No meio da rápida evolução tecnológica, identificar aquilo que «permanece imutável» | Conversa com dois empreendedores da IA

Introdução

Do Next Token ao Next State.

Quando a IA generativa já é capaz de criar imagens tão realistas que parecem verdadeiras, escrever guiões fluidos e até gerar excertos de vídeo coerentes, surge a seguinte questão: por que razão ainda não vimos um produto de entretenimento interativo que pertença verdadeiramente à era da IA?

Os elementos tecnológicos parecem estar todos reunidos, mas assemelham-se mais a peças espalhadas pelo chão, ainda por montar numa máquina capaz de funcionar. Todo o setor parece estar numa fase em que «os cegos apalpam o elefante»: cada um apalpa uma parte do elefante, mas ainda ninguém conseguiu vislumbrar verdadeiramente o quadro completo.

Os dois convidados que o programa «405» recebeu recentemente encontram-se, por acaso, de cada lado deste elefante.

Dai Bo, fundador da Feeling AI (Yunwu Intelligence) e professor assistente na Universidade de Hong Kong.Desde que iniciou o doutoramento em 2014 que se dedica à área da IA generativa. Fez o doutoramento no MMLab da Universidade Chinesa de Hong Kong, sob a orientação do professor Lin Dahua. As suas publicações no Google Scholar foram citadas mais de 10 000 vezes e, nos últimos três anos, foi selecionado consecutivamente para o grupo dos 2% dos melhores cientistas do mundo.O seu trabalho mais conhecido é o AnimateDiff — este modelo de geração de vídeo de código aberto chegou a conquistar toda a comunidade do Stable Diffusion. Em 2024, recusou propostas de várias grandes empresas e optou por fundar a Feeling AI, com o objetivo de construir a infraestrutura de modelos mundiais, para que o mundo virtual tenha uma «sensação de vida».Em menos de meio ano após a sua fundação, a empresa concluiu duas rondas de financiamento que ultrapassaram os 100 milhões de yuan.

Hu Xiuhan, fundador da NieTa (See Concept). Licenciado em Ciências da Inteligência e Economia pela Universidade de Pequim, mestre pela Universidade de Columbia, desempenhou funções como responsável pela arquitetura tecnológica de vídeos curtos na Meta, tornou-se o mais jovem especialista P8 da Divisão de Tecnologia de Dados da Alibaba e criou do zero, na Tezan, uma linha de produtos com receitas superiores a 100 milhões.No final de 2022, apenas quatro meses após o lançamento do Stable Diffusion, concluiu que «os Lego do conteúdo tinham mudado» e, imediatamente, deixou o emprego para fundar a sua própria empresa. Atualmente, a NieTa conta com mais de 12 milhões de utilizadores registados e uma duração média de interação diária superior a 110 minutos. Em março de 2026, concluiu uma ronda de financiamento Pre-A+ superior a 10 milhões de dólares.

A ligação entre os dois remonta a antes da história empresarial. São amigos de longa data desde a época das competições de informática, e o que os voltou a unir foi o AnimateDiff — assim que Dai Bo criou este modelo, enviou-o imediatamente a Xiu Han para ver, e a reação de Xiu Han foi: «Sempre quis isto».Desde então, um mergulhou na arquitetura subjacente dos modelos do mundo, enquanto o outro construiu, na camada de aplicação, uma comunidade criativa nativa de IA; os percursos foram diferentes, mas apontavam para o mesmo objetivo final.

Este diálogo girou em torno de várias questões centrais: quando a unidade básica do conteúdo evoluir do pixel para o conceito, como serão redefinidas as fronteiras entre a criação e o consumo?Por que razão as aplicações nativas de IA têm de ser «proativas» e «em tempo real», em vez de serem pré-geradas e depois redistribuídas? Como se deve, afinal, entender o «modelo do mundo» — Dai Bo decompõe-no numa arquitetura de três camadas: camada de ideias, camada dinâmica e camada estática, enquanto Xiu Han se concentra mais na possibilidade de este se tornar um sistema sustentável com dinâmica própria.Ainda discutiram em profundidade uma distinção que tende a ser ignorada: «creation» (criação profissional) e «recreation» (recriação popular/criação recreativa). O comportamento de UGC verdadeiramente popular aproxima-se, na sua essência, mais desta última — exige elevada qualidade no processo, mas não tanto no resultado, e o que se aprecia é o próprio fluxo mental da construção.

