Nos últimos anos, a compreensão pública sobre inteligência artificial foi moldada quase inteiramente pelos large language models. Chatbots, geradores de texto, assistentes de código: essas são as faces da IA com as quais a maioria das pessoas teve contato. Uma categoria diferente agora está atraindo atenção séria, financiamento sério e um esforço sério de pesquisa. Ela atende pelo nome de “world models”, e entender o que esse termo realmente significa — e o que ele não significa — é mais útil do que apenas acompanhar os anúncios.
Um Termo Que Significa Várias Coisas ao Mesmo Tempo
A primeira coisa a entender sobre os world models é que o rótulo é contestado. Como Ben Mildenhall, cofundador da World Labs e cocriador da técnica de neural radiance field (NeRF), definiu claramente: pergunte a diferentes empresas o que é um world model, e cada uma dará uma resposta ligeiramente diferente.
Em seu sentido mais geral, um world model é qualquer sistema que recebe uma interação como entrada e simula o que aconteceria a seguir em algum ambiente. A Runway, a empresa de IA para vídeo, o define como um sistema que constrói uma representação interna de um ambiente e usa essa representação para simular eventos futuros. Fei-Fei Li, a pioneira em visão computacional que cofundou a World Labs, propôs três critérios: o sistema gera resultados com consistência perceptiva, geométrica e física; é multimodal por design; e produz estados seguintes com base em ações de entrada.
Vincent Sitzmann, professor assistente no MIT que lidera o Scene Representation Group dentro do CSAIL, oferece uma observação mais pé no chão sobre onde o campo realmente se encontra hoje. A maioria das pessoas que usa o termo “world model”, observa ele, está na verdade falando sobre gerar pixels: produzir vídeos realistas que respondem a ações. Essa é uma capacidade significativa, mas não é o mesmo que simular física ou raciocinar sobre o espaço em um sentido profundo. Vale a pena ter em mente a lacuna entre a linguagem de marketing e a realidade técnica.
Como os World Models Diferem dos LLMs, e Por Que Isso Importa
A distinção entre world models e large language models não é apenas técnica. Ela reflete uma teoria diferente sobre o que a inteligência exige.
Os LLMs operam sobre a linguagem. Eles são, como escreveu Fei-Fei Li, “artífices das palavras no escuro”: capazes de produzir textos eloquentes e conhecedores, mas sem fundamentação no mundo físico. Yann LeCun, ex-cientista-chefe de IA da Meta, argumentou que estender os LLMs em direção à inteligência de nível humano é, em suas palavras, “um absurdo completo”. Clem Delangue, CEO da Hugging Face, uma grande plataforma para hospedagem de modelos de linguagem, sugeriu que a bolha dos LLMs pode estar se aproximando de seus limites, ao mesmo tempo em que destacou que a IA aplicada à biologia, química, imagem, áudio e vídeo ainda está em seus estágios iniciais.
Os world models são projetados para resolver essa lacuna. Enquanto uma interação com LLM é baseada em turnos — um prompt de texto seguido por uma resposta em texto —, Mildenhall descreve um world model como síncrono e em tempo real. O usuário ou agente não se move por uma sequência linear de trocas. Em vez disso, ele interage com algo que se comporta como um ambiente, onde várias coisas acontecem em paralelo e ações contínuas são possíveis. Esse é um modo de engajamento fundamentalmente diferente, mais próximo de navegar por um espaço do que de conduzir uma conversa.
Os alvos práticos dos world models refletem essa diferença. Pesquisadores e empresas nessa área estão focados em treinar e testar robôs, gerar ativos tridimensionais para jogos e produção de filmes, e executar simulações científicas. Esses são domínios onde a linguagem isoladamente é insuficiente e onde a capacidade de modelar relações espaciais e dinâmicas físicas é essencial.
Por Que o Aumento no Financiamento Sinaliza uma Mudança Estrutural
O impulso comercial por trás dos world models é real. A World Labs e a AMI teriam arrecadado, cada uma, cerca de US$ 1 bilhão em fevereiro e março, respectivamente. A Runway arrecadou US$ 315 milhões em fevereiro. Esses aportes não são apostas especulativas em um futuro distante: eles refletem a convicção de que aplicações específicas e de curto prazo estão ao alcance.
É isso o que a maioria das coberturas sobre world models deixa passar. Ao contrário dos large language models, que começaram com uma interface de propósito geral (o chatbot) e depois buscaram casos de uso, os principais esforços em world models estão trabalhando na direção oposta. Eles começam com problemas concretos: treinamento de robôs, geração de ativos, modelagem científica. As interfaces e ferramentas que eventualmente entregarão essas capacidades aos usuários ainda estão sendo desenvolvidas.
O próprio termo “world model” tem uma história mais longa do que sugere a atual onda de anúncios. Ele já aparece em pesquisas de reinforcement learning e robótica há anos, usado para descrever modelos que preveem como os ambientes mudam. O que há de novo é a ambição de dimensionar essa ideia para sistemas gerativos de propósito geral treinados em grandes volumes de dados visuais e multimodais.
Em Resumo
World models não são um substituto para os large language models. Eles são uma abordagem diferente para um problema diferente: como construir sistemas de IA que consigam raciocinar sobre o espaço, simular dinâmicas físicas e interagir com ambientes em tempo real, em vez de por meio de trocas de texto. O termo está genuinamente sobrecarregado, sendo usado para descrever desde a geração de vídeo até a avaliação de políticas para robôs e a criação de ativos em 3D. A convicção subjacente, compartilhada por pesquisadores do MIT, da World Labs e da Runway, é que uma arquitetura de modelo fundacional deve, eventualmente, ser capaz de abordar muitos desses problemas. Se essa convicção se provará correta ainda é uma questão aberta. O que já está claro é que o campo deixou de ser um tópico de pesquisa para se tornar uma prioridade comercial, e as aplicações que estão sendo construídas com base nele estão fundamentadas em necessidades práticas, não em especulações abstratas.
Com base em reportagem de Ars Technica.