Os movimentos de um jogador em um videogame podem se transformar em dados para treinar sistemas de inteligência artificial capazes de agir no mundo físico. Essa é a aposta da britânica Worldmodeldata, que pretende organizar informações produzidas por jogos, como imagens tridimensionais, comandos de controle e consequências das ações. A proposta mira modelos de mundo, sistemas que tentam aprender como objetos e ambientes se comportam para prever o resultado de uma ação.
A pauta foi publicada pela WIRED em 28 de setembro. O tema interessa a desenvolvedores porque expõe um dos limites atuais da IA generativa. Modelos de linguagem aprendem muito sobre palavras, mas isso não significa que saibam controlar um braço robótico, dirigir um veículo ou pegar um objeto sem derrubá-lo. Para essas tarefas, o sistema precisa relacionar percepção, movimento, causa e consequência.
Videogames oferecem um ambiente digital no qual essas relações aparecem em grande volume. Um botão pressionado altera a posição do personagem. Uma colisão muda a trajetória. Uma decisão tomada em um cenário pode produzir uma reação do ambiente. O jogo não reproduz perfeitamente a realidade, mas registra sequências de ações que seriam caras e lentas de coletar em laboratórios físicos.
O que são modelos de mundo
Um modelo de mundo é uma representação computacional de como um ambiente funciona. Em vez de apenas classificar uma imagem ou completar uma frase, ele tenta prever o que acontecerá depois de uma ação. Se uma mão virtual empurra um objeto, o sistema deve estimar a direção e a velocidade do movimento. Se um veículo muda de faixa, precisa considerar outros veículos, obstáculos e o tempo necessário para responder.
Essa capacidade é diferente de decorar padrões. O sistema precisa aprender uma noção prática de espaço e tempo. Em robótica, isso pode ajudar a planejar trajetórias, escolher onde colocar uma garra e lidar com situações que não foram repetidas exatamente durante o treinamento. Em veículos autônomos, pode servir para simular cenários raros antes de uma decisão ser testada em uma rua real.
O desafio é obter dados de ação em quantidade suficiente. Vídeos da internet mostram o que aconteceu, mas muitas vezes não registram a força aplicada, a intenção do movimento ou a relação entre o comando e a resposta. Sensores instalados em robôs fornecem dados mais fiéis, mas custam caro e cobrem poucos ambientes. Jogos podem preencher parte desse espaço porque já contam com mundos tridimensionais, regras, personagens e milhões de horas de interação.
Como a Worldmodeldata pretende usar os jogos
A empresa não quer simplesmente gravar telas. A ideia é empacotar os comandos dos controles e as informações do ambiente em conjuntos de treinamento que possam ser licenciados por laboratórios de IA. O modelo poderia aprender que uma sequência de comandos produz um deslocamento, uma curva ou uma mudança de estado dentro do jogo. A companhia afirma ter licenciado quase 1 milhão de horas de dados de estúdios, embora não tenha identificado quais jogos participam do programa.
O papel de intermediário resolve um problema comercial e técnico. Em vez de cada laboratório negociar com dezenas de estúdios, uma empresa especializada pode organizar formatos, permissões e metadados. Também pode separar as experiências por tipo de ambiente, física, câmera e tarefa. Para um desenvolvedor, essa padronização é tão importante quanto o volume. Um conjunto enorme, mas mal documentado, é difícil de usar e de auditar.
O jogador também pode entrar nessa cadeia
A empresa diz que pretende criar mecanismos para remunerar jogadores individuais. Isso abre uma discussão sobre propriedade e consentimento. Uma partida pode conter decisões feitas por uma pessoa, imagens licenciadas por um estúdio e regras criadas por outra equipe. Transformar esse material em dado de treinamento exige clareza sobre quem autorizou o uso, quanto tempo a permissão vale e quais aplicações são permitidas.
Para o jogador, a questão não é apenas receber ou não uma remuneração. É saber se sua atividade será usada para treinar um robô industrial, um sistema de direção ou um produto de entretenimento. Plataformas que coletam dados de comportamento precisam explicar o uso em linguagem compreensível, oferecer controles e evitar que uma autorização escondida em termos longos seja tratada como consentimento informado.
Por que o videogame não representa perfeitamente a realidade
O principal limite da proposta é que a física de um jogo costuma ser uma aproximação. Desenvolvedores simplificam movimentos para que a experiência seja divertida e responsiva. Um personagem pode pegar uma fruta sem simular a pressão de cada dedo. Um veículo pode fazer uma curva impossível em um carro real porque o objetivo é criar uma sensação agradável. Os truques que tornam um jogo jogável podem confundir um modelo treinado para operar no mundo físico.
Pesquisadores e empresas do setor também questionam se dados de controle são suficientes para tarefas que exigem contato fino. O aperto correto de uma garra depende de textura, peso, atrito e deformação. Esses atributos nem sempre existem no motor de jogo ou aparecem com a precisão necessária. Dados virtuais podem ensinar planejamento e navegação, mas ainda precisam ser ajustados com experiências reais antes de comandar uma máquina.
A Nvidia, que também desenvolve modelos de mundo, prefere usar um mecanismo próprio para representar física realista em seus sistemas. A empresa argumenta que entradas de videogame podem funcionar melhor para gerar ambientes tridimensionais ou vídeo hiper-realista do que para manipular objetos delicados. Essa divergência mostra que ainda não existe um caminho único para criar uma IA com noção física.
O que desenvolvedores podem aprender com a abordagem
O caso mostra que dados de treinamento precisam conter mais que uma imagem final. Para ensinar ação, é preciso registrar o estado inicial, o comando, a mudança observada e as condições do ambiente. Esse princípio vale para simulações, robôs, jogos e aplicações de realidade virtual. Uma equipe que deseja treinar um agente deve pensar desde cedo em quais eventos serão registrados e como eles poderão ser reproduzidos.
Também é importante separar demonstração de compreensão. Um sistema pode imitar a trajetória de um jogador sem saber por que aquela trajetória funcionou. Para testar se o modelo aprendeu algo útil, os desenvolvedores precisam mudar o cenário, introduzir obstáculos e verificar se o agente generaliza o comportamento. Se ele só repete sequências familiares, o ganho é limitado.
Outro cuidado é combinar dados virtuais e reais. A simulação reduz o custo dos testes e permite explorar situações perigosas, mas a realidade tem ruído, atraso de sensores, objetos irregulares e falhas mecânicas. A chamada transferência simulação-real exige técnicas que adaptem o que foi aprendido no jogo ao ambiente físico. Sem essa etapa, um modelo pode parecer excelente no computador e falhar quando o robô encontrar uma superfície diferente.
Uma ponte promissora, mas ainda em teste
Usar jogos para treinar IA física não transforma automaticamente um personagem virtual em robô inteligente. A proposta é uma forma de ampliar a oferta de dados sobre ação e consequência, especialmente para ambientes e tarefas difíceis de reproduzir. O valor pode aparecer primeiro em navegação, simulação e geração de ambientes, antes de chegar à manipulação fina de objetos.
Para o público brasileiro, o assunto importa porque as mesmas técnicas podem influenciar robôs de logística, sistemas de direção assistida, jogos mais interativos e ferramentas de treinamento profissional. A evolução dependerá de qualidade técnica, licenciamento e transparência sobre os dados. A grande pergunta não é se um jogo parece real, mas quais relações de causa e efeito ele consegue ensinar com precisão suficiente para uma máquina agir com segurança.
