Um world model é um sistema de IA que prevê como um ambiente vai mudar, incluindo o que acontece quando algo age dentro dele. Um chatbot prevê a próxima palavra. Um gerador de vídeo prevê os próximos quadros de um clipe. Um world model prevê o próximo estado de um lugar, para que uma pessoa ou um robô possa agir nele e ver o que acontece depois.
Essa ideia ficou muito cara este ano. A AMD concordou em comprar a World Labs, startup fundada por Fei-Fei Li em 2024, num negócio todo em ações avaliado em cerca de US$ 8,2 bilhões (AMD). A AMI Labs, de Yann LeCun, levantou US$ 1,03 bilhão antes de lançar qualquer coisa (TechCrunch). Google DeepMind, NVIDIA, Meta e Runway já têm world models em alguma forma.
Os produtos são bem menores que o dinheiro. Hoje você pode comprar um gerador de cenas 3D, alugar um protótipo de pesquisa de curta duração por uma assinatura do Google ou baixar modelos abertos se você desenvolve software para robôs ou carros autônomos. Nossa leitura: os usos em cenas 3D e em software de robótica são reais agora, e a promessa de simular a realidade ainda é, em grande parte, só um vídeo de demonstração. Abaixo, como diferenciar um do outro, com os preços de tudo que você pode testar.
Um world model prevê o próximo estado, não a próxima palavra
As definições dos laboratórios batem. O Google DeepMind diz que world models usam a compreensão de ambientes físicos para simulá-los, de modo que um agente possa prever como um mundo evolui e como suas próprias ações o afetam (Google DeepMind). A versão da Runway é mais curta: um sistema que constrói uma representação interna de um ambiente e a usa para simular eventos futuros dentro dele.
A palavra que importa é ação. Pergunte a um modelo de linguagem sobre uma bola rolando de uma mesa e ele escreve uma frase. Peça a um gerador de vídeo e ele renderiza um clipe a que você assiste. Um world model recebe o estado atual mais uma entrada (um passo à frente, uma virada de câmera, a garra de um robô se fechando) e devolve o próximo estado, e repete o processo a cada nova entrada sua.
Leia a linha de baixo como a ideia inteira. A saída volta como a entrada seguinte, então um world model é julgado pela consistência ao longo do tempo. Um único quadro lindo prova muito pouco.
O conceito é mais antigo que o hype. Em 2018, David Ha e Jürgen Schmidhuber publicaram World Models, em que um agente aprendeu um modelo comprimido de um jogo e foi treinado inteiramente dentro do seu próprio "sonho alucinado" antes de agir no ambiente real. O que mudou foi a escala. Modelos treinados em quantidades enormes de vídeo hoje produzem mundos com aparência fotográfica, e isso tirou a ideia dos artigos de aprendizado por reforço e a levou para as teleconferências de resultados.
Os marcos abaixo mostram a rapidez com que tudo avançou depois que os modelos de vídeo ficaram bons.
Seis anos separam o artigo do "sonho" de mundos jogáveis aprendidos a partir de vídeos da internet. Quase todo o resto, de modelos abertos para robôs a uma fabricante de chips assinando um cheque de US$ 8,2 bilhões, aconteceu em cerca de dois anos.
Quatro apostas sobre como construir um
Os laboratórios discordam sobre o que um world model deve entregar, e essa discordância explica a maioria dos produtos. A taxonomia da própria World Labs é a forma mais clara de organizá-los. Ela divide os world models em três tipos. Renderizadores produzem "pixels feitos para olhos humanos". Simuladores produzem uma "representação geometricamente, fisicamente ou dinamicamente fiel do mundo". Planejadores produzem ações (World Labs).
O alerta dela sobre os renderizadores vale para todo vídeo de lançamento: os prédios numa tomada de drone "podem parecer impecáveis vistos de cima, mas tente dirigir pela cidade lá embaixo e tudo desmorona". Com essa lente, o campo se divide em quatro grupos.
