—‘.” It didn’t say to drop any fields. So we should keep all original fields, but adapt values accordingly: slug localized, transid as given, title localized? The title should be translated to Portuguese, reflecting the content. Date remains same? Probably keep same date. Categories: exactly “Investimento”. Tags: as we determined. Description: localized 100-125 chars. Keywords: should be translated? The original keywords: [灵巧手,人形机器人,具身智能,Sharpa,禾赛科技,产业投资]. We need to translate each to Portuguese short tags? The instruction for keywords not specified, but likely we should also translate to Portuguese. However the rule about TAGS says translate each tag into “pt” as SHORT single tags (3-6 items). That refers to the tags field. Keywords maybe also need translation? Not explicitly, but to be safe we can translate keywords similarly. However the instruction says “TAGS: translate each tag into “pt” as SHORT single tags (3-6 items). One tag = one concept. NEVER stuff multiple concepts into one tag. Platform/tool names (GPT, Claude, Shopify, Midjourney, n8n) stay in English.” That’s for TAGS field only. Keywords not mentioned, but we can keep them as is? Might be okay to translate as well for consistency. However the original keywords include company names Sharpa and 禾赛科技 (Hesai Technology). Those should stay as is? Probably keep company names unchanged. We’ll translate the concepts: 灵巧手 -> mão-destreza, 人形机器人 -> robô-humanoide, 具身智能 -> inteligência-embutida, 产业投资 -> investimento-industrial. Keep Sharpa and 禾赛科技 as is. So keywords: [mão-destreza, robô-humanoide, inteligência-embutida, Sharpa, 禾赛科技, investimento-industrial].

Now we need to ensure the YAML is valid. Use quotes if needed for strings with special characters. We’ll put title in quotes.

Now we need to adapt the content: translate the whole post into Portuguese, keeping tech names in English, platform localization as needed (none), currency conversion, anti-AI flavor (avoid certain phrases). Also need to keep the style punchy with concrete numbers.

We need to translate the Chinese markdown into Portuguese, preserving headings, etc.

Let’s produce the Portuguese version.

We’ll need to adapt some phrases: “上海吴江路的DQ门店里，一台机器人正在做一件看起来”很蠢”的事。” -> “Na loja DQ da Rua Wujiang, em Xangai, um robô está fazendo algo que parece ‘bobo’.”

We need to keep the tone entrepreneurial.

We’ll need to convert numbers: 55 steps, 2-3 minutes, 6 minutes, etc. Keep as is.

Currency: ¥45亿人民币 -> “cerca de 3,5 bilhões de reais (cerca de 630 milhões de dólares ou 585 milhões de euros)”. ¥220亿估值 -> “cerca de 17,2 bilhões de reais (cerca de 3,1 bilhões de dólares ou 2,9 bilhões de euros)”. We’ll embed these.

Now we need to avoid banned phrases: “In conclusion”, “Furthermore”, “It is worth noting”, “In today’s fast-paced world”, “delve into”, “a game changer”, “testament to”, “Not only…but also”. We’ll avoid those.

We’ll write in Portuguese, avoiding direct translations of those banned English phrases; but we should also avoid Portuguese equivalents? The ban list is English phrases; we just need to not include those exact English phrases. So fine.

Now produce final answer.

Let’s craft the Portuguese markdown.

We’ll start with frontmatter:

slug: robo-humanoide-mao-destreza-sorvete
transid: humanoid-robot-dexterous-hand-ice-cream-business
title: “Robô humanoide da Sharpa faz sorvete em 55 passos na DQ; aporte de US$ 3,1 bi impulsiona dados de mão robótica”
date: 2026-04-18 09:30:00
categories: [Investimento]
tags: [mão-destreza, robô-humanoide, inteligência-embutida, investimento-industrial, hard-tech]
description: Robô humanoide da Sharpa produz sorvete em 55 passos na DQ; aporte de US$ 3,1 bi impulsiona dados de mão robótica.
keywords: [mão-destreza, robô-humanoide, inteligência-embutida, Sharpa, 禾赛科技, investimento-industrial]
top: false
recommend: true

Now the body.

