World Model
Um modelo de mundo é um sistema de IA que aprende como o seu ambiente evolui e como as ações o alteram, para que os agentes possam imaginar resultados e planear antes de agir.
Um modelo de mundo é um modelo aprendido de como um ambiente muda ao longo do tempo e em resposta a ações. Dado o estado atual ou um histórico de observações, junto com uma ação, ele prevê o que acontece em seguida: a próxima observação, um estado interno compacto, uma recompensa ou uma sequência de etapas futuras. Um agente com um modelo de mundo pode imaginar os resultados das ações antes de executá-las, planejar comparando futuros imaginados e aprender com experiências simuladas, em vez de depender apenas de tentativa e erro no mundo real. A ideia vem do controle baseado em modelo e da aprendizagem por reforço, e o artigo World Models de David Ha e Jürgen Schmidhuber, de 2018, popularizou o termo para redes neurais que aprendem, a partir de pixels, uma simulação compacta de um jogo e treinam uma política dentro de seu “sonho”. Hoje, o termo abrange os modelos de dinâmica interna de agentes como Dreamer e MuZero, geradores de vídeo interativo como o Genie 3 da Google DeepMind e modelos fundamentais de mundo que geram vídeos para treinar IA física.
Como funcionam os modelos do mundo#
Um modelo de mundo costuma ter três componentes. Um codificador comprime cada observação de alta dimensão, como um quadro de câmera, em um pequeno estado latente. Um modelo de dinâmica prevê o próximo estado latente a partir do atual e de uma ação, geralmente junto com a recompensa e a indicação de término do episódio. Um decodificador opcional transforma estados latentes de volta em imagens, para treinamento ou para mostrar o que o modelo imagina. Ha e Schmidhuber construíram esses componentes com um autoencoder variacional, uma rede recorrente que prevê o próximo estado latente e um pequeno controlador linear treinado com os estados latentes.
Um agente usa o modelo de duas formas. No planejamento, ele executa sequências de ações candidatas no modelo, avalia os resultados imaginados e executa a melhor, como no controle preditivo baseado em modelo ou na busca em árvore do MuZero. Este código PyTorch aprende um modelo de mundo de um carrinho simples a partir de transições aleatórias e planeja, na imaginação, uma sequência de empurrões com 20 etapas:
import torch
from torch import nn
torch.manual_seed(0)
# The real environment, unknown to the agent: a cart's [position, velocity] responds to a push in [-1, 1]
A, B = torch.tensor([[1.0, 0.9], [0.0, 0.9]]), torch.tensor([0.1, 0.1])
# Learn a world model that predicts how (state, action) changes the state, from 5,000 random transitions
states, actions = torch.rand(5000, 2) * 4 - 2, torch.rand(5000, 1) * 2 - 1
change = states @ A.T + actions * B - states
model = nn.Sequential(nn.Linear(3, 64), nn.ReLU(), nn.Linear(64, 2))
optimizer = torch.optim.Adam(model.parameters(), lr=1e-2)
for step in range(2000):
loss = ((model(torch.cat([states, actions], dim=1)) - change) ** 2).mean()
optimizer.zero_grad()
loss.backward()
optimizer.step()
# Plan by imagination: roll 1,000 random 20-step plans through the model; also run them for real to compare
plans = torch.rand(1000, 20, 1) * 2 - 1
imagined, real = torch.zeros(1000, 2), torch.zeros(1000, 2)
for k in range(20):
imagined = imagined + model(torch.cat([imagined, plans[:, k]], dim=1)).detach()
real = real @ A.T + plans[:, k] * B
best = (imagined[:, 0] - 3).abs().argmin() # plan whose imagined final position is closest to 3
print(f"chosen plan: imagined final position {imagined[best, 0]:.2f}, real final position {real[best, 0]:.2f}")Ele imprime chosen plan: imagined final position 3.00, real final position 2.93. O agente escolheu seu plano sem tocar no carrinho real, e a diferença de 0,07 é o erro do modelo acumulado ao longo de 20 etapas imaginadas. Pequenos erros se acumulam em simulações longas, por isso os planejadores práticos refazem o planejamento após cada etapa e mantêm curtos os horizontes imaginados.
