Modelos de linguagem aprendem regularidades da linguagem. Modelos de mundo tentam aprender como ambientes mudam. A diferença importa quando uma IA precisa não apenas responder, mas prever consequências e agir.
Um modelo que prevê palavras não precisa entender uma mesa
Um sistema pode escrever uma ótima descrição de uma mesa sem ter sido treinado para prever o que acontecerá se alguém empurrar uma caneca até a borda.
Um modelo de linguagem trabalha, de forma simplificada, prevendo quais unidades de linguagem provavelmente vêm depois das anteriores.
Mas um robô diante de uma mesa enfrenta outro problema. Se mover o braço cinco centímetros, a caneca continuará no lugar? Cairá? O braço encontrará um obstáculo?
É aí que entram os modelos de mundo, ou world models.
O que é um modelo de mundo
Um modelo de mundo é uma representação interna que permite a um sistema estimar como um ambiente pode evoluir e, em muitos casos, como uma ação pode alterá-lo.
Em 2018, David Ha e Jürgen Schmidhuber apresentaram o trabalho World Models, no qual um sistema aprende uma representação comprimida, espacial e temporal, de ambientes e utiliza esse “mundo interno” para orientar o treinamento de suas ações.
O princípio é intuitivo: antes de agir, é útil representar possibilidades.
É algo próximo de pensar: “se eu soltar este objeto, ele cai”. O modelo tenta capturar regularidades desse tipo sem que alguém programe manualmente todas as situações possíveis.
Isso não significa que a máquina “compreenda o mundo” como uma pessoa. Significa que aprendeu representações úteis para prever estados e consequências.
Prever o próximo estado, não apenas o próximo token
A comparação com LLMs ajuda, desde que não seja levada longe demais.
Um modelo de linguagem é treinado principalmente sobre sequências de tokens. Já um world model pode aprender com vídeo, imagens, sensores, trajetórias de robôs ou ambientes simulados.
Em vez de perguntar apenas “o que vem depois nesta sequência?”, o sistema precisa lidar com questões como:
- onde os objetos estão;
- como eles se movimentam;
- o que muda com o tempo;
- o que provavelmente acontece depois de uma ação.
Alguns modelos fazem previsões sobre imagens ou vídeo. Outros trabalham em representações internas comprimidas, os chamados espaços latentes.
Portanto, “world model” não é o nome de uma única arquitetura.
Como uma IA aprende espaço, movimento e consequência
Um dos caminhos é aprender pela observação.
A Meta apresentou, em 2025, o V-JEPA 2, um modelo de mundo treinado principalmente com vídeo para aprender representações do ambiente, antecipar como ele pode mudar e apoiar tarefas de planejamento no mundo físico.
Após uma etapa adicional com trajetórias robóticas, também foi usado para planejar ações em ambientes novos.
Outra abordagem aparece no Genie 3, do Google DeepMind, que gera ambientes interativos capazes de mudar em resposta às ações realizadas neles.
São propostas diferentes, mas ajudam a entender por que vídeo e interação ganharam importância.
Texto pode dizer que uma bola cai; observar cenas em movimento oferece informações sobre espaço, continuidade, movimento e consequência.
É uma extensão da lógica do deep learning: em vez de entregar cada regra à máquina, procura-se fazer com que regularidades sejam aprendidas a partir dos dados.
World models vão substituir os LLMs?
Provavelmente essa é a pergunta errada.
A linguagem continua útil para instruções, conhecimento e comunicação. Modelos de mundo ganham importância quando o sistema precisa representar ambientes e antecipar consequências.
As duas podem trabalhar juntas. Um robô pode interpretar a ordem “guarde os copos no armário”, localizar os objetos, estimar movimentos e executar a ação.
Por isso, não há necessidade de transformar IA generativa e IA preditiva em uma disputa de categorias. Sistemas reais podem combinar capacidades diferentes.
O que ainda não funciona tão bem quanto parece
Simular não é o mesmo que acertar.
Um modelo pode produzir uma evolução visualmente convincente e ainda errar relações físicas importantes. Pequenos erros também podem se acumular conforme a previsão avança.
O mundo real apresenta situações ausentes dos dados de treinamento. Por isso, modelos de mundo não eliminam sensores, testes, mecanismos de segurança nem validação fora da simulação.
Talvez seja isso que torne essa frente tão interessante.
Depois de sistemas que impressionaram ao prever a próxima palavra, parte da pesquisa tenta resolver um problema mais ingrato: prever o que acontece depois quando uma ação muda o mundo.
Para entender onde essa mudança começa, vale voltar às peças de IA que já estavam no cotidiano e perceber o quanto elas agora começam a sair da tela.
Porque o mundo físico, ao contrário de uma frase, não aceita simplesmente apertar Backspace.