Os dois fundadores partilham uma convicção comum: a maior oportunidade não reside no facto de alguém criar um «oásis», mas sim de alguém fornecer os blocos de construção necessários para o construir. Quando os utilizadores puderem construir mundos, definir regras e criar personagens com base em conceitos, em vez de código, a forma do entretenimento interativo deixará de estar limitada à imaginação atual, passando a estar limitada apenas ao momento em que a capacidade tecnológica conseguir acompanhar essa evolução.

Segue-se o diálogo entre a 405 Youju e Dai Bo e Hu Xiuhan. A «Game Teahouse» compilou esta versão escrita com autorização, tendo o conteúdo sido ligeiramente editado.

01

Os blocos de conteúdo estão a ser redefinidos

«No passado, os blocos de construção do conteúdo eram os píxeis; no futuro, serão os conceitos. Quando os conceitos e as palavras-chave estiverem diretamente associados, essa será a mudança mais fundamental ao nível dos blocos de construção.»

Xiaoning: Vocês os dois têm uma formação mais técnica. Por que é que, nesta iniciativa empreendedora, escolheram uma área mais voltada para o entretenimento e os conteúdos?

Xiu Han: Participei em competições de informática juntamente com o Dai Bo e, após a licenciatura, dediquei-me sempre a projetos de produto. Numa empresa como o Facebook, onde a cultura de produto é prioritária, realizei muitos testes A/B de design e experiências de crescimento, tendo-me habituado gradualmente a pensar no impacto da inovação tecnológica sob a perspetiva da engenharia e da comercialização de produtos. Sempre que surge uma nova geração de tecnologia de IA, a minha primeira reação é pensar em como resolver problemas em cenários reais mais concretos.

Dai Bo: O meu caso é bastante simples.Quando era criança, a minha mãe comprou-me uma consola educativa «Xiaobao» e, desde então, fiquei muito interessado em conteúdos interativos. Ao escolher a área de especialização para o doutoramento, pensei: «Se pudesse utilizar a tecnologia que eu próprio desenvolvesse para criar conteúdos interativos, isso seria algo que me deixaria muito satisfeito.» Ao ver a tecnologia a amadurecer gradualmente, achei que valia a pena tentar fazê-lo com as minhas próprias mãos, porque só assim é que se encontram as respostas.

Xiaoning: Que sinais é que vocês perceberam na altura que vos levaram a decidir criar a vossa própria empresa?

Xiu Han: O que sempre me tem interessado é a natureza atómica do conteúdo, a forma como este pode ser desconstruído e reconstruído, e também tenho vindo a refletir sobre como os modelos influenciam a forma como os criadores colaboram. Claro que não do ponto de vista técnico dos princípios fundamentais, mas sim do ponto de vista da engenharia, ou seja, como isso influencia a colaboração entre as pessoas e a forma como os criadores produzem conteúdo.

Em julho de 2022, quando vi o Stable Diffusion, nem sequer precisei de esperar pelo surgimento dos grandes modelos de linguagem para perceber claramente que os «Lego» do conteúdo tinham mudado: no passado, podiam ser um fotograma, uma camada ou até mesmo algo com precisão ao nível do píxel; enquanto que, no futuro, os «blocos de construção» serão muito provavelmente conceitos — uma espécie de conceito a nível visual.Esta é a mudança fundamental ao nível dos blocos de construção. Ao longo deste processo, realizámos inúmeras explorações e passámos por fases de evolução contínua de vários «blocos de construção», como o LoRA.

Penso que avanços recentes, como o Nano Banana e o Seedance 2.0, estão a aproximar-se gradualmente de um estado em que «é possível construir um mundo apenas com conceitos». Trata-se de um processo de compreensão gradual.

Xiaoning: Como já falámos da última vez, há coisas que não mudaram de forma alguma, como, por exemplo, a tua definição inicial deste assunto, que era «GitHub + IP».

