Modelo de mundo: construa o seu do zero em Python (guia passo a passo)

O que é um modelo de mundo — e por que ele virou o assunto da vez

Um modelo de mundo (world model) é uma representação aprendida de como um ambiente se comporta: dadas as regras e o estado atual, ele prevê o que acontece a seguir. É a peça que permite a um agente “imaginar” consequências antes de agir — e é o mesmo princípio por trás de muito do que os modelos generativos de vídeo e os agentes autônomos fazem hoje. Este guia acompanha, passo a passo, a construção do seu primeiro modelo de mundo em Python, usando o clássico problema CartPole como laboratório.

Parte 1: um carrinho, uma haste e 40 anos de tentativas

O CartPole é o problema de brinquedo mais famoso da IA. Imagine um carrinho deslizando sobre um trilho com uma haste equilibrada em cima — a haste quer cair, e a sua única ação é empurrar o carrinho para a esquerda ou para a direita. Se você já equilibrou uma vassoura na palma da mão, entendeu o problema: você não mantém a vassoura parada, você move a mão por baixo dela.

O jogo descreve o mundo com quatro números:

Você perde de duas formas: a haste tomba mais de 12 graus, ou o carrinho desliza mais de 2,4 unidades do centro. Sobreviver 500 passos é a vitória. Esse problema é antigo — vem de um artigo de 1983 de Barto, Sutton e Anderson — e segue sendo o ponto de partida ideal para entender aprendizado por reforço e modelos preditivos.

Parte 2: deixando o modelo “sonhar”

Um modelo de mundo, no sentido mais direto, aprende a prever a próxima transição: dado o estado atual e uma ação, qual será o próximo estado? Treine esse preditor com dados de transições reais e você terá um agente que consegue “sonhar acordado” — simular o futuro internamente sem tocar no ambiente real.

O fluxo básico é:

1. Coletar transições (estado, ação, próximo estado) jogando o CartPole — até mesmo com ações aleatórias;
2. Treinar um preditor (uma rede neural simples) que mapeia estado + ação → próximo estado;
3. Medir quando a ilusão quebra: o guia insiste que a parte difícil não é fazer o modelo sonhar, mas saber exatamente onde parar de confiar na previsão — o erro acumula a cada passo imaginado.

✅ O que você ganha com este exercício

• Intuição concreta sobre aprendizado por reforço e dinâmica de sistemas;
• Um laboratório mínimo para testar predição de estado e planejamento;
• Noção prática de quando um modelo de mundo “colapsa” (a ilusão quebra);
• Base para entender arquiteturas reais como Dreamer e modelos de vídeo generativo.

⚠️ O que você não ganha

• Um agente competitivo em ambientes complexos — CartPole é um brinquedo;
• Generalização: modelos de mundo treinados num ambiente raramente transferem para outro;
• Eficiência de amostra “de graça” — coletar boas transições continua sendo o gargalo.

Por que isso importa agora

Em 2026, modelos de mundo deixaram de ser curiosidade acadêmica. Eles alimentam simulação de agentes, geração de vídeo com física coerente e planejamento de robôs. Entender o mecanismo por trás — um preditor de transições que sonha e, inevitavelmente, erra — é o que separa quem usa essas ferramentas de quem realmente as compreende. Começar pelo CartPole é o caminho mais honesto e barato para chegar lá.