Um modelo de mundo, em inteligência artificial, é uma representação interna que um agente usa para prever como seu ambiente mudará ao longo do tempo, inclusive em resposta às suas próprias ações, permitindo que o agente planeje, imagine resultados e avalie escolhas sem precisar agir no ambiente real para observar as consequências. O termo tem raízes na teoria de controle clássica e na aprendizagem por reforço baseada em modelos, onde o modelo de dinâmica do ambiente de um agente é usado explicitamente para planejamento, mas ganhou significado mais amplo nos últimos anos, à medida que pesquisadores propuseram que aprender um modelo de mundo preditivo a partir de dados sensoriais brutos, particularmente vídeo, poderia ser um caminho para uma inteligência mais geral e robusta do que o treinamento apenas com texto.
Origens na aprendizagem por reforço
A aprendizagem por reforço baseada em modelos há muito tempo usa modelos de dinâmica explícitos ou aprendidos para simular estados futuros antes de agir, em contraste com abordagens livres de modelo que aprendem uma política ou função de valor diretamente de tentativa e erro. Um artigo amplamente citado de 2018 por David Ha e Jürgen Schmidhuber, intitulado simplesmente "World Models", demonstrou que um agente poderia aprender um modelo generativo comprimido de um ambiente de videogame e então treinar uma política quase inteiramente dentro dessa simulação aprendida, popularizando o termo em seu sentido moderno de IA e baseando-se em trabalhos anteriores sobre agentes preditivos e automodeladores.
Predição de vídeo e modelos de mundo generativos
Uma linha mais recente de pesquisa trata a predição de vídeo em larga escala em si como uma forma de aprender um modelo de mundo implicitamente, sem um simulador projetado manualmente. O Genie do Google DeepMind, introduzido em 2024, aprendeu a gerar ambientes 2D interativos e jogáveis puramente a partir de vídeos da internet não rotulados, sem acesso aos estados subjacentes do motor do jogo ou rótulos de ação, demonstrando que a dinâmica de mundo condicionada por ações poderia ser aprendida a partir de observação passiva. Sistemas de geração de vídeo como Sora também foram descritos por seus desenvolvedores como "simuladores de mundo" de propósito geral e em estágio inicial, com o argumento de que prever com precisão como um vídeo deve continuar requer um modelo implícito de física, permanência de objetos e causa e efeito, embora críticos notem que tais modelos frequentemente violam a consistência física básica e que a geração fluente de vídeo não implica necessariamente um modelo de física interno confiável ou generalizável.
JEPA e a proposta de LeCun
Yann LeCun propôs a Arquitetura Preditiva de Incorporação Conjunta, ou JEPA, como uma alternativa tanto aos modelos generativos puramente de vídeo quanto à modelagem de linguagem padrão baseada em modelos autorregressivos. Em vez de prever pixels ou tokens brutos, modelos estilo JEPA preveem estados futuros em um espaço de representação abstrato e aprendido, uma abordagem que LeCun argumenta ser mais eficiente e mais capaz de ignorar detalhes irrelevantes, como ruído de textura, enquanto ainda captura a estrutura causal necessária para o planejamento. LeCun enquadrou modelos de mundo construídos dessa forma como um ingrediente central ausente para IA incorporada e para o progresso além das capacidades dos sistemas atuais de grandes modelos de linguagem, posicionando a ideia em contraste direto com laboratórios que apostam principalmente no escalonamento do pré-treinamento baseado em texto.
Significância
Modelos de mundo são cada vez mais discutidos como relevantes não apenas para robótica e agentes de jogos, mas também para questões mais amplas sobre inteligência artificial geral, já que um agente com um modelo interno preciso de seu ambiente pode, em princípio, planejar em horizontes longos e generalizar para situações novas de forma mais eficiente do que um que apenas reage a entrada imediata. Em meados da década de 2020, a pesquisa sobre modelos de mundo permanece uma área ativa e não resolvida, com discordância substancial sobre quanto pode ser aprendido de vídeo passivo versus quanto requer interação incorporada.