Em 2026, "modelo de mundo" é um dos termos menos consensuais no mundo da IA.
Um vídeo que pode ser gerado continuamente é chamado de modelo de mundo; um ambiente digital que muda em tempo real com operações de teclado e mouse também é chamado de modelo de mundo; sistemas que preveem estados futuros no espaço latente, bem como políticas que produzem diretamente ações de robôs, igualmente usam esse nome.
Esses modelos todos processam informações sobre o mundo, mas seus limites de capacidade estão muito distantes entre si. As imagens em vídeos gerados podem ser realistas o suficiente, mas violam leis físicas reais; um robô pode completar uma preensão, mas também pode estar familiarizado apenas com os objetos, posições de câmera e trajetórias de movimento no laboratório. Se um sistema aprendeu correlações visuais, estrutura física ou a relação entre ações e resultados é difícil de responder apenas com uma demonstração.
A confusão conceitual aumenta a dificuldade do julgamento técnico. Qualidade de imagem, precisão geométrica, capacidade de previsão e taxas de sucesso de tarefas são misturadas para comparação; equipes diferentes parecem estar competindo na mesma pista, mas na verdade podem estar respondendo a perguntas diferentes.
Portanto, a pesquisa sobre modelos de mundo está começando a retornar a uma questão básica: quais capacidades um modelo deve ter para passar da geração de conteúdo para a compreensão e transformação do mundo?
Li Feifei e World Labs dividem os modelos de mundo por função em renderizadores, simuladores e planejadores, que produzem pixels, estados do mundo e ações, respectivamente.
Link: https://www.worldlabs.ai/blog/taxonomy-of-world-models
LeCun, por outro lado, defende aprender estruturas de mundo previsíveis em um espaço latente abstrato, permitindo que o modelo retenha informações úteis para compreensão, raciocínio e planejamento.
Link: https://ai.meta.com/research/vjepa/
Zhu Jun, da Universidade de Tsinghua, oferece um terceiro ângulo. Já em dezembro passado, quando o Motus foi lançado, ele apresentou publicamente a visão geral de um "modelo de mundo geral"; em março deste ano, ele o posicionou como a base que conecta o mundo digital e o mundo físico. Alguns meses depois, Zhu Jun e sua equipe refinaram ainda mais esse framework no artigo "General World Models from First-Principles", definindo capacidades centrais a partir de primeiros princípios e fornecendo um roteiro evolutivo de cinco níveis.
Link do artigo: https://www.shengshu.com/assets/gwm-principles-and-roadmap.pdf
Relatório técnico: https://www.shengshu.com/zh/general-world-model/
O artigo resume as capacidades centrais de um modelo de mundo geral como compreensão, imaginação e ação. Um modelo precisa formar um julgamento sobre o mundo atual a partir de observações históricas, simular os futuros possíveis de diferentes escolhas, tomar ações e, em seguida, usar novas observações para se corrigir.
Ao longo desse framework, geração de vídeo, interação em tempo real, previsão em espaço latente e controle de robôs podem ser considerados diferentes estágios no mesmo caminho de capacidade.
O quão longe os modelos de mundo estão da inteligência geral também é transformado em perguntas mais específicas: Ele consegue manter um mundo coerente? Consegue prever as consequências das intervenções? Consegue aprender com feedback real? E consegue gradualmente formar objetivos e organizar ações mais complexas?
Os Primeiros Princípios dos Modelos de Mundo
Muitas pessoas já tiveram a experiência de aprender a andar de bicicleta.
No começo, o corpo sempre oscila. Ao ver o guidão inclinar-se para um lado e sentir o centro de gravidade do corpo começar a afundar, a pessoa imediatamente ajusta a direção e depois continua a corrigir com base no novo feedback. Com mais prática, o cérebro gradualmente aprende a antecipar qual resultado uma determinada ação trará.
Este é precisamente o significado mais básico de um modelo de mundo.
Em 1943, Kenneth Craik propôs que os humanos formam "modelos em pequena escala" da realidade em suas mentes, usando-os para simular os possíveis resultados de diferentes ações. O POMDP no aprendizado por reforço descreve ainda mais esse processo: o agente recebe observações parciais, estima o estado do mundo, toma ações e então atualiza seu julgamento com base em novas observações.
A equipe de Zhu Jun resume essa lógica como as três capacidades centrais de um modelo de mundo geral, que se conectam entre si e formam um ciclo fechado em constante atualização:
Compreensão: integrar informações como visão, linguagem, som, tato ou sensores de robôs em um julgamento interno sobre o mundo atual;
Imaginação: simular múltiplos futuros possíveis a partir do estado atual, especialmente "o que aconteceria se eu tomasse a ação A em vez da ação B";
Ação: transformar previsões em intervenções no ambiente digital ou físico, e deixar que as novas observações após a ação, por sua vez, testem e corrijam o modelo.
