> ## Content Index
> Fetch the complete content index at: https://blog.leobecker.com/llms.txt
> Use this file to discover other available public pages before exploring further.

# Modelos de mundo: IA generativa para além da linguagem
- URL: https://blog.leobecker.com/modelos-de-mundo/
- Published: 2026-10-25T16:41:51.000Z
- Updated: 2026-10-25T16:54:23.000Z
- Description: A nova fronteira da IA generativa vai além do texto e avança sobre os átomos, as leis da física e a realidade. Se um dia chegarmos à tal AGI, entender o mundo é um caminho óbvio, porque ele não é feito só de linguagem. Os modelos de mundo podem ser uma das peças para destravar esse próximo passo.
- Author: Leo Becker
- Tags: Artigos

No fim de setembro de 2026, a AMD anunciou a [compra da World Labs](https://newsroom.amd.com/news/amd-acquire-world-labs/?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo), a empresa da pesquisadora Fei-Fei Li, por cerca de US$ 8,2 bilhões em ações. Em 11 de outubro, o [Wall Street Journal noticiou](https://www.wsj.com/business/deals/amazon-in-talks-to-buy-ai-startup-decart-for-around-7-billion-9433abad?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo) que a Amazon negocia comprar a Decart por cerca de US$ 7 bilhões. As duas ficaram conhecidas pela mesma tecnologia, os modelos de geração de mundo, ou world models. Em março, a OpenAI já tinha encerrado o Sora como produto e avisado que a equipe seguia em [pesquisa de simulação de mundo para robótica](https://www.cbsnews.com/news/sora-ai-openai-discontinues/?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo).

Quase todo esse dinheiro está apostado em robôs, carros autônomos e indústrias como manufatura e logística, onde a robótica pode ter impacto no curto prazo. O lado menos falado é o de como isso impacta na indústria criativa, o de quem cria jogos, cinema, publicidade e design.

O fundo [BITKRAFT](https://bitkraft.vc/insights/article-world-models-dreams-turned-into-reality?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo), especializado em games, publicou a análise mais útil que li sobre esse lado, e boa parte do raciocínio e das estimativas deste texto vem dela.

Neste artigo vou tentar te explicar um pouco do que entendi sobre essa tecnologia e tentar trazer alguns pontos práticos de como podemos trabalhar e ganhar grana com ela.

Pra começar, contextualizando a brincadeira:

- Um modelo de mundo prevê como um ambiente muda depois de uma ação, do mesmo jeito que um LLM prevê a próxima palavra. Ele tenta aprender as regras de como as coisas acontecem, enquanto um gerador de vídeo imita a aparência delas num clipe pronto. Essa é a principal e fundamental diferença.
- Ele aprende com vídeo e partidas de jogo e gera o mundo ao vivo, quadro a quadro, ou como uma cena 3D que vira arquivo. Por isso já tem gente sendo paga para filmar o próprio trabalho com câmeras na cabeça e gerar dados para treinar estes modelos.
- Para o público, ainda não tem utilidade prática. Para virar jogo de verdade, faltam memória longa, resposta instantânea, vários jogadores no mesmo mundo, regras e custo baixo, o que deve levar de três a dez anos.
- O primeiro uso de massa deve ser como ferramenta de criação, para pré-visualizar cenas e prototipar jogos, e isso já está sendo feito por produtoras como a Promise, que usou cenas 3D geradas como rascunho numa série da Paramount+.
- Na prática, o que já dá para usar é o Gaussian splat: a cena 3D gerada sai como arquivo, abre no navegador, na Unity e na Unreal e vira cenário de produção virtual ou pré-visualização.

## O que é um modelo de mundo

Um modelo de mundo é um sistema que aprendeu como um ambiente muda. Você entrega o estado atual e uma ação, e ele devolve o estado seguinte. A ação pode ser apertar uma tecla, girar o volante, mover um braço robótico ou escrever "começa a chover". O estado pode ser uma imagem, uma cena 3D ou uma representação interna que nenhum humano vê. Um modelo de linguagem descreve a sala enquanto um modelo de mundo deixa você entrar nela e ver o que acontece quando mexe nas coisas, reagindo as leis da física.

Geradores de vídeo como Seedance ou Veo, preveem um clipe plausível a partir de uma frase ou imagem (e até outro vídeo), sem receber nenhuma ação no meio do caminho. Já um motor de jogo como a Unreal, simula um mundo com regras escritas à mão (tá, não tão na mão mais) por programadores. O modelo de mundo fica entre esses dois: simula como um motor de jogo, mas aprende as regras olhando dados, como um gerador de vídeo.

