Além de vídeos, mundos digitais: por que os videojogos e a robótica são os verdadeiros campos de prova para a AGI

Quando Yann LeCun anunciou sua saída da Meta para lançar o AMI Labs com 500 milhões de euros em financiamento, ele articulou o que muitos pesquisadores acreditavam silenciosamente há anos. Os grandes modelos de linguagem, apesar de todas as suas capacidades impressionantes, representam um beco sem saída no caminho para a inteligência geral artificial. Eles predizem tokens sem compreender a realidade.

A alternativa? Modelos de mundo. Sistemas que aprendem a simular como o mundo físico funciona.

A limitação fundamental dos modelos de linguagem

Os modelos de linguagem são excelentes em correspondência de padrões em texto. Eles podem escrever poesia, depurar código e manter conversas que parecem notavelmente humanas. Mas peça ao GPT-4 para predizer o que acontece quando você deixa cair uma bola, e ele se baseia em descrições memorizadas em vez de intuição física genuína.

Isso importa porque a inteligência, como a experimentamos no mundo biológico, está fundamentalmente enraizada na realidade física. Uma criança pequena aprendendo a empilhar blocos desenvolve uma compreensão intuitiva da gravidade, do equilíbrio e das propriedades dos materiais muito antes de aprender linguagem. Essa cognição corporificada, esse senso de como o mundo funciona, representa precisamente o que os sistemas de IA atuais carecem.

Os modelos de mundo visam preencher essa lacuna. Em vez de predizer o próximo token, eles predizem o próximo quadro, o próximo estado físico, a próxima consequência de uma ação.

Três abordagens para entender o mundo

A corrida para construir IA que compreenda o mundo se dividiu em três paradigmas distintos, cada um com diferentes fortalezas.

A terceira abordagem, e talvez a mais promissora, combina ambos: aprender dinâmicas do mundo a partir de vídeos enquanto mantém a capacidade de interagir com o ambiente e manipulá-lo. É aqui que os videojogos se tornam essenciais.

Videojogos: o campo de treinamento perfeito

Os videojogos oferecem algo único: ambientes interativos com regras de física consistentes, variação infinita e métricas de sucesso claras. Ao contrário da robótica do mundo real, que requer hardware caro e apresenta preocupações com segurança, os jogos oferecem falha ilimitada sem consequência.

A DeepMind reconheceu esse potencial cedo. Seu sistema Genie pode gerar ambientes totalmente novos e jogáveis a partir de uma única imagem. Dê a ele um esboço de um nível de plataforma, e ele cria um mundo com física consistente onde os personagens podem pular, cair e interagir com objetos apropriadamente.

O que torna Genie notável não é apenas a geração, mas a compreensão. O sistema aprende conceitos de física generalizáveis que se transferem entre diferentes estilos visuais e tipos de jogos. Um modelo treinado em plataformas estilo Mario desenvolve intuições sobre gravidade e colisão que se aplicam igualmente a jogos independentes desenhados à mão e ambientes 3D realistas.

De jogos a robôs

O pipeline de jogos para robótica não é teórico. As empresas já estão usando.

A ideia impulsionando essa transição é simples: física é física. Um modelo que realmente entende como objetos caem, escorregam e colidem em um videojogo deve, com adaptação apropriada, entender os mesmos princípios no mundo real. A aparência visual muda, mas a dinâmica subjacente permanece constante.

Tesla perseguiu uma versão dessa estratégia com seus robôs Optimus, treinando primeiro em simulação antes de implantar em ambientes de fábrica controlados. O fator limitante sempre foi a lacuna entre física simulada e real. Os modelos de mundo treinados em dados de vídeo diversos podem finalmente preencher essa lacuna.

A aposta do AMI Labs

A nova empresa de Yann LeCun, AMI Labs, representa o maior investimento único em pesquisa de modelos de mundo até agora. Com 500 milhões de euros em financiamento europeu e uma equipe recrutada de Meta, DeepMind e laboratórios acadêmicos, eles estão perseguindo o que LeCun chama de "IA orientada por objetivos".