Xiu Han: Ao refletirmos sobre a evolução dos «átomos de conteúdo», podemos identificar, ao longo da história, cerca de três a quatro gerações: a primeira geração tinha como núcleo os píxeis puros; a segunda geração viu o surgimento de modelos, camadas e modelos 3D;a terceira geração corresponde à abordagem baseada em componentes, representada pelo Figma; a quarta geração é a atual, caracterizada por uma estrutura atómica centrada no conceito. Cada geração deu origem a produtos notáveis: o Photoshop da primeira e segunda gerações, o Figma da terceira geração e a quarta geração talvez esteja a acontecer neste preciso momento.

Quanto mais se aprofunda a análise, mais estes blocos se assemelham a código. E as características intrínsecas do código determinam que este permite uma colaboração ao estilo do GitHub. Anteriormente, os comportamentos de cocriação limitavam-se à colaboração a nível textual, como na Wikipédia; quando esta colaboração transita para o plano visual, surge a oportunidade de uma mudança no modelo central. Entre estes blocos, os que são mais frequentemente reutilizados são os elementos da propriedade intelectual.

Dai Bo: Comecei a interessar-me pela IA generativa em 2014, quando estava a fazer o doutoramento, e acompanhei a sua evolução desde então. Em 2022, ao ver o nível de maturidade do Stable Diffusion, percebi que a tecnologia tinha atingido um ponto crítico.

Em 2023, criámos um projeto de geração de vídeo chamado AnimateDiff. Assim que o concluímos, enviei-o imediatamente ao Xiuhan para ele ver, e ele disse-me logo: «Sempre quis isto».Depois de o termos disponibilizado como código aberto, em cerca de dois ou três meses, toda a comunidade do Stable Diffusion ficou fascinada. Ainda hoje existe uma secção dedicada no Reddit e, mesmo com o surgimento do Seedance, ainda há quem utilize o AnimateDiff para criar todo o tipo de conteúdos.

A lição que tirei disto foi: parece que também já consigo dominar esta tecnologia madura. No início, tendíamos a avançar através da colaboração — eu tratava da parte técnica, em código aberto ou em parceria. Mas, após as tentativas realizadas na segunda metade de 2023, a sensação geral era de que não estávamos a avançar com rapidez suficiente.O AnimateDiff ficou pronto em maio, enviei-o ao Xiuhan para ver em julho, mas só ganhou verdadeiramente popularidade em outubro, ou seja, três meses depois. Se não for a própria pessoa a fazer, o progresso será muito lento.

Nesse momento, começamos a questionar-nos: será sorte, será coincidência ou será inevitável? A melhor forma é enfrentar diretamente as necessidades, pois só assim saberemos em que direção a tecnologia deve acelerar a sua iteração. Por isso, decidimos entrar em ação e construir uma infraestrutura de IA sólida.Acreditamos que dessa infraestrutura poderão surgir aplicações mais nativas, o que requer que os utilizadores evoluam as suas ideias ao longo do processo.

02

Características das aplicações nativas de IA:

Proativo, em tempo real, consumo durante a produção

«Se for um modelo em que o conteúdo é totalmente pré-produzido e só depois distribuído, não tenho grande confiança de que consiga superar o Douyin. Por isso, apoio totalmente o conceito de “consumir durante a produção”.»

Xiaoning: Todos dizem que estão a criar «algo novo». Para ser mais concreta, em termos de experiência, como é que imaginam esse «futuro distante»?

Dai Bo: Não consigo descrever uma forma concreta, mas posso indicar as características que deve possuir. A principal característica da IA generativa é a sua incerteza — uma incerteza dentro de limites controláveis.Quando o termo «IA» surgiu, em 1956, já se definia que deveria possuir «creativity»: será capaz de fazer «educated guesses»? Tens «control», és «educated», mas existe, ainda assim, incerteza.

Esta incerteza significa que as aplicações nativas de IA têm de ocorrer no momento da inferência. Não se deve tratar de conteúdo gerado offline para depois ser consumido, mas sim de um processo de interação em tempo real, em que o modelo colabora com o utilizador para realizar a inferência e gerar conteúdo.