Na aprendizagem por imaginação, o agente treina sua política com trajetórias geradas dentro do modelo. O DreamerV3, publicado na Nature em 2025, alterna entre coletar experiências reais, aprimorar o modelo de mundo e treinar um ator e um crítico exclusivamente com trajetórias imaginadas:
Com um único conjunto de hiperparâmetros, o DreamerV3 superou métodos especializados em mais de 150 tarefas e tornou-se o primeiro algoritmo a coletar diamantes no Minecraft do zero, sem dados humanos nem currículos de treinamento.
Tipos de modelos de mundo#
- Modelos de dinâmica de agentes: Dreamer prevê estados latentes futuros, recompensas e finais de episódios. MuZero prevê apenas o que o planejamento exige — recompensa, política e valor — e, com busca em árvore de Monte Carlo, igualou o AlphaZero em Go, xadrez e shogi sem receber as regras.
- Modelos de vídeo interativo: Genie, um modelo com 11 bilhões de parâmetros treinado com vídeos da internet sem rótulos de jogos de plataforma 2D, aprendeu ações latentes próprias e transforma uma única imagem, foto ou esboço em um mundo de jogo controlável. O Genie 3 gera mundos que os usuários exploram em tempo real a 24 quadros por segundo e 720p, mantendo a consistência por alguns minutos.
- Modelos fundamentais de mundo: O Cosmos da NVIDIA oferece modelos de pesos abertos que preveem vídeos futuros a partir de texto, imagens ou quadros anteriores, destinados ao pós-treinamento para robôs e veículos específicos.
- Modelos de incorporação preditiva: Uma arquitetura preditiva de incorporação conjunta (JEPA) prevê a representação de conteúdo futuro ou ausente em vez dos pixels, por isso o modelo não gasta capacidade com detalhes imprevisíveis, como o padrão exato das folhas em movimento.
Modelos de mundo centrados em objetos representam uma cena como um conjunto de objetos e preveem como cada um se move. O Ultralytics YOLO26 no modo de rastreamento transforma o vídeo nesse tipo de estado: caixas para cada objeto, vinculadas entre quadros por IDs persistentes.
Modelos de mundo vs. conceitos relacionados#
- Geração de vídeo: Um gerador de vídeo produz um clipe plausível a partir de um prompt. Um modelo de mundo prevê as consequências das ações, por isso precisa responder corretamente quando a ação muda. A OpenAI descreveu geradores de vídeo como potenciais simuladores de mundo, e modelos como o Genie 3, que recebem os controles do usuário quadro a quadro, ficam entre os dois.
- Aprendizagem por reforço sem modelo: Agentes sem modelo aprendem diretamente uma política ou função de valor com experiências reais, sem prever como o ambiente muda. Agentes baseados em modelo aprendem um modelo de mundo e reutilizam-no para planejar ou gerar experiências de treinamento, o que geralmente exige muito menos interações reais.
- Simuladores e gêmeos digitais: Engenheiros constroem mecanismos de física e gêmeos digitais com equações, modelos CAD e parâmetros medidos. Um modelo de mundo aprende com dados, podendo capturar efeitos difíceis de expressar como equações, como a forma como um tecido se dobra ou como pedestres reagem ao trânsito.
- Modelos de linguagem grandes: Um modelo de linguagem prevê o próximo token de texto. Um modelo de mundo prevê o próximo estado de um ambiente, geralmente com base em vídeos, dados de sensores e ações.
Aplicações no mundo real#
- Condução autónoma: O GAIA-1 da Wayve gera vídeos de condução condicionados por vídeos anteriores, texto e ações do veículo autónomo. O Waymo World Model, baseado no Genie 3 e anunciado em fevereiro de 2026, gera dados de câmaras e lidar para simular situações nunca registadas pela frota, como um tornado ou um elefante na estrada.
- Jogos e meios interativos: Modelos de vídeo interativo transformam um prompt de texto ou uma imagem num mundo explorável que responde às entradas do teclado.
- Robótica: O V-JEPA 2 da Meta foi pré-treinado com mais de 1 milhão de horas de vídeos da internet. A sua versão condicionada por ações, V-JEPA 2-AC, foi pós-treinada com menos de 62 horas de vídeos de robôs sem rótulos e, em seguida, pegou e colocou objetos em braços Franka em dois laboratórios novos, planejando em direção a imagens-alvo, sem recolher dados desses robôs ou ambientes.