As três capacidades centrais de um modelo de mundo geral formam um ciclo fechado: a compreensão é responsável por inferir o estado atual, a imaginação é responsável por prever futuros possíveis, e a ação muda o mundo e fornece novas evidências para a próxima rodada de compreensão.
É também por isso que a geração de vídeo não é a totalidade de um modelo de mundo.
Os modelos de vídeo conseguem responder como a próxima
Laihua
cena pode parecer, mas para avançar em direção a um modelo de mundo geral, ele também precisa responder a perguntas como "Se eu mudar esta condição, mover este objeto ou aplicar esta ação, como o mundo seria diferente?" Somente previsões com condições de ação como essas tocam em causalidade, contrafactuais e tomada de decisão executável.
Compreender, imaginar, agir — como eles formam um ciclo fechado?
Para descrever como os modelos de mundo evoluem, a equipe de Zhu Jun propôs ainda um roteiro de cinco níveis, ou seja, de L1 gerando o mundo, L2 interagindo com o mundo e L3 agindo no mundo, avançando gradualmente em direção a L4 agentes autônomos de mundo e L5 organizadores de mundo.
É mais intuitivo entender isso com um copo de vidro empurrado até a borda de uma mesa.
Um modelo L1 pode gerar uma sequência contínua do copo escorregando, caindo e se estilhaçando; um modelo L2 pode continuar evoluindo esse mundo depois que o usuário muda o ponto de vista ou a direção do empurrão; no L3, o modelo precisa julgar se o copo vai cair, prever se estender a mão chegará a tempo e emitir uma ação de agarrar que um robô possa realmente executar. Só depois de agir é que ele saberá se seus julgamentos sobre o peso do copo, o atrito e o momento de agarrar estavam corretos.
Subindo mais um nível, o L4 não espera mais apenas instruções das pessoas; ele precisa ser capaz de descobrir riscos, observar ativamente, complementar informações e revisar estratégias após falhas. O L5 enfrenta ainda a colaboração multiagente, como quem pega o copo, quem desvia de obstáculos, quem aloca ferramentas e como reorganizar as tarefas depois que o ambiente muda.
O significado deste roteiro é que ele transforma "modelo de mundo" de um substantivo em um conjunto de perguntas que podem ser testadas nível por nível.
O L1 observa se as trajetórias geradas são coerentes, o L2 observa se o mundo pode responder continuamente, o L3 observa se o modelo pode mudar o ambiente físico, o L4 observa se o sistema pode explorar ativamente e aprender continuamente, e o L5 observa se ele pode organizar a colaboração multiagente em ambientes abertos.
Os objetivos formais de modelagem e as capacidades adquiridas do roteiro de cinco níveis para modelos gerais de mundo (GWM).
De acordo com o julgamento apresentado no artigo, os sistemas existentes já alcançaram os três primeiros níveis, enquanto L4 e L5 permanecem problemas em aberto. As principais lacunas incluem fundamentação causal e física, memória persistente, aprendizado online, implantação eficiente e controle de segurança. A avaliação também deve comparar previsões com resultados reais e examinar a transferibilidade do modelo para tarefas, ambientes e corporificações desconhecidos.
Do vídeo à corporificação, duas validações da mesma hipótese
A dificuldade dos modelos de mundo não está apenas nos algoritmos.
O vídeo da internet tem escala massiva e registra uma ampla variedade de objetos, pessoas, cenas e movimentos. Os modelos podem aprender com ele estrutura espacial, permanência de objetos, comportamento humano e como os eventos geralmente se desenrolam, mas o vídeo raramente registra simultaneamente as ações, forças e intenções que causam as mudanças. As trajetórias de robôs podem conectar observações, ações e resultados, mas os custos de coleta são mais altos, e elas são facilmente vinculadas a hardware e tarefas específicos.
O caminho proposto pela equipe de Zhu Jun é colocar esses dois tipos de dados em uma pirâmide de dados que vai da observação à ação.
A pirâmide de dados dos modelos gerais de mundo (GWM) e sua relação com o roteiro de capacidades de cinco níveis.
Na base está o vídeo em escala de internet, usado para adquirir conhecimento de mundo e priors dinâmicos. Acima dele, em ordem, estão vídeo de domínio, vídeo humano em primeira pessoa, demonstrações humanas com registros de ações e, no topo, dados reais de interação com robôs. Quanto mais alto se sobe, mais escassos e custosos são os dados, mas mais clara é a correspondência entre ações, tarefas e corporificações de robôs.
Isso explica por que a Shengshu Technology avança tanto na geração de vídeo quanto na inteligência corporificada: o vídeo fornece a amplitude do conhecimento de mundo, enquanto os dados de robôs completam a fundamentação das ações.
