Hyundai Data Flywheel 2026: como a Atria AI é treinada para Level 2+ e Level 2++

© org.hyundai.com

A Hyundai Motor Group colocou o Data Flywheel em operação plena — o sistema transforma dados da estrada num ciclo contínuo de aprendizagem para a IA automóvel. Cerca de 40 veículos especializados já recolhem, 24 horas por dia, dados sobre situações de trânsito comuns e raras; depois, esses cenários seguem para treino, validação virtual e regressam aos veículos.

O calendário está agora mais preciso. A Hyundai prevê lançar veículos de produção com uma solução baseada na NVIDIA e funções Level 2+ no primeiro semestre de 2028, seguindo-se Level 2++ no segundo semestre. Os veículos com a Atria AI desenvolvida internamente e capacidades Level 2++ estão previstos para o segundo semestre de 2029. Isto torna mais concreta a anterior folha de rota, que apontava sobretudo para 2028 como referência geral. A tecnologia da NVIDIA já fazia parte dos planos da Hyundai para futuros veículos definidos por software.

O principal recurso do projeto é a escala do grupo: Hyundai e Kia vendem mais de 7 milhões de veículos por ano em cerca de 190 países e regiões. O treino recorre a hard example mining, reconstrução 3D de situações reais de estrada e a uma Data Union comum à Hyundai Motor, Kia, 42dot e Motional. Até ao final de 2026, deverá arrancar em Gwangju um piloto real de Level 4 com Atria AI, enquanto a 42dot desenvolve em paralelo um modelo VLA que combina perceção da cena rodoviária, raciocínio linguístico e geração de ações. A tecnologia está atualmente a ser validada em simulação, com testes em veículos reais previstos entre o final de 2026 e o início de 2027.

É importante não sobrevalorizar estas designações. Level 2+ e Level 2++ não são níveis autónomos da norma SAE: a escala formal continua a ir de Level 0 a Level 5 e os sistemas Level 2 exigem supervisão contínua do condutor. Mesmo o protótipo SDV apresentado pela Hyundai com Atria AI e capacidades Level 2++ não é um veículo autónomo. A nova arquitetura destina-se sobretudo a acelerar a recolha de dados, o treino dos modelos e as atualizações de funcionalidades.