Modelos de mundo: IA generativa para além da linguagem

No fim de setembro de 2026, a AMD anunciou a compra da World Labs, 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 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.

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, 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, 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, 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, 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, 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, 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 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 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, 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 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". 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 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 e os modelos de vídeo cuidam do visual, e no Matrix-Game 4.0, 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, 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 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, 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, roda na Unity com um plugin gratuito e entra na Unreal por plugins de terceiros.

O formato também se padronizou, com extensão ratificada no glTF e esquema próprio no OpenUSD, 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