No lado do mundo digital,
Vidu
a série continua a explorar a geração e a interação com o mundo visual. O vídeo não é o ponto final dos modelos de mundo, mas é um importante ponto de partida, permitindo que os modelos aprendam como objetos, cenas, movimentos e eventos evoluem em meio a mudanças espaço-temporais em larga escala.
Vidu
S1 avança ainda mais a geração one-shot para resposta em tempo real, permitindo que a entrada do usuário mude continuamente o conteúdo subsequente e testando se o modelo consegue manter a continuidade de estado durante a interação.
No lado do mundo físico, Motus e Motubrain conectam a compreensão do ambiente, a previsão de estado e as ações do robô no mesmo pipeline. O modelo precisa ver o ambiente com clareza, prever as consequências da intervenção e, em seguida, traduzir os julgamentos em ações executáveis e submetê-los à validação por resultados reais.
Sistemas representativos existentes que realizam L1 a L3.
As duas linhas de produtos formam, assim, duas validações da mesma hipótese de modelo de mundo. O ambiente digital testa se o modelo consegue entender e imaginar o mundo, enquanto o ambiente físico testa se esse conhecimento pode sustentar a ação e ser revisado por meio de feedback.
Para permitir que os dois tipos de verificação compartilhem capacidades subjacentes, imagens, vídeo, linguagem e ações de robôs precisam computar colaborativamente em torno do mesmo estado de mundo. Sistemas modulares tradicionais passam informações nível por nível, o que facilmente perde informações geométricas, temporais e de incerteza nas interfaces. Compartilhar totalmente os parâmetros entre todas as modalidades também pode causar conflitos de treinamento, deixando dados massivos de vídeo suprimirem sinais escassos de robôs.
A arquitetura MoT (Mixture-of-Transformers) proposta pela equipe de Zhu Jun tenta alcançar um equilíbrio entre os dois. Diferentes modalidades mantêm seus próprios parâmetros especialistas e, em seguida, trocam contexto por meio de um mecanismo de atenção compartilhado. A visão diz ao modelo o que está acontecendo no ambiente, a linguagem fornece objetivos e restrições, e a ação traz a intervenção para o ambiente; os três tipos de informação atualizam conjuntamente o julgamento do modelo sobre o mundo.
O MoT fornece a base para a computação unificada, mas leis físicas, transferência entre corporificações, inferência em tempo real e controle de segurança ainda precisam ser resolvidos por meio de dados, treinamento e engenharia de sistemas. O objetivo que ele aponta é muito claro: um modelo de mundo geral precisa de um estado de mundo que possa ser lido e escrito conjuntamente por diferentes modalidades e continuamente atualizado.
Motus2:
Deixe os robôs, antes de agir,
primeiro experimentarem em seu próprio mundo
Se Motus e Motubrain avançaram a exploração do modelo de mundo da Shengshu até L3, permitindo que robôs gerem ações com base na compreensão do ambiente e na previsão do futuro, então o recentemente proposto Motus2 adiciona ainda mais avaliação de resultados e feedback de política, tentando dar ao loop de ação capacidade de autoaperfeiçoamento.
Motus2 não transforma geração de ação, simulação futura e avaliação de resultados em três sistemas mutuamente independentes. Em vez disso, usa um único modelo de vídeo-ação com parâmetros compartilhados para expor três interfaces de controle:
Política (Policy / World-Action Model): propõe ações candidatas executáveis;
Simulador (Simulator / Action-Conditioned World Model): prevê as possíveis consequências dessas ações no mundo visual;
Avaliador (Evaluator / Value Model): julga qual resultado está mais próximo do objetivo da tarefa e usa esse julgamento para seleção e melhoria.
Você pode pensar nisso como um caso verdadeiro de "primeiro a mente, depois as mãos".
O robô não dá mais simplesmente uma ação diretamente após ver um objeto. Em vez disso, ele primeiro propõe vários planos candidatos, ensaia no modelo as imagens e o progresso da tarefa que cada um traria, e então escolhe o passo melhor. Após a execução, sucesso, falha e resultados menos que ideais não são mais apenas desperdício de dados, mas se tornam evidências para a próxima rodada de modelagem de dinâmica e aprendizado de valor.
Ação, predição, avaliação, feedback e reação entram assim no mesmo ciclo de decisão e aprendizado, que é também a auto-evolução em circuito fechado enfatizada pelo Motus2.
No lado dos dados, o Motus2 adota um caminho de treinamento hierárquico, expandindo de vídeo monocular em primeira pessoa para dados binoculares sincronizados em primeira pessoa, e então completando a adaptação de corporificação por meio de dados de robôs. Seu treinamento usa cerca de 130.000 horas de gravações humanas em primeira pessoa, bem como mais de 100 horas de trajetórias de robôs e dados de alinhamento humano-robô.
