Licenciar o YOLO
Voltar ao glossário da Ultralytics

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.

  • 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.

Explore as soluções

Visão computacional no desporto

Visão computacional no desporto

Descubra como o Ultralytics YOLO impulsiona a visão computacional no esporte com rastreamento de jogadores e bolas, análise de desempenho, insights para treinadores e reabilitação de atletas.
Saiba mais
Visão computacional para imagens aéreas

Visão computacional para imagens aéreas

Transforma imagens de drones e aéreas em informações em tempo real para a agricultura, a aquacultura, a conservação e a análise geoespacial com Ultralytics YOLO.
Saiba mais
Visão computacional no setor aeroespacial

Visão computacional no setor aeroespacial

Aplica visão computacional na indústria aeroespacial com Ultralytics YOLO para inspecionar aeronaves, detetar objetos estranhos na pista (FOD), apoiar operações aeroportuárias em terra e detetar defeitos em materiais compósitos.
Saiba mais
Visão computacional na segurança

Visão computacional na segurança

Protege todas as instalações com os modelos Ultralytics YOLO. A IA visual permite monitorizar perímetros, detetar ameaças, reconhecer matrículas e melhorar a segurança no local de trabalho.
Saiba mais
Visão computacional na robótica

Visão computacional na robótica

Potencia máquinas mais inteligentes com os modelos Ultralytics YOLO. A IA visual na robótica permite navegação autónoma, perceção, rastreamento de objetos e controlo em tempo real.
Saiba mais
Visão computacional na logística

Visão computacional na logística

Otimize a logística com os modelos Ultralytics YOLO. A IA de visão permite inspecionar pacotes, fazer triagem, rastrear veículos e monitorar a segurança em tempo real nos armazéns.
Saiba mais
Visão computacional no varejo

Visão computacional no varejo

Reinvente o varejo com os modelos Ultralytics YOLO. A IA de visão permite rastrear o estoque, monitorar prateleiras, gerenciar filas e obter insights mais inteligentes sobre clientes.
Saiba mais
Visão computacional na área da saúde

Visão computacional na área da saúde

Desenvolva soluções de saúde com os modelos Ultralytics YOLO. A IA de visão na área da saúde permite obter imagens médicas mais rapidamente, diagnósticos mais inteligentes e monitoramento de pacientes.
Saiba mais
Visão computacional na manufatura

Visão computacional na manufatura

Otimize a manufatura com modelos Ultralytics YOLO. A IA visual impulsiona o controle de qualidade, a detecção de defeitos, a conformidade com o uso de EPI e a automação da linha de montagem.
Saiba mais
Visão computacional no setor automotivo

Visão computacional no setor automotivo

Aplique visão computacional no setor automotivo com modelos Ultralytics YOLO. A IA visual aumenta a segurança viária, aprimora a assistência ao condutor e viabiliza a automação de veículos para estradas mais inteligentes.
Saiba mais
Visão computacional na agricultura

Visão computacional na agricultura

Leve a IA de visão à agricultura inteligente com os modelos Ultralytics YOLO. Aprimore o monitoramento de plantações, o rastreamento de animais e a agricultura de precisão para obter safras maiores e mais inteligentes.
Saiba mais

Vamos construir juntos o futuro da IA!

Comece sua jornada rumo ao futuro do aprendizado de máquina