Mundos interativos que você conduz em tempo real
O Genie 3, do Google DeepMind, transforma um prompt de texto num mundo pelo qual você se move a 720p e de 20 a 24 quadros por segundo. O Google diz que seus mundos permanecem em grande parte consistentes por vários minutos e que ele lembra mudanças de interações específicas por até um minuto (Google DeepMind). O GWM Worlds 2 da Runway, uma prévia de pesquisa, faz algo parecido com vídeo e áudio e continua gerando enquanto você continuar conduzindo. A taxonomia da World Labs classifica o Genie 3 como renderizador, e o GWM Worlds 2 parece ser o mesmo tipo de sistema: você recebe um fluxo de pixels, e nada que possa abrir em outra ferramenta.
Construtores de mundos 3D que entregam um arquivo
O Marble, primeiro produto da World Labs, transforma texto, fotos, vídeo ou blocos 3D simples num mundo persistente que você pode editar e exportar como Gaussian splats ou malhas (documentação da World Labs). O mundo não reage a você como um mundo do Genie. Em troca, ele existe como um arquivo que engines de jogos e ferramentas de design conseguem abrir. A World Labs diz que seu novo modelo Atlas, em acesso antecipado com parceiros selecionados, vai alimentar versões futuras do Marble.
Modelos de IA física para robôs e carros
A NVIDIA chama esses modelos de world foundation models. O NVIDIA Cosmos 3 raciocina sobre vídeo, gera imagens sintéticas a partir de texto, imagens, vídeo, som e entradas de ação, e pode servir de base para a política de controle de um robô. Os pesos são abertos sob a licença OpenMDW 1.1 (NVIDIA). O Oasis 3, da Decart, é mais restrito: um mundo de direção multicâmera em tempo real, acessado por times de carros autônomos via API.
Preditores latentes que dispensam os pixels
A linha V-JEPA, da Meta, nem tenta desenhar o futuro. O V-JEPA 2 codifica vídeo em representações compactas e prevê como elas mudam, o que é mais barato que renderizar cada pixel e ainda assim suficiente para planejar. A Meta relata de 65% a 80% de sucesso em pegar e posicionar objetos desconhecidos em ambientes novos, depois de treinar no dataset aberto de robótica DROID e ser implantado direto em robôs de laboratório, sem nenhum dado coletado deles antes (Meta AI).
Esse é o grupo que LeCun defende há anos. Ele já saiu da Meta, e a AMI Labs se baseia na mesma Joint Embedding Predictive Architecture que ele propôs em 2022.
Se o vocabulário está ficando denso, estes são os termos em que os pitches mais se apoiam.
Action-conditioned é o termo para cobrar dos fornecedores. Se um produto não aceita sua entrada no meio do fluxo e não oferece um estado 3D para você trabalhar, é um gerador de vídeo com rótulo novo.
Geradores de vídeo parecem world models até você apertar
A OpenAI apresentou sua pesquisa do Sora, em 2024, como um caminho para simuladores de uso geral do mundo físico, ao mesmo tempo que admitia que o modelo errava interações básicas, como vidro se estilhaçando. Com o Sora 2, apontou avanços: quando um jogador de basquete erra um arremesso, a bola agora quica na tabela em vez de se teletransportar para dentro da cesta. A OpenAI também chamou o modelo de "longe de perfeito" (OpenAI).
Aí o produto saiu do ar. A OpenAI diz que as experiências web e app do Sora foram descontinuadas no começo do ano, e sua central de ajuda coloca o encerramento da API do Sora para mais tarde em 2026. É uma decisão de negócios, mas é um bom lembrete de que "simulador de mundo" era um enquadramento de pesquisa colado a um app de vídeo para consumidor.
A pesquisa independente é mais direta. O benchmark Physics-IQ testou Sora, Runway, Pika, Lumiere, Stable Video Diffusion e VideoPoet em dinâmica de fluidos, óptica, mecânica dos sólidos, magnetismo e termodinâmica. A conclusão: a compreensão física "é severamente limitada e não tem relação com o realismo visual" (arXiv). Outro estudo treinou modelos de vídeo em física simulada simples e descobriu que eles copiam o exemplo de treino mais próximo em vez de aprender a regra, concluindo que só escalar não vai revelar leis físicas.
Então trate modelos de vídeo como o Veo 3.1 e o Runway Gen-4.5 como excelentes renderizadores e simuladores fracos. Para um anúncio ou um storyboard, tudo bem. Mas é uma aposta ruim se você pretende confiar nas imagens para ensinar a um robô o que um piso molhado faz. Se o que você precisa é de vídeo, comece pela nossa comparação de stacks de vídeo com IA e pelo ranking de geradores de vídeo com IA.
