Os grandes modelos de linguagem estão a atingir limites em domínios que exigem uma compreensão do mundo físico – desde a robótica à condução autónoma e à produção. Essa restrição está a empurrar os investidores para modelos mundiais, com a AMI Labs a levantar uma ronda inicial de 1,03 mil milhões de dólares pouco depois de a World Labs ter garantido mil milhões de dólares. Os grandes modelos de linguagem (LLMs) são excelentes no processamento de conhecimento abstrato por meio da previsão do próximo token, mas carecem fundamentalmente de base na causalidade física. Eles não podem prever com segurança as consequências físicas das ações no mundo real. Os pesquisadores e líderes de pensamento em IA falam cada vez mais sobre essas limitações à medida que a indústria tenta empurrar a IA para fora dos navegadores da web e para dentro dos espaços físicos. Numa entrevista ao podcaster Dwarkesh Patel, Richard Sutton, ganhador do Prêmio Turing, alertou que os LLMs apenas imitam o que as pessoas dizem em vez de modelar o mundo, o que limita sua capacidade de aprender com a experiência e de se ajustar às mudanças no mundo. É por isso que os modelos baseados em LLMs, incluindo modelos de linguagem de visão (VLMs), podem apresentar um comportamento frágil e quebrar com mudanças muito pequenas nas suas entradas. O CEO do Google DeepMind, Demis Hassabis, ecoou esse sentimento em outra entrevista, apontando que os modelos de IA atuais sofrem de “inteligência irregular”. Eles podem resolver olimpíadas complexas de matemática, mas falham em física básica porque faltam capacidades críticas em relação à dinâmica do mundo real. Para resolver este problema, os investigadores estão a mudar o foco para a construção de modelos mundiais que funcionam como simuladores internos, permitindo que os sistemas de IA testem hipóteses com segurança antes de tomarem medidas físicas. No entanto, “modelos mundiais” é um termo genérico que abrange várias abordagens arquitetónicas distintas. Isso produziu três abordagens arquitetônicas distintas, cada uma com diferentes compensações. JEPA: construído para tempo real A primeira abordagem principal concentra-se no aprendizado de representações latentes em vez de tentar prever a dinâmica do mundo no nível do pixel. Aprovado pela AMI Labs, este método é fortemente baseado na Joint Embedding Predictive Architecture (JEPA). Os modelos JEPA tentam imitar a forma como os humanos entendem o mundo. Quando observamos o mundo, não memorizamos cada pixel ou detalhe irrelevante de uma cena. Por exemplo, se você observar um carro passando por uma rua, você monitora sua trajetória e velocidade; você não calcula o reflexo exato da luz em cada folha das árvores ao fundo. Os modelos JEPA reproduzem este atalho cognitivo humano. Em vez de forçar a rede neural a prever exatamente como será o próximo quadro de um vídeo, o modelo aprende um conjunto menor de recursos abstratos ou “latentes”. Ele descarta os detalhes irrelevantes e concentra-se inteiramente nas regras básicas de como os elementos da cena interagem. Isso torna o modelo robusto contra ruídos de fundo e pequenas alterações que quebram outros modelos. Essa arquitetura é altamente eficiente em termos de computação e memória. Ao ignorar detalhes irrelevantes, são necessários muito menos exemplos de treinamento e executados com latência significativamente menor. Essas características o tornam adequado para aplicações onde a eficiência e a inferência em tempo real não são negociáveis, como robótica, carros autônomos e fluxos de trabalho empresariais de alto risco. Por exemplo, a AMI está em parceria com a empresa de saúde Nabla para utilizar esta arquitetura para simular a complexidade operacional e reduzir a carga cognitiva em ambientes de saúde de ritmo acelerado. Yann LeCun, pioneiro da arquitetura JEPA e cofundador da AMI, explicou que os modelos mundiais baseados no JEPA são projetados para serem "controlável no sentido de que você pode dar-lhes objetivos e, por construção, a única coisa que eles podem fazer é atingir esses objetivos" em entrevista à Newsweek. Splats gaussianos: construídos para o espaço Uma segunda abordagem baseia-se em modelos generativos para construir ambientes espaciais completos a partir do zero. Adotado por empresas como o World Labs, esse método recebe um prompt inicial (pode ser uma imagem ou uma descrição textual) e usa um modelo generativo para criar um splat gaussiano 3D. Um splat gaussiano é uma técnica para representar cenas 3D usando milhões de minúsculas partículas matemáticas que definem a geometria e a iluminação. Ao contrário da geração de vídeo plano, essas representações 3D podem ser importadas diretamente para motores físicos e 3D padrão, como o Unreal Engine, onde os usuários e outros agentes de IA podem navegar livremente e interagir com eles de qualquer ângulo. O principal benefício aqui é uma redução drástica no tempo e no custo único de geração necessários para criar ambientes 3D interativos complexos. Ele aborda exatamente o problema descrito pelo fundador do World Labs, Fei-Fei Li, que observou que os LLMs são, em última análise, como “formadores de palavras no escuro”, possuindo uma linguagem floreada, mas sem inteligência espacial e experiência física. O modelo Marble do World Labs dá à IA aquela consciência espacial que falta. Embora essa abordagem não seja projetada para execução em frações de segundo e em tempo real, ela tem um enorme potencial para computação espacial, entretenimento interativo, design industrial e construção de ambientes de treinamento estático para robótica. O valor empresarial é evidente no forte apoio da Autodesk ao World Labs para integrar estes modelos nas suas aplicações de design industrial. Geração ponta a ponta: construída para escala A terceira abordagem usa um modelo generativo de ponta a ponta para processar prompts e ações do usuário, gerando continuamente a cena, a dinâmica física e as reações em tempo real. Em vez de exportar um arquivo 3D estático para um mecanismo físico externo, o próprio modelo atua como mecanismo. Ele ingere um prompt inicial junto com um fluxo contínuo de ações do usuário e gera os quadros subsequentes do ambiente em tempo real, calculando a física, a iluminação e as reações dos objetos nativamente. O Genie 3 da DeepMind e o Cosmos

O futuro da IA ​​não é apenas agente; é uma personalização profunda. Em vez de simples sistemas de recomendação que correlacionam o comportamento

Nos últimos anos, a startup chinesa de IA MiniMax tornou-se uma das mais interessantes no concorrido mercado global de IA, conquistando uma reputação

A era da IA ​​generativa começou para a maioria das pessoas com o lançamento do ChatGPT da OpenAI no final de 2022, mas

A Nvidia revelou na segunda-feira um supercomputador de mesa poderoso o suficiente para executar modelos de IA com até um trilhão de parâmetros

Recente relatórios sobre as taxas de fracasso de projetos de IA levantaram questões desconfortáveis ​​para organizações que investem pesadamente em IA. Grande parte

O mundo da engenharia de software está atualmente lutando com um paradoxo fundamental da era da IA: à medida que os modelos se

NanoClaw, a plataforma de agente de IA de código aberto criada por Gavriel Cohen, está fazendo parceria com a plataforma de desenvolvimento em

Qual é o papel dos bancos de dados vetoriais no mundo da IA ​​agente? Essa é uma questão que as organizações têm enfrentado