O nome moderno nasceu num [artigo de 2018](https://arxiv.org/abs/1803.10122?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo), de David Ha e Jürgen Schmidhuber, em que um agente aprende a dirigir dentro do "sonho" que o próprio modelo gera, e desde 2024 a palavra nomeia também mundos que se desenham ao vivo, como o [Genie 3](https://deepmind.google/blog/genie-3-a-new-frontier-for-world-models/?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo), do Google DeepMind.

Sob o mesmo nome convivem quatro abordagens:

- **Vídeo gerado quadro a quadro.** O mundo é desenhado em pixels enquanto você anda por ele, como no Genie 3, que roda a 24 quadros por segundo em 720p.
- **Geometria explícita.** O modelo gera um lugar em 3D e entrega o lugar como arquivo, como faz o [Marble](https://www.worldlabs.ai/blog/marble-world-model?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo), da World Labs.
- **Previsão sem imagem.** O modelo prevê representações internas do que vai acontecer e nunca desenha um pixel, a linha defendida por Yann LeCun.
- **Híbridos.** Um simulador tradicional cuida das regras, e um modelo aprendido cuida do visual ou da dinâmica.

Mais do que essa divisão, pesa saber se o modelo prevê a partir dos pixels ou a partir do estado do jogo, ou seja, de posições, velocidades, inventários e regras. Prever pixels é o caminho certo para um robô que só enxerga por câmeras. Para quem já tem um simulador, prever o estado é mais rápido, mais barato e mais preciso.

## Como um modelo de mundo é feito

Quase todos os modelos interativos seguem a mesma receita. Um autoencoder comprime cada quadro numa versão pequena e abstrata, porque trabalhar com pixels seria caro demais. Um transformer de difusão prevê o próximo trecho dessa versão comprimida a partir dos trechos anteriores e da ação do usuário. O resultado volta a ser imagem, e o ciclo recomeça a cada tecla.

**O primeiro obstáculo é o tempo.** Para parecer um lugar, e não um filme, o modelo precisa entregar um quadro novo a cada 40 milésimos de segundo, enquanto um modelo de difusão comum refina a imagem em dezenas de passos. A saída foi a destilação, que treina um modelo rápido para imitar um lento: um dos métodos, o [CausVid](https://arxiv.org/abs/2412.07772?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo), comprimiu um modelo de 50 passos num gerador de 4.

**O segundo obstáculo é a memória.** Se você olha para uma árvore, vira para o outro lado e volta, a árvore precisa continuar lá. Na memória implícita, o modelo guarda o que viu e redesenha o mundo a cada quadro; o Genie 3 lembra de até um minuto. Na memória explícita, o modelo gera geometria, e a árvore continua lá porque existe como objeto 3D.

Os dados vêm de vídeo da internet, de gravações de jogo com as teclas apertadas, de renderizações feitas em motores de jogo e de registros de robôs e carros. O dado de jogo vale ouro porque já vem com a ação junto, e isso levanta a questão do consentimento, já que a maior parte das empresas não detalha com que dados treinou.

As cenas 3D seguem outra receita. O modelo gera um panorama ou um vídeo, estima a profundidade de cada pixel e transforma isso em Gaussian splats, o formato de arquivo que já dá para usar em projetos.

Servir tudo isso custa caro. O Oasis, da Decart, ocupava uma placa de vídeo de servidor inteira para rodar um Minecraft gerado por IA em baixa resolução. Em outubro de 2026, a fronteira chegou à placa de vídeo de jogo: o [Waypoint-1.5](https://huggingface.co/Overworld/Waypoint-1.5-1B?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo), de pesos abertos, declara 720p a 56 quadros por segundo numa RTX 5090.

## Por que essa tecnologia importa

Os LLMs aprenderam o mundo pelo texto, através da linguagem. Os modelos de mundo se alimentam de outra informação, a do espaço, do movimento e da causa e efeito, e por isso a fronteira da IA se desloca da linguagem para a física.

A IA generativa, portanto, já trabalha além de texto, imagem e vídeo. A fronteira avança para o mundo físico e para lugares menos óbvios, como a biologia. Alex Rives, chefe de ciência do Biohub, disse ao [podcast Cognitive Revolution](https://www.cognitiverevolution.ai/a-world-model-of-life-biohub-s-alex-rives-on-virtual-cells-measurement-the-1-8b-data-push/?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo) que quer construir um "modelo de mundo da vida", treinado com dados de células, que preveja como elas reagem a uma droga ou a outra perturbação, do jeito que a meteorologia prevê o tempo. O Biohub e seus parceiros já [comprometeram US$ 1,8 bilhão](https://biohub.org/news/virtual-biology-initiative-expansion/?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo) para gerar esses dados, e o próprio Rives diz que a área ainda está muito longe disso.