Por que fabricantes de chips e investidores estão pagando caro
O negócio da AMD é o sinal mais claro de para onde isso caminha. A empresa avalia a transação, toda em ações, em cerca de US$ 8,2 bilhões, espera concluí-la até o fim de 2026, sujeita a aprovação regulatória, e vai nomear Fei-Fei Li vice-presidente executiva e cientista-chefe, reportando-se à CEO Lisa Su (AMD). O TechCrunch informa que a AMD espera que as "cargas de trabalho de fronteira" da World Labs moldem seu roadmap de chips, e apresenta a compra como uma forma de competir com a NVIDIA, que já oferece world models abertos pelo Cosmos (TechCrunch).
O capital de risco segue na mesma direção. Cada rodada abaixo foi anunciada este ano.
A AMI Labs levantou US$ 1,03 bilhão com avaliação pré-investimento de US$ 3,5 bilhões, com NVIDIA, Samsung, Temasek e Toyota Ventures entre os investidores (TechCrunch). O TechCrunch também informou que a World Labs levantou US$ 1 bilhão, sendo US$ 200 milhões da Autodesk, meses antes de concordar em se vender. A Runway levantou US$ 315 milhões a uma avaliação de US$ 5,3 bilhões para pré-treinar seus próximos world models, e a Odyssey levantou US$ 310 milhões a uma avaliação de US$ 1,45 bilhão, com Amazon e AMD Ventures envolvidas.
Quatro motivações aparecem o tempo todo. As fabricantes de chips querem a carga de trabalho: um diretor de pesquisa da DeepMind disse ao TechCrunch que, durante uma sessão do Project Genie, "existe um chip em algum lugar que é só seu" (TechCrunch).
Times de robótica precisam de dados de treinamento que são lentos e arriscados de coletar no mundo real. Conteúdo 3D é caro de construir à mão. E alguns laboratórios defendem que só linguagem não leva a IA ao mundo físico. A Luma disse isso sem rodeios ao levantar US$ 900 milhões no ano passado: "Para simular o universo, LLMs e texto não bastam." Repare na frequência com que a NVIDIA e o braço de venture da AMD aparecem nessas cap tables. As empresas que vendem computação estão financiando as empresas que vão queimá-la.
O que você realmente pode usar hoje
Tirando prévias de pesquisa e listas de espera, a lista fica curta. Aqui está o que está aberto ao público, ou a qualquer desenvolvedor com cartão de crédito, este ano.
| Produto | Ideal para | Como acessar | Preço |
|---|---|---|---|
| Marble (World Labs) | Criadores, designers, artistas de jogos | App web, autoatendimento | Grátis para até 4 mundos; US$ 20, US$ 35 ou US$ 95 por mês |
| World API (World Labs) | Desenvolvedores | World Labs Platform | Créditos de API pré-pagos |
| Project Genie (Google) | Consumidores curiosos | Plano Google AI Ultra, mais de 140 países | Ultra a partir de US$ 99,99 por mês |
| Cosmos 3 (NVIDIA) | Times de robótica, veículos autônomos e visão computacional | Pesos abertos; teste hospedado | Pesos gratuitos, computação por sua conta |
| Oasis 3 Preview (Decart) | Times de carros autônomos | API, pague conforme o uso | US$ 0,02 por segundo |
| V-JEPA 2 (Meta) | Pesquisadores | Código e checkpoints | Grátis |
| GWM Worlds 2 (Runway) | Estúdios e empresas | Prévia de pesquisa, formulário de contato | Não divulgado |
Os preços vêm das páginas dos próprios fornecedores (preços do Marble, planos de IA do Google). Duas coisas chamam atenção. O Marble é o único produto aqui que uma pessoa não desenvolvedora pode pagar e sair com um arquivo. E o Project Genie, a demo mais impressionante, é difícil de justificar pelo preço, a menos que você já pague pelo Ultra por outros motivos. O Google abriu o acesso inicialmente só para assinantes dos EUA maiores de 18 anos e limitou as gerações a 60 segundos, e agora lista mais de 140 países.
A matriz abaixo compara os quatro que você tem mais chance de testar, em atributos que conseguimos confirmar nas páginas dos fornecedores.