A base técnica se baseia em Arquitetura de Incorporação Conjunta Preditiva (JEPA), um framework que LeCun defende há anos. Em vez de gerar previsões em nível de pixel, o que requer enormes recursos computacionais, o JEPA aprende representações abstratas que capturam a estrutura essencial dos sistemas físicos.

Pense assim: um humano vendo uma bola rolar em direção a um penhasco não simula cada pixel da trajetória. Em vez disso, reconhecemos a situação abstrata (bola, borda, gravidade) e predizemos o resultado (queda). O JEPA visa capturar esse raciocínio eficiente e abstrato.

Implicações para a geração de vídeo de IA

Essa trajetória de pesquisa importa profundamente para aplicações criativas. Os geradores de vídeo de IA atuais produzem resultados impressionantes, mas sofrem com inconsistência temporal. Os personagens se deformam, a física quebra, e os objetos aparecem e desaparecem.

Os modelos de mundo oferecem uma solução potencial. Um gerador que realmente entenda física deve produzir vídeos onde os objetos obedeçam a regras consistentes, onde objetos caídos caem previsavelmente, onde reflexos se comportam corretamente.

Já estamos vendo sinais precoces dessa transição. O GWM-1 da Runway representa sua aposta em modelos de mundo, e a simulação de física melhorada do Veo 3.1 sugere que o Google está incorporando princípios similares.

A conexão AGI

Por que tudo isso importa para a inteligência geral artificial? Porque a inteligência genuína requer mais do que manipulação de linguagem. Ela requer compreender causa e efeito, predizer consequências e planejar ações em um mundo físico.

Os pesquisadores impulsionando esse trabalho são cuidadosos em não afirmar que estão construindo AGI. Mas eles argumentam convincentemente que sem compreensão do mundo, não podemos construir sistemas que realmente pensem em vez de apenas autocompletar.

O que vem a seguir

Os próximos dois anos serão críticos. Vários desenvolvimentos a acompanhar:

• ○Primeiras demonstrações públicas do AMI Labs (esperadas em meados de 2026)
• ○Integração de modelos de mundo em grandes geradores de vídeo
• ○Empresas de motores de jogos (Unity, Unreal) adicionando APIs de modelos de mundo
• ○Primeiros robôs de consumidor usando modelos de mundo treinados em jogos

O mercado de videojogos, projetado para exceder 500 bilhões de dólares até 2030, representa solo fértil para implantação de modelos de mundo. Os investidores veem modelos de mundo não apenas como curiosidades de pesquisa, mas como tecnologia fundamental para entretenimento interativo, simulação e robótica.

A revolução silenciosa

Ao contrário da queda explosiva de hype em torno do ChatGPT, a revolução dos modelos de mundo se desenrola silenciosamente em laboratórios de pesquisa e estúdios de jogos. Não há demos virais, não há ciclos de notícias diárias sobre o último avanço.

Mas as implicações podem ser mais profundas. Os modelos de linguagem mudaram como interagimos com texto. Os modelos de mundo poderiam mudar como a IA interage com a realidade.

Para aqueles de nós trabalhando em geração de vídeo de IA, essa pesquisa representa tanto ameaça quanto oportunidade. Nossas ferramentas atuais podem parecer primitivas em retrospectiva, como os primeiros efeitos especiais CGI comparados aos efeitos visuais modernos. Mas o princípio subjacente, gerar conteúdo visual através de modelos aprendidos, só se tornará mais poderoso à medida que esses modelos começarem a realmente compreender os mundos que criam.

O caminho da física de videojogos para a inteligência geral artificial pode parecer sinuoso. Mas a inteligência, onde quer que a encontremos, emerge de sistemas que entendem seu ambiente e podem predizer as consequências de suas ações. Os jogos nos dão um espaço seguro para construir e testar tais sistemas. Os robôs, as ferramentas criativas e talvez a compreensão de máquina genuína seguirão.