A segunda característica é a transição de um modo passivo para um modo ativo. Não é preciso esperar que o utilizador intervenha; em vez disso, a aplicação fornece feedback e estímulos de forma proativa. Assim, as duas principais características da nova aplicação são: proatividade e atualização em tempo real ilimitada.

Xiu Han: Também se chegou a uma conclusão semelhante do ponto de vista comercial e das necessidades. Quando os utilizadores veem o conteúdo de outras pessoas na comunidade, é mais como se fosse um anúncio; o verdadeiro processo de consumo ocorre no momento em que eles próprios o criam.

Olhando para o futuro: a forma definitiva a longo prazo é, de certa forma, a fantasia comum da humanidade — o espaço virtual ou uma experiência ao estilo de «Westworld». No entanto, haverá perspetivas que os conteúdos tradicionais terão dificuldade em abranger; por isso, o papel da propriedade intelectual (IP) será ainda mais importante, uma vez que, como o conteúdo varia de vez para vez, é necessário algo constante para facilitar a compreensão. Um sistema em que tudo está em constante mudança torna-se, na prática, inutilizável.A característica de «cauda longa» será mais acentuada, assim como a personalização, uma vez que a qualidade generalizada já foi bem resolvida; a questão seguinte é como produzir «qualidade não generalizada». A relação entre a oferta e a procura levará a que a distribuição dos benefícios económicos também se desloque nessa direção, e a qualidade generalizada perderá valor.

Já é possível observar esta tendência — os vídeos de raparigas bonitas a dançar, gerados por IA em muitas plataformas, embora ainda tenham valor em termos de tráfego, já se revelam muito difíceis de utilizar para promover vendas. Este é o processo de valorização e desvalorização que está a ocorrer.

Xiaoning: Vocês têm vindo a referir repetidamente o termo «IP». Na era da IA, como devemos entender o conceito de «IP»?

Xiu Han: Na era da IA, o IP poderá não ser o que hoje entendemos por IP no sentido comercial. O próprio conceito de propriedade intelectual surgiu com o nascimento da indústria da impressão, sendo, na sua essência, um sistema derivado da tecnologia dessa indústria. A IA, em certa medida, rompeu completamente com o pressuposto básico de que «a produção de cada conteúdo requer trabalho humano».

A essência em que mais acredito é a seguinte: um IP é, no fundo, um consenso em relação a um determinado tipo de conteúdo. Quer se trate de um consenso sobre uma imagem ou sobre o contexto de uma história, as pessoas têm uma perceção comum sobre esse assunto. Por vezes, manifesta-se sob a forma de um meme; outras vezes, sob a forma de uma piada recorrente. Esses são, na essência, «repetidores» que as pessoas utilizam repetidamente e, a longo prazo, constituem, de certa forma, um IP.

03

Criação e recriação,

A verdadeira lógica do UGC e as oportunidades ao nível da aplicação

«É importante distinguir claramente entre “criação” e “recreação”. A recreação — o lazer — é uma forma de conteúdo gerado pelo utilizador (UGC) muito abrangente, que exige um elevado nível de qualidade no processo, mas não tanto no resultado.»

Xiaoning: A nossa geração é muito bem servida pelos conteúdos PGC. Será que temos realmente tanta necessidade de conteúdos UGC? Se o consumo depende, na sua essência, da participação do próprio utilizador no processo de criação, não será que isso eleva demasiado as exigências em relação às pessoas?

Dai Bo: Voltando ao que disse Xiu Han, o verdadeiro processo de consumo ocorre durante o processo de criação, e o conteúdo produzido assemelha-se mais a um trailer. Este espaço continua a existir, porque todos têm o desejo de se expressar. O Douyin, ao permitir registar momentos da vida através da câmara, proporciona uma via para o conteúdo gerado pelo utilizador (UGC).

A segunda questão: a criatividade tem duas vertentes: a motivação e a capacidade. A IA generativa proporciona a capacidade. E por que razão insisto em que a aplicação deve ser proativa? Precisamente para resolver a questão da motivação.Pode ter inspiração, mas o processo de criação não é fácil; por exemplo, muitos escritores dizem que criar é, na verdade, muito doloroso. O modelo de criação interativo permite-lhe partir de pequenas inspirações e, aos poucos, manter o entusiasmo. A IA generativa consegue, precisamente, resolver este paradoxo.

