Guia para iniciantes em World Models: como a IA simula a realidade

O que é um World Model

Em aprendizado de máquina, um World Model (modelo de mundo) é um sistema que constrói uma representação interna de um ambiente e prevê como ele muda ao longo do tempo em resposta a ações. Em termos simples, é um modelo de IA que simula a dinâmica do mundo — física, interação de objetos, causalidade. Hoje, esses modelos alimentam robôs, carros autônomos e geração interativa de vídeo, porque permitem que uma IA “pense antes de agir”, rodando simulações mentais da realidade.

As ideias iniciais datam dos anos 1990, quando pesquisadores alemães criaram redes neurais recorrentes capazes de prever estados futuros a partir de observações e usar essas previsões para treinar agentes sem tentativa e erro constantes no mundo real. Em 2022, Yann LeCun reavivou o conceito, defendendo que a inteligência exige modelos preditivos do mundo, e não puro casamento de padrões. Sua primeira proposta foi a JEPA (Joint Embedding Predictive Architecture): em vez de adivinhar o próximo token, o modelo aprende a prever conceitos abstratos em um espaço contínuo.

Estado da arte em 2026

A corrida dos World Models esquentou no último ano:

• World Labs — Marble: IA com “inteligência espacial” que cria ambientes 3D interativos e exploráveis a partir de prompts de texto.
• Alibaba — Happy Oyster: voltado à criação de mundos a partir de prompts de texto e imagem, gerando ambientes 3D exploráveis por tempo limitado.
• Nvidia — Cosmos: lançado em junho de 2026, uma família de modelos open weight que combinam raciocínio físico, simulação de mundo e geração de ações.

As quatro arquiteturas principais

Construindo um World Model do zero

O tipo mais simples e acessível é o SGF (Simple, Good, Fast): um modelo de dinâmica latente não recorrente, que comprime dados espaço-temporais em uma camada oculta (espaço latente) sem usar loops recorrentes como LSTMs. A receita clássica usa o jogo BattleZone do Atari como ambiente e o Gymnasium como interface.

import gymnasium as gym
import ale_py

env = gym.make("ALE/BattleZone-v5")
N_ACTIONS = env.action_space.n
print("Ações:", N_ACTIONS)  # 18 ações discretas

O ambiente tem 18 ações possíveis (mover, atirar, girar a torre), então o modelo precisa aprender dinâmica espacial: o tanque se move, inimigos aparecem em direções diferentes e projéteis viajam. O pré-processamento reduz a imagem RGB do Atari (210×160×3) para um tensor em escala de cinza 64×64 normalizado entre 0 e 1:

import torch
import torch.nn.functional as F

IMAGE_SIZE = 64

def preprocess(obs):
    x = torch.tensor(obs, dtype=torch.float32)   # HWC -> CHW
    x = x.permute(2, 0, 1)                        # RGB -> escala de cinza
    x = x.mean(dim=0, keepdim=True)               # redimensiona para 64x64
    x = F.interpolate(x.unsqueeze(0), size=(IMAGE_SIZE, IMAGE_SIZE),
                      mode="bilinear", align_corners=False)
    return x.squeeze(0) / 255.0

O passo seguinte é coletar experiências do jogo — jogando com o agente ou aleatoriamente — e treinar o modelo latente para prever o próximo estado a partir do estado e da ação atuais. Com o modelo treinado, o agente pode “sonhar” sequências inteiras de jogo sem tocar no ambiente real, o que acelera o treinamento por reforço em ordens de grandeza.

Por que isso importa agora

World Models deixaram de ser curiosidade acadêmica e viraram infraestrutura. São eles que permitem a um carro autônomo ensaiar cenários de acidente raros, a um robô praticar manipulação sem quebrar peças físicas e a um motor de vídeo gerar mundos coerentes e fisicamente plausíveis. Para quem trabalha com IA, entender a diferença entre prever tokens e prever estados do mundo é a chave para acompanhar a próxima onda — de modelos que não apenas respondem, mas que simulam.