Próximo salto da IA é o mundo físico, com world models e ação

Uma arquitetura voltada à ação

Os modelos de linguagem atuais são eficientes em tarefas textuais, mas seus defensores dizem que o trabalho físico exige modelos de ação, também chamados de world models. Em vez de serem treinados principalmente com literatura, código e imagens, esses sistemas aprendem com videogames e simulações, associando ações às suas consequências. Em algumas situações, já conseguem navegar por espaços tridimensionais e manipular objetos de forma autônoma a partir de instruções simples.

A tecnologia ainda é considerada incipiente. Moritz Baier-Lentz, investidor de empresas do setor, compara seu estágio ao do GPT-2, modelo lançado pela OpenAI em 2019. Mesmo assim, investidores e nomes conhecidos da tecnologia apostam que uma arquitetura diferente pode levar a IA a ambientes que os sistemas baseados em modelos de linguagem não conseguem alcançar hoje.

A justificativa para essa mudança é que o texto seria uma representação incompleta do mundo físico. Animais evoluíram durante centenas de milhões de anos mecanismos mentais para modelar o ambiente e planejar ações, enquanto a linguagem surgiu muito mais recentemente como uma forma de processar e transmitir conceitos. Robôs sofisticados já usam simulações baseadas em física, mas esses sistemas são codificados manualmente e altamente especializados: um controle desenvolvido para um tipo de robô não necessariamente funciona em outro.

O caso General Intuition

A startup General Intuition, sediada em Nova York, está finalizando uma rodada de investimento que avaliaria a empresa em mais de US$ 6 bilhões. Seu modelo é treinado com milhões de horas de partidas de videogame coletadas pela plataforma irmã Medal.tv. O sistema registra cada quadro do jogo e as ações dos jogadores, como apertos de botões e movimentos do controle, para aprender a relação entre comandos e resultados.

Com algum ajuste fino, a empresa afirma que o modelo pode pilotar no mundo real um robô como se ele fosse um personagem de videogame. Em demonstrações com um robô quadrúpede, o sistema precisa saber onde está, em que tipo de corpo opera e qual é seu objetivo; segundo Baier-Lentz, poucos minutos de ajuste fino seriam suficientes. A abordagem, porém, tem limites: ela depende de robôs quadrúpedes, veículos com rodas ou drones que transmitam vídeo ao vivo e possam ser controlados por controle, mouse ou teclado. A condição exclui a maioria dos robôs humanoides de duas pernas.

Demonstrações anteriores, como as dos modelos Genie do Google DeepMind, concentravam-se em gerar mundos virtuais para treinar robôs. A geração seguinte pretende perceber o ambiente e decidir o próximo movimento. A startup londrina Emulate, cofundada por Jack Parker-Holder, negocia uma captação superior a US$ 500 milhões, segundo documentos analisados pelo Wall Street Journal.

Limites e possível integração

Outras empresas também exploram o campo. A World Labs adquiriu a empresa de robótica Scenix, enquanto a AMI Labs, liderada pelo ex-cientista-chefe de IA da Meta, Yann LeCun, parece investigar arquiteturas além dos modelos de linguagem tradicionais. As duas empresas não comentaram o assunto.

Uma questão central para investidores e parceiros é como os modelos de mundo poderiam ampliar os modelos de linguagem existentes. Transformar imagens e áudio em tokens já exige treinamento específico; representar uma cena tridimensional dessa maneira se mostrou tão ineficiente que os sistemas ficam lentos demais para dirigir robôs em muitas situações. Uma alternativa seria um arranjo híbrido, no qual modelos de linguagem acionassem modelos de mundo como hoje acionam outros programas.

O desafio é que o mundo físico tem muitos casos particulares e consequências rígidas. Um erro aceitável em uma resposta textual pode ser perigoso em um robô: uma colisão pode alterar toda a situação. Por isso, embora haja forte expectativa em torno da tecnologia, seus resultados ainda precisam ser avaliados com rigor, sem confundi-la com uma forma já madura de inteligência geral.