Xiu Han: Gostaria de acrescentar algo, numa perspetiva diferente. É possível que os ouvintes deste podcast encarem a questão mais do ponto de vista dos jogos; não negamos que, no conjunto, a indústria dos jogos seja dominada pelo PGC. No entanto, se considerarmos a experiência lúdica de entretenimento num sentido mais amplo, o UGC está em todo o lado.

A experiência orientada para o serviço caracteriza-se pelo facto de o criador ter de se dedicar de corpo e alma ao design para o público, o que implica exigências muito elevadas, pelo que acaba inevitavelmente por se limitar a um pequeno grupo de pessoas. No entanto, grande parte do conteúdo gerado pelo utilizador (UGC) é, na sua essência, uma forma de satisfação pessoal, com uma vertente social e cujo objetivo fundamental é a autoexpressão.Desde as brincadeiras com filtros no TikTok até às atividades presenciais, como tricotar, fazer artesanato com miçangas ou montar Lego, o que importa é, em primeiro lugar, desfrutar do processo de fluxo criativo e, só depois, imaginar que se consegue criar algo de qualidade para exibir. A ostentação é algo derivado, mas é importante que exista esse espaço para a imaginação.

Nunca ouvi falar de ninguém que se dedique à fotografia sem querer que as suas fotografias fiquem bem. Mas, entre as pessoas que compram equipamento apenas para se divertirem, é provável que muito poucas partilhem o seu trabalho; no entanto, isso continua a constituir uma forma de entretenimento muito forte.

Recreação — comportamentos que, numa fase inicial, não têm como objetivo central a expressão pura — exige muito da qualidade do processo, mas pouco da qualidade do resultado. Basta ter um pequeno círculo de pessoas que te apoia constantemente para ficares feliz. Isto está em consonância com o valor do conteúdo no âmbito do efeito da cauda longa. Além disso, não existe conteúdo UGC (conteúdo gerado pelo utilizador) nem PGC (conteúdo gerado profissionalmente) absolutos.Se criares algo utilizando um modelo do Douyin, é muito provável que esse modelo seja PGC, mas o conteúdo final é constituído tanto pela tua expressão como pelo modelo — por vezes, é difícil distinguir qual das duas contribuições é maior. Na verdade, a IA proporciona uma garantia universal de qualidade de base.

Nesta base, qualquer forma de entretenimento apresenta, a longo prazo, quatro elementos essenciais: em primeiro lugar, a personagem — a tua própria representação, o teu ponto de vista; em segundo lugar, o ambiente e o mundo; em terceiro lugar, as regras — que determinam as dinâmicas de jogo decorrentes; e, em quarto lugar, as formas de interação.

Atualmente, todos procuram encontrar uma forma de interação imutável para criar simulações de plataforma estáveis, mas esta ideia foi fortemente contestada pela Vibe Coding. O que não muda facilmente são o mundo e as regras. As personagens são fáceis de criar inicialmente, mas há uma grande probabilidade de serem descartadas depois de utilizadas; o ambiente e as regras, por outro lado, tendem a persistir mais facilmente, permitindo a criação de uma série de sistemas dinâmicos.

Com estes elementos, é possível criar um «Creative Harness» — como transformar a IA num cavalo selvagem que possa ser domado? Não fica preso numa jaula, continua a proporcionar surpresas, mas é conduzido por si numa determinada direção, proporcionando diversão a todos.

Xiaoning: Se a consistência visual for superada, o que é que será reescrito?

Dai Bo: O essencial é a capacidade de raciocínio em tempo real. Com base na estabilidade do raciocínio a longo prazo, ao reduzir o atraso de cada raciocínio para o tempo real, já não se está a utilizar apenas uma ferramenta, mas sim a interagir com um agente num modelo de mundo completo. De certa forma, é como o «Oásis» do filme «Ready Player One».