O Marble recebe marcação parcial em robótica porque a World Labs oferece sua World API a times de robótica, com integração a simuladores como o NVIDIA Isaac, enquanto o app para consumidor não foi feito para esse trabalho.
Um plano de uma semana para testar world models
- Abra o plano gratuito do Marble e construa um mundo a partir da foto de um cômodo real. A World Labs fala em cerca de cinco minutos para um mundo completo e cerca de 20 segundos para um rascunho (documentação da World Labs).
- Construa o mesmo cômodo a partir de um prompt de texto. Percorra as duas versões e procure regiões borradas ou derretidas, que mostram onde o modelo chutou.
- Se você paga pelo Google AI Ultra, refaça o cômodo no Project Genie. Afaste-se de uma porta, volte e anote o que mudou.
- Se você programa, baixe um checkpoint do Cosmos 3 no Hugging Face ou teste um modelo hospedado no catálogo da NVIDIA antes de comprometer GPUs.
- Anote uma tarefa que você entregaria a um world model e a saída de que ela precisa: vídeo, um splat, uma malha ou ações. O formato decide a ferramenta mais do que qualquer demo.
Não sabe por onde começar? Esta árvore leva você ao destino pelo seu objetivo em até duas perguntas.
A maioria dos caminhos que terminam em uma pessoa, e não em um robô, cai no Marble. É a forma mais barata de ter um mundo que você pode guardar.
Como avaliar uma demo de world model
Lançamentos de world models são editados para vídeo de rede social, e clipes curtos e editados favorecem qualquer modelo. Algumas checagens ajudam a ver além do brilho.
Comece pela duração. A própria página do Genie 3 no Google diz que o modelo oferece "alguns minutos de interação contínua, e não horas prolongadas" (Google DeepMind). Seu antecessor, o Genie 2, mostrava exemplos que duravam, em sua maioria, de 10 a 20 segundos. Um clipe de 15 segundos não diz quase nada, nem num sentido nem no outro.
Depois procure uma viagem de volta. A memória é a parte difícil. O Genie 3 lembra mudanças por cerca de um minuto, e a Runway diz que a memória de longo prazo do GWM Worlds 2 é imperfeita. Se a câmera nunca volta a um lugar que já mostrou, pergunte por quê.
Veja quem está dirigindo. Um percurso cinematográfico suave pode ser planejado de antemão, enquanto uma pessoa apertando teclas expõe o atraso. No teste prático do TechCrunch com o Project Genie, os controles não respondiam bem e o personagem às vezes atravessava paredes, embora mundos estilizados, como massinha e aquarela, ficassem bons (TechCrunch).
Por fim, separe aparência de física. O Physics-IQ constatou que as duas não têm relação em modelos de vídeo, então uma demo cheia de paisagens panorâmicas e sem colisões é uma demo de renderização. Use o avaliador no próximo vídeo de lançamento que você ver.
Um clipe de lançamento típico, editado, tira nota baixa aqui. Encare isso como marketing e faça seu próprio teste prático antes de planejar qualquer trabalho em torno do modelo.
Os limites que ninguém resolveu ainda
A consistência é a primeira barreira. Esses modelos geram cada momento a partir do que já produziram, então pequenos erros se acumulam. A análise do TechCrunch sobre o Oasis 3, da Decart, constatou que o mundo de direção perde coerência em sessões longas, com carros atravessando obstáculos e a memória da cena se degradando ao revisitar áreas (TechCrunch).
O custo é a segunda. O Oasis 3 custa US$ 0,02 por segundo, o que dá US$ 1,20 por minuto e US$ 72 por uma hora de direção simulada. O limite de 60 segundos do Google no Project Genie existe porque cada sessão ocupa hardware dedicado. Já uma fase de jogo pronta praticamente não custa nada a mais cada vez que alguém joga.
A avaliação é a terceira, e a menos discutida. Os benchmarks são jovens, e vários vêm dos mesmos laboratórios que publicam os modelos. Os próprios testes de raciocínio físico da Meta mostram humanos com 85% a 95%, com uma diferença notável para os melhores modelos (Meta AI). A NVIDIA afirma o primeiro lugar em vários rankings de geração de mundos com o Cosmos 3. Trate ranking de fornecedor como ranking de fornecedor.
As empresas também não falam muito. O TechCrunch informou este ano que as startups de world models estão guardando seus planos de produto, e o CEO da AMI Labs já disse que sua empresa não é o tipo de startup que lança um produto em três meses.