Esse caminho primeiro permite que o modelo acumule uma experiência compartilhada de como os humanos interagem com o mundo, e depois permite que ele aprenda por meio de dados de robôs como esse corpo transforma compreensão em ação.
No lado da execução, o Motus2 também usa um especialista tátil leve e independente para refinar as ações curtas prestes a serem executadas e prever o feedback de força após o contato. A visão é boa em ver onde os objetos estão e aproximadamente como o mundo muda, enquanto o tato preenche o mais difícil "último centímetro" quando ocorre o contato, dando ao modelo uma camada extra de correção em tempo real para operações delicadas, como pressionar, tocar, agarrar e girar, além de "ser capaz de ver".
O Motus2 ainda está no estágio de extensão de L3 para L4. A validação atual está concentrada principalmente em robôs específicos e tarefas de manipulação, e a formação autônoma de objetivos, memória persistente, generalização em ambientes abertos, aprendizado online de longo prazo e controle de segurança ainda precisam ser explorados.
Seu principal progresso é colocar a geração de políticas, a simulação futura, a avaliação de valor e o feedback tátil no mesmo sistema, permitindo que os robôs ensaiem consequências antes de agir e usem os resultados para melhorar estratégias após agir, proporcionando um caminho testável em direção a agentes autônomos de mundo L4.
Do aprendizado probabilístico à inteligência de mundo
Um caminho tecnológico chinês
O arcabouço dos modelos de mundo gerais também continua a direção de pesquisa de longo prazo acumulada por Zhu Jun e pelo Tsinghua TSAIL.
O professor Zhu Jun há muito estuda métodos bayesianos, aprendizado de máquina probabilístico, modelos generativos e aprendizado por reforço, lidando respectivamente com incerteza, distribuição de dados, geração futura e tomada de decisão de ação.
O TSAIL também treinou e influenciou um grupo de pesquisadores que entraram nas principais equipes do mundo. Song Yang colaborou com Zhu Jun em pesquisa de aprendizado bayesiano durante seus anos de graduação, e Song Jiaming também participou de trabalhos relacionados durante seu período de graduação, posteriormente produzindo impactos importantes nas direções de modelos generativos baseados em score e DDIM, respectivamente.
Da modelagem probabilística à geração e tomada de decisão, essa linhagem acadêmica também reflete dois tipos de pontos de entrada para o desenvolvimento da AGI. Um começa pela linguagem e gradualmente aprimora capacidades de raciocínio, chamada de ferramentas e execução de tarefas; o outro começa pela visão e pelo mundo dinâmico e continua em direção à interação em tempo real e ação corporificada.
Dentro do panorama da indústria de AGI da China, Zhipu e Shengshu podem ser vistos como representantes dos dois caminhos. A Zhipu começa de modelos de linguagem e aprimora continuamente capacidades de raciocínio, Coding e Agent; a Shengshu começa da geração de vídeo e avança para interação em tempo real, ação corporificada e otimização de políticas.
As duas rotas estão se penetrando mutuamente. Agentes de linguagem precisam de feedback visual e modelos de ambiente, e modelos de mundo também precisam de linguagem para expressar objetivos, regras e planos. Diferentes pontos de entrada, em última análise, apontam todos para a modelagem conjunta de linguagem, estado do mundo e ação.
Conclusão
A competição em modelos de mundo acabará por mudar do fator de choque dos Demos para a capacidade dos sistemas de resistir ao feedback.
Imagens podem criar uma primeira impressão crível, a geometria e a física determinam se este mundo pode ser usado repetidamente, e a ação traz o julgamento do modelo para a realidade. Se uma previsão se sustenta deve esperar até que a intervenção ocorra para ser confirmada; se uma tarefa tem sucesso também deve ser testada em cenários desconhecidos, operação de longo prazo e mudança contínua.
O artigo da equipe de Zhu Jun não escreve a resposta final para o debate sobre modelos de mundo, mas fornece um conjunto de perguntas que podem continuar a ser testadas: o que o modelo entende, até onde ele pode imaginar, e se ele pode se corrigir após agir.
Ao longo da última década, o progresso mais importante em IA veio do aprendizado de padrões em linguagem e dados. Na próxima etapa, os modelos também terão que enfrentar ambientes em contínua mudança. Quando os modelos puderem continuamente formar julgamentos, arcar com as consequências das ações e continuar aprendendo em tais ambientes, os modelos de mundo gradualmente passarão de um termo técnico concorrido para uma base no caminho rumo à inteligência geral.
Este artigo vem da conta pública do WeChat "机器之心" (ID: almosthuman2014), autor: Yang Wen