Xiaoning: Onde está a maior oportunidade na camada de aplicação? No filme «O Jogador N.º 1», o «Oásis» também foi criado por alguém, não foi?

Dai Bo: O mais importante não é que alguém tenha criado um oásis, mas sim que alguém tenha fornecido os blocos de construção para criar esse oásis. O oásis final é composto por vários planetas, e cada planeta é criado pelo próprio utilizador. Graças à capacidade de utilizar esses blocos, o utilizador pode construir diferentes visões de mundo e regras.Tal como disse Xiu Han, a diversão reside no processo de construção. Depois de concluída a construção — ou mesmo antes de estar concluída —, inúmeras pessoas podem juntar-se para continuar a participar e a construir em conjunto. O ponto de partida é alguém ter disponibilizado o espaço e os blocos de construção, para que possas construir.

Xiu Han: Gostaria de acrescentar uma coisa: por que é que, a longo prazo, esta necessidade existe? A forma como as pessoas percebem e vivenciam o ambiente serve, na essência, para construir na sua mente uma compreensão do mundo. Não é possível compreender verdadeiramente algo que nunca se tenha vivido em primeira mão. Por isso, no fundo, trata-se de proporcionar múltiplas experiências de vida.

As necessidades humanas resumem-se, no fundo, a prolongar a vida, aumentar o tempo de vivência e multiplicar as experiências por unidade de tempo — e a própria criação de infraestruturas que proporcionem mais experiências de vida constitui, por si só, a maior oportunidade. Estas experiências não podem ser totalmente construídas por terceiros para depois serem oferecidas a si — o que, até certo ponto, é uma premissa falsa.

Dai Bo: Muitas vezes, o que limita as pessoas no mundo real é a ideia de que «tenho de fazer uma escolha e só posso seguir um dos caminhos».Um modelo do mundo deve ser capaz de criar essa possibilidade. Na sua essência, é a mesma coisa que um jogo — «jogar» significa andar por aí, e «brincar» significa interagir, tocando aqui e ali. Alguns aspetos dos jogos anteriores assumiram a forma atual devido a limitações tecnológicas, mas isso não é uma limitação da imaginação humana, e sim uma limitação da capacidade tecnológica. Este aspeto deve ser libertado.

Xiu Han: Vou apresentar um contra-argumento. «O jogo é uma arte sujeita a restrições» — do ponto de vista dos jogos tradicionais e limitados, isto faz todo o sentido e é também a razão principal pela qual respeito particularmente a indústria dos jogos.Raramente dizemos que «o utilizador pode criar jogos diretamente», porque tenho um grande respeito pela definição de jogo no sentido estrito. Trata-se de uma conceção de experiência — tal como um casamento, que uma pessoa talvez só viva uma vez na vida; é extraordinário como isso dá origem às normas e exigências atuais, não basta simplesmente inventar uma experiência qualquer de cabeça.

No entanto, as unidades de experiência podem ser desmembradas e sujeitas a um processo de engenharia. Por exemplo, muitos jogos de mundo aberto atuais são descritos como uma espécie de «monstros criados a partir de pedaços», que incluem diversas formas de jogar e até tentam integrar a experiência de ver um filme. Trata-se de uma tendência impulsionada pelo ambiente e pelo mundo, na qual se integram várias formas de jogar.

No entanto, para tirar o máximo partido da IA, deve-se partir do básico e ir avançando, em vez de se partir de uma experiência especializada e ir simplificando. Isto porque partir de uma experiência especializada e simplificar limita o potencial da IA.Costumo dizer que «do ponto de vista do jogo, os ativos que não têm peso acabam por não inspirar respeito». Esta perspetiva faz com que, ao fragmentar o jogo em UGC, haja sempre uma sensação difícil de definir.

Por isso, o que estamos a pensar é o seguinte: partindo de uma perspetiva nativa da IA, quais seriam os pequenos módulos mais adequados para a sua construção? As partes mais difíceis de construir devem ser deixadas para as pessoas. Muitas das verdadeiras soluções para o conteúdo gerado pelo utilizador (UGC) surgem, na verdade, de uma lógica mais nativa, que cresce a partir do mais básico.