Quem deve esperar? Quem precisa de um pipeline de produção confiável para jogos, cinema ou construção ainda este ano. World models servem para bons rascunhos e material de referência. Ainda não substituem uma game engine nem um simulador de física que seu time já validou.
O que muda para criadores, desenvolvedores de jogos, arquitetos e times de robótica
Os criadores têm o valor mais imediato. Mundos do Marble são exportados para Unreal Engine, Unity, Blender e Houdini por plugins de Gaussian splatting, e você pode gravar sobrevoos de câmera em vídeo. Para previs e cenários virtuais, é um atalho de verdade. Fique atento à licença: os direitos comerciais começam no plano Pro de US$ 35, e o plano Standard de US$ 20 não os inclui (preços do Marble). Para objetos isolados, em vez de cenas inteiras, o ranking de geradores de modelos 3D é mais adequado.
Desenvolvedores de jogos devem tratar world models, por ora, como ferramenta de blocking e de conceito. O modo Chisel do Marble transforma formas 3D simples num mundo detalhado, o que serve para o layout inicial de fases. Mundos gerados não trazem lógica de jogo, colisões ajustadas nem orçamentos de desempenho, e é isso que faz um jogo ir para o mercado. O ranking de ferramentas de IA para desenvolvedores de jogos acompanha os assistentes que cobrem o resto do pipeline.
Arquitetos e designers de interiores são os próximos da fila. O cientista-chefe da Autodesk, Daron Green, disse ao TechCrunch que imagina clientes começando com "um esboço baseado em world model na World Labs (digamos, de um layout de escritório)" e refinando nas ferramentas da Autodesk. Para trabalhos prontos para o cliente hoje, o ranking de design de interiores e arquitetura com IA e nosso panorama de ferramentas de design de interiores cobrem opções mais maduras.
Times de software de robótica têm o caso mais forte. O Cosmos 3 foi feito para ser pós-treinado com os dados de câmera e de robô do seu time e rodar como simulador em malha fechada. A World Labs diz que seu sistema real-to-sim-to-real transforma uma tarefa real em milhares de variações simuladas e testa cada checkpoint de política em 2.000 testes simulados, com as notas simuladas acompanhando as do hardware. O ganho está na triagem: menos checkpoints fracos chegam a tocar um robô físico. A World Labs também conecta sua World API a simuladores como Isaac Sim e MuJoCo, então um piloto não significa trocar o simulador em que seu time já confia.
Perguntas frequentes
O ChatGPT é um world model?
Não no sentido que os laboratórios usam. O ChatGPT prevê texto. Ele consegue descrever o que acontece quando um copo cai de uma mesa, mas não entrega um estado sobre o qual você possa agir passo a passo. Todo o argumento de LeCun para a AMI Labs é que só modelos de linguagem não vão chegar lá.
Posso testar um world model de graça?
Pode. O plano gratuito do Marble inclui até quatro gerações de mundos, e os pesos do NVIDIA Cosmos 3 e do V-JEPA 2, da Meta, podem ser baixados de graça se você tiver GPUs adequadas. O Project Genie exige um plano pago Google AI Ultra.
World models vão substituir as game engines?
Não tão cedo. Mundos gerados interativos perdem a consistência em minutos, e nenhuma dessas ferramentas traz regras de jogo, então o caminho mais provável é híbrido: gerar um mundo-rascunho, exportar e finalizar no Unreal, no Unity ou no Blender. Os guias de exportação da World Labs já pressupõem esse fluxo.
O que acontece com o Marble agora que a AMD vai comprar a World Labs?
Nenhuma das duas empresas disse. O negócio ainda precisa de aprovação regulatória e deve ser concluído até o fim de 2026, e a World Labs diz que Justin Johnson e Ben Mildenhall continuarão liderando seu time dentro da AMD. Se o trabalho para clientes depende do Marble, exporte seus mundos e mantenha cópias locais.
O Sora ainda está disponível?
Não. A OpenAI diz que o produto Sora não está mais disponível: as experiências web e app foram descontinuadas no começo do ano, e a API deveria ser encerrada mais tarde em 2026. Para geração de vídeo, nosso guia dos melhores geradores de vídeo com IA cobre as ferramentas que continuam no mercado.