O uso mais maduro está em máquinas que precisam treinar antes de agir. Um carro autônomo quase nunca encontra um tornado ou um elefante na pista, e o [Waymo World Model](https://waymo.com/blog/2026/02/the-waymo-world-model-a-new-frontier-for-autonomous-driving-simulation/?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo), construído sobre o Genie 3, gera esses casos raros. A NVIDIA vende o Cosmos como fábrica de dados sintéticos para robôs e carros e diz que a Porsche espera [reduzir em até 90% os testes físicos de direção](https://blogs.nvidia.com/blog/cosmos-open-train-evaluate-deploy-world-models/?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo) com ele.

Para nós criativos e engenheiros criativos, a promessa é de controle mais controle nas criações. Em vez de descrever um movimento de câmera num prompt, o criador conduz a cena com ações, e a física aprendida cuida da coerência.

A realidade virtual é um precedente. Ela teve seu momento de dinheiro e passou mais de uma década sem achar um uso de massa, porque o conteúdo era caro e a interação não estava definida. O modelo de mundo pode repetir esse calendário no consumo, mas já vale fora dele, porque serve para treinar robôs, testar jogos com agentes sintéticos e prototipar cenas. 

## Para onde estamos indo

### O que existe para o público é só perfumaria

Sendo bem direto, por enquanto não passamos de demos bonitos sem utilidade alguma. Entre num mundo do Genie 3 ou do Marble e olhe em volta, voce percebe que não há objetivo, progressão, economia nem personagem que precise de você, e a coerência se perde depois de um a dois minutos. O próprio Google definiu o Project Genie como ["not a game engine"](https://www.theregister.com/2026/01/29/googles%5Fproject%5Fgenie%5Fai/?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo). Quem vende esses mundos fala em explorável e navegável, e faltam justamente os verbos de um jogo, como lutar, construir, trocar e voltar no dia seguinte.

### O primeiro uso de massa é criar, não jogar

Pelos meus estudos e coisas práticas que venho construindo, aposto que o primeiro uso de massa virá da criação de conteúdo, como vídeos curtos com movimento de câmera consistente, pré-visualização de anúncios e clipes, protótipos de fases antes de investir na engine e mundos que uma pessoa cria para outra explorar. Uma continuam do processo de "vibe coding" mas com este tipo de artefato navegável e muito mais interativo. 

Outro candidato forte é transformar as fotos de um casamento, de uma viagem ou da casa da infância numa cena 3D que dá para revisitar, um uso que qualquer pessoa entende na hora. 

O caso mais concreto que encontrei segue essa linha, foi da produtora Promise usou o Marble na série *Harlan Coben's Final Twist*, da Paramount+, para [recriar cenas de crimes](https://www.worldlabs.ai/case-studies/from-archive-to-production?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo) em lugares que não existem mais, num painel de LED atrás do apresentador. 

### Quando o jogo chegar

Quando o jogo de verdade chegar, vejo quatro experiências que um motor tradicional não entrega:

- **Mundos sob demanda**, descritos pelo jogador e coerentes com regras.
- **Mundos persistentes** que mudam ao longo de centenas de horas conforme a história de cada jogador.
- **Experiências curtas e autorais**, no estilo holodeck, caras demais para produzir à mão.
- **Mundos compartilhados** que evoluem com a comunidade, como um servidor antigo de Minecraft.

Nenhuma delas está ao alcance agora, e sei lá quando pode acontecer, já que criar previsões em cima de tecnologia no ritmo que estamos é total chute. 

### Quem vai construir

Acho que quem vai entregar o primeiro produto de consumo são equipes híbridas, com gente de jogos e de pesquisa trabalhando junto. Os grandes laboratórios se organizam em torno do modelo e da robótica, e os grandes estúdios não têm orçamento de computação para treinar um modelo do zero. Quem já tem um simulador pode colocar o modelo aprendido por cima do motor, como no Roblox Reality, em que o [motor cuida da lógica e do multiplayer](https://about.roblox.com/newsroom/2026/06/pioneering-ai-founders-join-to-accelerate-roblox-reality-vision?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo) e os modelos de vídeo cuidam do visual, e no [Matrix-Game 4.0](https://github.com/SkyworkAI/Matrix-Game/tree/main/Matrix-Game-4?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo), de código aberto.