04

Modelo do mundo,

Da parábola do elefante aos cegos à arquitetura em três camadas

«O modelo do mundo deve transmitir uma sensação de vida. Essa sensação de vida significa que ele se move.»

Xiaoning: Se queremos capacidade de resposta em tempo real, capacidade de raciocínio e criatividade controlável, onde é que reside hoje o fosso que nos separa da concretização desses objetivos?

Xiu Han: A implementação dos elementos já existe, mas ainda não foi devidamente integrada para proporcionar uma boa experiência a todos. Isso não significa que não se possa começar já a criar personagens, a construir um mundo orientado para a IA ou a definir regras que possam ser utilizadas no futuro — por exemplo, produtos do tipo «taberna», que, em certa medida, se centram principalmente na criação de regras de jogo;Talvez nos devamos concentrar mais nos elementos ambientais e de consenso visual, numa perspetiva que vai das personagens ao mundo. No entanto, se questões como a capacidade de resposta em tempo real e a sustentabilidade do modelo forem muito limitadas e os custos forem elevados, a transformação da experiência que as regras criadas poderão proporcionar acabará por ser limitada.

Dai Bo: A sensação que tenho em relação à situação atual é de que está ao mesmo tempo muito próxima e muito distante. Todos os elementos estão presentes, mas de uma forma abrangente e generalizada — abrangem todas as vertentes, o que significa que já é possível começar a combiná-los. Quanto à consolidação da visão do mundo e das regras a que o Xiu Han se referiu, essa consolidação não terá de recomeçar do zero devido à evolução da tecnologia.

No entanto, a tecnologia apresenta lacunas em três aspetos: profundidade, amplitude e dimensão. Profundidade — por exemplo, no cenário do bar, começam a surgir problemas quando a complexidade do enredo ou a duração da interpretação aumentam.Amplitude — entre os vários géneros, há sempre uma distinção entre aqueles em que se destaca e aqueles em que não. Dimensão — os modelos textuais, centrados na linguagem, apresentam elementos mais completos; no entanto, ainda há uma grande carência de modelos de mundo mais visuais e tridimensionais.

De um modo geral, é possível combinar este estado «que não é zero», mas, para realmente avançar para a fase final, pelo menos do ponto de vista técnico, é necessário concentrar-se na estética técnica e, em seguida, avançar de forma contínua e a um ritmo relativamente rápido.

Xiaoning: Como é que interpretam o conceito de «modelo do mundo»?

Dai Bo: Atualmente, há muitas pessoas a falar sobre modelos mundiais, e a expressão mais adequada para descrever esta situação é: «os cegos a apalpar o elefante». Dependendo dos diferentes contextos e cenários de aplicação, cada pessoa apalpa uma parte diferente do elefante.

A minha compreensão é muito simples: trata-se de um jogo semelhante ao metaverso, que deve incluir todos os elementos presentes no mundo real; dividimo-lo em três camadas.

Primeiro nível: nível lógico/de ideias — as ideias de cada entidade dinâmica: por que razão estou a realizar estas atividades?

Segundo nível: o nível dinâmico — depois de ter uma ideia, como é que a ponho em prática.

Terceiro nível: Camada estática/de representação — carrega as ações dinâmicas num ambiente para as apresentar. Independentemente de esse ambiente ser um ambiente 3D criado por um motor de jogos tradicional, um ambiente 3D criado por IA — como o World Lab da professora Li Feifei — ou um ambiente de vídeo representado pelo Genie 3 da Google.

Dependendo da situação, nem todas as pessoas precisam de desenvolver as três camadas. Mas um verdadeiro modelo do mundo consiste na capacidade de estabelecer uma correspondência exata com a realidade; é um modelo vivo, em que todas as entidades dinâmicas têm as suas próprias ideias e planos.

Xiu Han: Espero que seja, pelo menos, um sistema contínuo e com dinâmica própria.O problema atual é que, quando uma personagem passa por vários cenários, há uma desconexão entre eles; ou então a personagem não é proativa e só se move se for impulsionada. No entanto, no mundo real e nas experiências offline das pessoas, grande parte da concretização dos objetivos depende do próprio ambiente. Desde que se resolvam as questões da continuidade e da proatividade, muitas das nossas hipóteses anteriores sobre conteúdos de qualidade podem, na verdade, ser revistas.