We need to translate all sections.

Let’s write:

Robô humanoide da Sharpa faz sorvete em 55 passos na DQ; aporte de US$ 3,1 bi impulsiona dados de mão robótica

Na loja DQ da Rua Wujiang, em Xangai, um robô está fazendo algo que parece “bobo”.

Ele tira a casquilho do copo da esterilizadora, puxa um copo de papel, posiciona sob a máquina de sorvete, espalha pedaços de Oreo, mexe, limpa a borda e finalmente vira o copo de cabeça para baixo — confirmando o padrão da DQ de “copo virado não vaza”. Todo o processo tem 55 etapas, executado de forma autônoma, enquanto o funcionário ao lado nem levanta um dedo.

Um funcionário leva de dois a três minutos para fazer um copo. Esse robô leva seis minutos.

É mais lento, mas ninguém o pressiona.

Porque a DQ e a empresa por trás do robô, a Sharpa, não se importam com eficiência. O que importa é outra coisa: dados.

Mais adiante vou mostrar três maneiras de pessoas comuns entrarem nesse negócio.

Isso não é um golpe de baixa categoria, é treinamento de nível superior

A maioria das pessoas que vê essa notícia pensa: uma empresa com avaliação de cem bilhões vai trabalhar em uma sorveteria? Está desperdiçando potencial?

Quem pensa assim não entende a lógica de competição da inteligência corporal.

Normalmente, os “robôs” que você vê em restaurantes são apenas bandeja com rodas que entregam pratos ou limpam mesas. Eles são basicamente carrinhos de serviço, fazendo tarefas de baixo grau de liberdade. Esse tipo de robô não precisa de “mãos”, apenas de locomoção, evasão de obstáculos e posicionamento preciso. O nível técnico tende a zero e a barreira de entrada é inexistente.

A Sharpa fez o oposto. Ela se enfiou na cozinha, usando os mesmos utensílios, os mesmos ingredientes e os padrões globais, e executou todo o fluxo do início ao fim.

O fundador da Sharpa, Li Yifan, disse algo duro: se um robô humanoide com dezenas de graus de liberdade, visão e controle de força acabar fazendo apenas o que um braço mecânico simples já faz — servir um café — , o custo nunca vai fechar.

O ponto central é: o robô não pode exigir que o ambiente se adapte a ele, nem deixar a última etapa para o humano consertar. Isso não cria produtividade; dá ao robô um trabalho de bico.

É por isso que o cenário da DQ é difícil: os 55 passos estão interligados. O copo de papel pode amassar, o sorvete muda de consistência com a temperatura, as três adições de ingredientes parecem idênticas na câmera e um pequeno erro estraga tudo.

E é exatamente isso que a Sharpa quer.

O verdadeiro muro não são os chips, é o banco de dados de “quedas”

Qual é a maior barreira da inteligência corporal?

Não é aprender trajetórias assistindo a vídeos. Mesmo que você mostre ao GPT cem vídeos de alguém fazendo sorvete, ele não vai saber com que força segurar o copo. Os vídeos carecem de tato, de força e da lógica de correção após um erro.

Quando você vê uma pessoa fazer algo uma vez, sabe até onde o braço sobe, mas não sabe com que força apertar o copo sem amassá‑lo, não sabe se o derrame foi causado pelo posicionamento errado do dispenser ou pela velocidade da mistura, nem sabe como mudar o ângulo da raspagem em dois graus afeta o resultado.

Essas informações só são coletadas quando o robô opera no mundo real, erra, se ajusta e tenta novamente. Esses dados de falha alimentam o modelo, de modo que na próxima tentativa ele evite os mesmos erros.

A Sharpa treinou esse fluxo de DQ por menos de cinco meses; a taxa de sucesso no laboratório já é alta. Mas esse número não conta. Os imprevistos da loja real — movimento intenso nos horários de pico, variações de temperatura da máquina, lotes diferentes de ingredientes — são o verdadeiro teste.

Hoje, os movimentos de agarrar, retirar, mist