Nos últimos anos, todos tivemos um curso intensivo sobre o que as empresas chamam de inteligência artificial - que, na maioria das vezes, significava grandes modelos de linguagem (LLMs). Mas os LLMs não são mais a única categoria de IA a atrair financiamento massivo e hype exagerado. Conheça os "modelos mundiais", que visam simular o mundo físico, ou pelo menos uma aproximação útil dele. Em vez de apenas conversar, esses sistemas querem deixar você explorar um ambiente 3D como se fosse um videogame, mas com mais matemática e menos baús de loot.

Para entender o que há de diferente nos modelos mundiais, o Ars conversou com três especialistas: Vincent Sitzmann do MIT, Anastasis Germanidis da Runway e Ben Mildenhall da World Labs. O consenso deles: enquanto os LLMs começaram com uma interface de chat e depois procuraram um caso de uso, os modelos mundiais estão começando com aplicações específicas - robótica, pesquisa, geração de ativos - e ainda não descobriram exatamente como deve ser a interface. Pense nisso como IA trabalhando ao contrário, o que é bem a cara deles.

Nem todo mundo está convencido de que LLMs são o caminho para a inteligência geral. O ex-cientista-chefe de IA do Meta, Yann LeCun, disse à Wired que a ideia de LLMs alcançarem inteligência em nível humano é "completo absurdo". Fei-Fei Li, pioneira em visão computacional e cofundadora da World Labs, escreveu que LLMs são "escribas no escuro; eloquentes, mas inexperientes, conhecedores, mas sem fundamento". Até o CEO da Hugging Face, Clem Delangue, acha que estamos em uma "bolha de LLM" que pode estourar no ano que vem. Então, os modelos mundiais são a nova sensação, pelo menos até algo ainda mais quente aparecer.

Os modelos mundiais já atraíram financiamentos de tirar o fôlego: World Labs e AMI supostamente levantaram cerca de US$ 1 bilhão cada em fevereiro e março, e a Runway levantou US$ 315 milhões em fevereiro. É muito dinheiro para um termo que, como admite Sitzmann, é "definitivamente sobrecarregado". Sua definição: qualquer modelo que pega uma interação e simula o que acontece em seguida. A definição da Runway acrescenta que ele constrói uma representação interna de um ambiente. Mildenhall diz que a principal distinção dos LLMs é a interação contínua e em tempo real - não a troca de texto baseada em turnos de "A então B então A então B". Fei-Fei Li oferece três critérios: consistência perceptual, geométrica e física; multimodalidade; e a capacidade de gerar próximos estados com base em ações de entrada.

Mas "modelo mundial" também está se tornando um termo de marca. As empresas o aplicam a tudo, desde geração de vídeo condicionada a ações até criação de ativos 3D e avaliação de políticas de robôs. Por enquanto, diz Sitzmann, "o que a maioria das pessoas quer dizer quando fala 'modelo mundial' é gerar pixels" - ou seja, vídeo realista condicionado a ações. Isso é uma extensão natural dos modelos de geração de vídeo, que a Runway já faz. Como Germanidis colocou, quando adicionaram controles de câmera às suas ferramentas de vídeo, "começou a parecer mais quase um videogame".

O desafio técnico: a maioria dos modelos de difusão de vídeo gera todos os quadros de uma vez, removendo o ruído de toda a sequência de uma só vez. Isso é ótimo para coerência, mas péssimo para interatividade - você não pode intervir no meio da geração. A solução para modelos mundiais é a difusão autorregressiva, que remove o ruído dos quadros sequencialmente. Os usuários podem fornecer ações que influenciam os próximos quadros em tempo real. A desvantagem: é computacionalmente caro, e a simulação tende a derivar, esquecendo detalhes anteriores. Germanidis espera que a consistência 3D "emerja da escala", um aceno ao que o cientista da computação Richard Sutton chamou de "a lição amarga": o conhecimento humano explícito muitas vezes atrapalha. Então, eles estão apostando alto na força bruta.

Em suma, modelos mundiais são onde a IA vai para simular a realidade, uma etapa cara de remoção de ruído de cada vez. Se eles vão cumprir a promessa ou apenas produzir deepfakes muito sofisticados, ainda está para ser visto - mas as rodadas de financiamento sugerem que os investidores estão dispostos a descobrir.