### As quatro travas

Vejo quatro travas, e elas não vão ceder no mesmo calendário:

- **Técnica.** A persistência precisa passar da barreira de um a dois minutos, a resposta a uma ação precisa ficar abaixo de 50 milésimos de segundo e rodar o modelo precisa ficar barato.
- **Arquitetura.** Vários jogadores precisam dividir o mesmo mundo sonhado, porque a economia dos jogos de serviço é multiplayer.
- **Design.** A amplitude gerada precisa ganhar objetivos e ciclos de recompensa, ou a experiência volta a ser um passeio.
- **Economia.** O custo por minuto de gerar um mundo precisa cair abaixo do que publicidade e jogadores pagam por minuto de atenção. Estimo que os modelos de mundo estejam pelo menos 18 meses atrás dos LLMs nessa curva.

As travas técnica e econômica devem ceder primeiro, e a de design é a mais lenta. O multiplayer deve chegar antes do esperado, mas primeiro em modos de criação conjunta, porque jogos competitivos dependem de mapas estáveis, que o jogador decora.

Há também riscos fora da engenharia. O Project Genie gerou cenas parecidas com Zelda e [parou de gerar mundos de Super Mario 64](https://www.nintendolife.com/news/2026/01/googles-project-genie-is-basically-a-huge-plagiarism-tool-so-when-will-nintendos-legal-ninjas-strike?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo), e o direito autoral pesa mais aqui, porque o resultado reproduz espaço e jogabilidade.

## Na prática: Gaussian splats

Para usar um modelo de mundo num projeto agora, o caminho é o Gaussian splat, o formato em que as cenas 3D geradas saem como arquivo. São milhões de pequenas manchas coloridas e semitransparentes espalhadas no espaço, cada uma com posição, tamanho, opacidade e uma cor que muda conforme o ângulo de onde você olha, e juntas elas formam a cena com aparência de fotografia. A [técnica surgiu em 2023](https://arxiv.org/abs/2308.04079?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo) para reconstruir lugares reais a partir de fotos, e agora um modelo inventa o lugar e entrega o resultado no mesmo formato.

Ao [exportar um mundo do Marble](https://docs.worldlabs.ai/marble/export/specs.md?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo), você recebe os splats em SPZ, com cerca de 2 milhões de pontos ou numa versão leve de 500 mil, uma malha de colisão em GLB e um panorama em 360\. O arquivo abre no navegador com renderizadores abertos como o [Spark](https://github.com/sparkjsdev/spark?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo), roda na [Unity com um plugin gratuito](https://docs.worldlabs.ai/marble/export/gaussian-splat/unity.md?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo) e entra na Unreal por plugins de terceiros.

O formato também se padronizou, com [extensão ratificada no glTF](https://github.com/KhronosGroup/glTF/blob/main/extensions/2.0/Khronos/KHR%5Fgaussian%5Fsplatting/README.md?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo) e [esquema próprio no OpenUSD](https://aousd.org/blog/openusd-v26-03/?utm%5Fsource=leobecker&utm%5Fmedium=blog&utm%5Fcampaign=modelos-de-mundo), e virou material de trabalho: cenário para painel de LED em produção virtual, pré-visualização de anúncio ou clipe e passeio por um conceito de arquitetura ou interiores.

## Resumo da Ópera

Modelos de mundo são a nova fronteira porque trabalham com um nível de dados muito mais profundo e sofisticado do que apenas texto. Isso vai desbloquear diversas aplicações práticas no mundo real e também na simulação dele em coisas que já fazemos no digital, como vídeos e games, indo muito além do que estamos vendo hoje com as LLMs.

Eu sei que robôs e coisas do tipo no mundo físico ainda parecem muito distantes da gente, mas acho que isso acontece porque temos os humanoides como principal referência. As aplicações vão muito além disso e incluem qualquer dispositivo que possa operar de forma autônoma e ajudar no nosso dia a dia.

Para a nossa indústria criativa, acredito que o momento de consumo vai chegar mais devagar, mais estranho e mais ligado a design do que o gráfico de investimentos sugere. Para quem trabalha com engenharia criativa, o mundo gerado já pode ser matéria-prima de projeto, desde que seja tratado como rascunho a ser curado (como a maioria das coisas feitas com IA).

Minha indicação é começar a dar uma olhada em *gaussian splats*, uma tecnologia bem prática que já pode expandir os teus horizontes para trabalhar com esse tipo de modelo.

bju na bundinha

Leo Becker