A maioria das notícias sobre inteligência artificial foca-se em chatbots e geradores de texto. Os modelos mundiais são algo fundamentalmente diferente, e estão silenciosamente a tornar-se a camada de infraestrutura que vai alimentar a robótica, os veículos autónomos e, possivelmente, muito mais. Compreender o que são, e como já estão a ser construídos, importa para qualquer pessoa que tente perceber para onde a IA está realmente a caminhar.
De prever palavras a prever a realidade
Para compreender os modelos mundiais, ajuda começar pelo que a maioria das pessoas já conhece: os modelos de linguagem de grande escala. Um modelo de linguagem pega numa frase e prevê a palavra seguinte. A lógica é sequencial, baseada em texto e treinada em produção humana escrita.
Os modelos mundiais operam num eixo totalmente diferente. Como explica Oliver Cameron, CEO do laboratório de IA Odyssey, dás ao sistema um estado visual do mundo, uma imagem, e ele prevê o estado visual seguinte do mundo. A saída não é texto. É um ambiente simulado, que tem de ter em conta a física, a causa e o efeito, e a forma como os objetos e as pessoas respondem às ações tomadas dentro dele.
Este é um problema mais difícil do que a previsão de linguagem. Uma palavra segue regras gramaticais e semânticas que são, pelo menos parcialmente, consistentes. O mundo físico é mais caótico. Os objetos caem, as superfícies têm fricção, as pessoas reagem de forma imprevisível. Um modelo mundial que não consiga lidar com estas dinâmicas não é útil para treinar nada que precise de operar na realidade.
O campo de treino que ainda não existe
Eis o que torna os modelos mundiais práticos e significativos: permitem que as máquinas pratiquem em ambientes que ainda não foram construídos, e que ensaiem cenários que seriam perigosos ou impraticáveis de encenar no mundo real.
Brian McClendon, diretor de tecnologia da Niantic Spatial, descreve um fluxo de trabalho onde alguém fotografa o espaço onde um robô se destina a operar, gera um modelo 3D a partir dessas imagens e depois corre milhões de simulações para treinar o robô nos parâmetros específicos desse ambiente. O robô aprende sem se mover fisicamente. Falha, ajusta-se e melhora dentro de uma réplica digital antes de alguma vez tocar numa superfície real.
A Wayve, uma startup que constrói modelos mundiais concebidos para veículos autónomos, utiliza uma lógica semelhante. O seu modelo mundial gerativo é alimentado em parte por imagens de câmaras de tablier, que utiliza para recriar estradas perigosas e condições inseguras que não seria prático testar na vida real. Jamie Shotton, o cientista-chefe da Wayve, enquadra o requisito central de forma clara: um modelo mundial deve ser capaz de reagir às ações tomadas dentro dele, o que significa que tem de compreender a física, a causa e o efeito, e a forma como outros agentes mudam o seu comportamento em resposta.
A própria Niantic é um caso revelador. A empresa construiu o Pokémon Go, um jogo que teve centenas de milhões de jogadores a digitalizar os seus ambientes físicos através dos telemóveis. Essas digitalizações ambientais, recolhidas ao longo de anos de jogabilidade, representam um tesouro substancial de dados espaciais do mundo real. Desde então, a Niantic vendeu o jogo e virou-se para os modelos mundiais, com McClendon a afirmar diretamente que o foco da empresa é reconstruir o mundo real. Os dados recolhidos através de um jogo de consumo estão agora a ser reaproveitados como material de treino para sistemas de IA concebidos para navegar no espaço físico.
O mercado de trabalho de que ninguém fala
O lado do investimento nos modelos mundiais já é substancial. Yann LeCun, o antigo cientista-chefe de IA da Meta, angariou mais de mil milhões de dólares para financiar a sua startup Advanced Machines Intelligence. Fei-Fei Li, uma cientista informática de Stanford, lançou uma startup em 2024 chamada World Labs, que a AMD adquiriu por mais de 8 mil milhões de dólares. Empresas como a Google e a Tencent estão a desenvolver as suas próprias capacidades de modelos mundiais. O capital que flui para este espaço sinaliza que os principais intervenientes encaram os modelos mundiais não como uma área de investigação de nicho, mas como uma tecnologia fundamental.
O que recebe menos atenção é a estrutura de trabalho que está a ser construída para alimentar estes sistemas. Os modelos mundiais precisam de dados sobre o mundo físico, e esses dados não se geram sozinhos. Exigem que as pessoas gravem ambientes comuns: cozinhas, salas de estar, mãos a executar tarefas rotineiras. Isto já está a produzir uma nova categoria de trabalho temporário, onde os indivíduos gravam horas de vídeo nas suas próprias casas e vendem essas imagens através de aplicações, muitas vezes por uma compensação modesta. À medida que mais empresas competem para construir melhores modelos mundiais, a procura por este tipo de recolha de dados vai provavelmente crescer.
Vale a pena refletir sobre isto. As pessoas que fazem este trabalho não são investigadores de IA nem engenheiros. Estão a contribuir com a matéria-prima que torna os sistemas de IA físicos possíveis, muitas vezes sem uma compreensão clara de como esse material será utilizado ou do que acabará por treinar.
Em suma
Os modelos mundiais são sistemas de IA que simulam a realidade física em vez de gerarem texto. Permitem que robôs e veículos autónomos treinem em ambientes digitais antes de operarem em ambientes reais. A tecnologia está a atrair um investimento significativo, com grandes aquisições e rondas de financiamento já registadas. Nos bastidores, está também a criar novas formas de trabalho de dados, onde pessoas comuns gravam os seus ambientes físicos para alimentar sistemas com os quais provavelmente nunca irão interagir diretamente. O fosso entre quem constrói estes sistemas e quem os abastece é uma das tensões definidoras do desenvolvimento inicial desta tecnologia.
Com base em reportagem de Wired.