a ponta podem receber imagens e outros sinais como entrada e produzir comandos de direção, aceleração ou frenagem como saída.
O VLA procura inserir uma camada mais explícita de compreensão e raciocínio sobre a situação.
Por exemplo, o sistema poderia interpretar que determinado veículo está parcialmente bloqueando uma faixa, que existe espaço seguro para contorná-lo e que deverá reduzir a velocidade antes de executar a manobra.
A 42dot chegou a demonstrar um modelo gerando em linguagem natural uma descrição da ação adotada e de sua justificativa.
Essa capacidade é vista como parte do caminho para a chamada IA física, na qual modelos de inteligência artificial deixam de operar apenas sobre informações digitais e passam a tomar decisões que produzem movimentos no mundo real.
Linguagem pode ajudar justamente nos casos raros
A expectativa da 42dot é que modelos VLA consigam utilizar conhecimento pré-treinado mais amplo para lidar com situações pouco representadas nos dados de direção.
Esse pode ser um ponto importante.
Alguns eventos são tão raros que seria impraticável esperar que um veículo os encontre milhões de vezes antes de aprender uma resposta adequada.
Modelos capazes de associar percepção visual a conceitos e relações previamente aprendidas podem teoricamente ampliar a capacidade de interpretar essas situações.
Mas a tecnologia ainda está em desenvolvimento.
Segundo o planejamento apresentado, o VLA encontra-se atualmente em validação por simulação, com testes completos em veículos reais previstos entre o final de 2026 e o início de 2027.
Portanto, trata-se de uma frente de pesquisa e desenvolvimento, não de um recurso disponível hoje nos veículos de produção da Hyundai ou da Kia.
Mecânica Online® com Tarcisio Dias – O Data Flywheel mostra que a vantagem competitiva na direção automatizada pode deixar de estar concentrada exclusivamente em quem possui o sensor mais sofisticado ou o computador mais potente. A velocidade com que uma empresa transforma um erro encontrado na rua em um modelo melhor pode ser igualmente decisiva.
Existe uma diferença importante entre acumular dados e aprender com eles. Milhões de quilômetros de condução repetitiva podem acrescentar pouco depois de determinado cenário estar dominado. Encontrar automaticamente aquele único caso em que a IA ficou confusa pode valer muito mais. É justamente por isso que tecnologias como Hard Example Mining e Special Event Recorder são estratégicas.
A combinação com simulação também merece atenção. Se um evento raro puder ser capturado uma vez e reconstruído digitalmente, ele pode gerar centenas de variações para treinamento. Mas simulação não substitui completamente o mundo físico: ela precisa permanecer conectada à validação real, exatamente como propõe o ciclo da Hyundai.
Outro ponto fundamental é não confundir sofisticação com autonomia plena. A nomenclatura Level 2++ pode indicar um sistema muito mais capaz que uma assistência convencional, mas não cria um novo nível oficial de automação entre SAE 2 e SAE 3. Se a classificação funcional permanece no nível 2, o motorista continua responsável pela supervisão.
O VLA talvez seja a parte tecnologicamente mais intrigante do projeto. Fazer um automóvel identificar objetos já é complexo; fazer com que ele relacione contexto, conhecimento e ação amplia muito o desafio. E, em um sistema automotivo, explicar uma decisão não basta: ela precisa ser correta, repetível e segura dentro do tempo disponível para agir.
Também será importante observar como essa enorme quantidade de dados será tratada ao chegar aos veículos de produção. Coleta em escala, privacidade, cibersegurança, atualização de software e validação passam a fazer parte da engenharia da direção automatizada tanto quanto câmeras e radares.
No fim, o verdadeiro produto da Hyundai pode não ser apenas uma futura função autônoma. É uma fábrica contínua de aprendizado, criada para fazer cada problema encontrado no mundo real contribuir para uma geração seguinte de software.
Siga @tarcisiomecanicaonline para acompanhar conteúdos sobre inteligência artificial, veículos definidos por software, ADAS e as tecnologias que estão mudando a relação entre automóvel, motorista e computador.
Retrovisor Mecânica Online® – Entenda o que está por trás da notícia
- Data Flywheel já opera plenamente – Dados obtidos nas ruas alimentam treinamento, validação e novas versões da inteligência artificial em um ciclo contínuo.
- NVIDIA chega primeiro – A Hyundai planeja sistemas Level 2+ baseados na plataforma parceira no primeiro semestre de 2028 e Level 2++ no segundo semestre.
- Atria AI vem depois – A inteligência proprietária desenvolvida com a 42dot está prevista para veículos Level 2++ de produção no segundo semestre de 2029.
- Cerca de 40 carros coletam dados – A frota dedicada trabalha continuamente buscando situações normais e casos extremos para treinamento.
- Level 4 será validado nas ruas – Um projeto-piloto com Atria AI está previsto na Coreia do Sul até o final de 2026.
- VLA ainda está em desenvolvimento – A tecnologia Visão-Linguagem-Ação está em simulação, com testes reais planejados entre o fim de 2026 e o início de 2027.
Mecânica Online® – Mecânica do jeito que você entende
Data Flywheel – Ciclo em que dados coletados pelos veículos treinam a IA, o modelo é validado e retorna aprimorado aos veículos, que passam a produzir novos dados.
Hard Example Mining – Processo que procura automaticamente situações nas quais a inteligência artificial apresentou maior dificuldade, priorizando esses casos no treinamento.
End-to-End (E2E) – Abordagem na qual um modelo de IA aprende a relacionar diretamente informações recebidas pelos sensores às decisões e ações de condução, reduzindo a separação tradicional entre várias etapas independentes.
VLA – Sigla para Vision-Language-Action. Combina percepção visual, interpretação baseada em linguagem e geração de ações, com o objetivo de melhorar a compreensão de situações complexas.
Siga Google Discover – Mecânica Online®