Xiaoning: No que diz respeito ao treino de modelos visuais, será que se enfrentam desafios muito diferentes dos dos modelos linguísticos?

Dai Bo: O paradigma dos modelos linguísticos é a previsão do próximo token, enquanto o modelo do mundo enfatiza a previsão do próximo estado.Na verdade, os modelos linguísticos também podem implementar modelos do mundo no domínio da linguagem — mantém-se o estado do mundo através do texto. É por isso que a capacidade de codificação é importante: proporciona uma forma constante, estável e consistente de verificar o processo de raciocínio e a precisão lógica do modelo. Se se tratasse apenas de uma descrição em linguagem natural, ficaria preso no dilema de «será que não compreende mesmo ou não se expressou com clareza?».

O conteúdo visual também requer coerência — mas não coerência lógica, e sim coerência com a intuição física. Gostaria de salientar: do ponto de vista da aplicação, o que procuramos não é «coerência física», mas sim «coerência com a intuição física». As pessoas não se dão ao trabalho de calcular se as leis físicas subjacentes ao conteúdo visual são coerentes; desde que não pareça estranho, consideramos que está em consonância com a intuição física.

Xiaoning: No que diz respeito ao entretenimento interativo, quais são os desafios a superar no que se refere ao aspeto visual?

Dai Bo: A forma tradicional consiste em construir o conteúdo do mundo utilizando um motor de jogo. A forma como o motor de jogo incorpora as leis da física é relativamente «hardcore» — simulação tradicional, em que as fórmulas são efetivamente introduzidas para efetuar os cálculos.Já as redes neurais apenas recebem instruções sobre a entrada e a saída; o processo intermédio, desde a entrada até à saída, é inteiramente aprendido de forma autónoma, sem qualquer orientação por leis ou fórmulas, o que é muito «flexível». No entanto, o problema que isto acarreta é que a rede pode tomar atalhos, e não é possível determinar se as leis que ela extrai correspondem às que se pretendem.

Por isso, a questão a resolver agora é: como combinar as vantagens de ambas as abordagens? De modo a ter tanto a flexibilidade da abordagem «suave» como a garantia da abordagem «rígida». Só assim será possível alcançar uma consistência a longo prazo no conteúdo visual.

Do ponto de vista da estrutura do conteúdo visual, o modelo deve saber o que está a representar. Não se trata de «qual é a cor deste píxel neste momento e como deve mudar no momento seguinte», mas sim de saber que «este píxel pertence à mão de uma pessoa, que no momento seguinte é a mão inteira que está a mudar e, por isso, como é que a projeção nesse píxel deve mudar».Com esta compreensão, mais condizente com a estrutura da realidade, é possível resolver de forma radical o problema das ilusões, que, na sua essência, decorrem do facto de o modelo não saber o que significam os píxeis que gera.

Xiaoning: O modelo que disponibilizaram recentemente em código aberto centra-se na resolução de problemas de memória e planeamento. Porquê?

Dai Bo: Estamos a evoluir de forma sincronizada em três níveis — o nível das ideias, o nível dinâmico e o nível estático. Mesmo no nível dinâmico, que se situa no meio, estamos a construir um modelo do mundo dinâmico e acabámos de concluir uma inovação na arquitetura desse modelo.Para dar um exemplo — é como se a arquitetura Transformer já estivesse definida e o que restasse fosse o processo de evolução do GPT-1 para o GPT-2 e, posteriormente, para o GPT-3.

As três camadas evoluem em sincronia, sendo que cada uma tem o seu próprio nível de maturidade tecnológica e o seu próprio ritmo. A camada das ideias tem um ritmo um pouco mais acelerado, devido ao rápido desenvolvimento e à elevada maturidade das tecnologias relacionadas com os agentes inteligentes. Consideramos a camada dinâmica extremamente importante, sendo também uma parte que, atualmente, é negligenciada por todos; está ofuscada pela onda da inteligência incorporada, mas é igualmente fundamental para o entretenimento interativo.

Xiaoning: Como se deve entender o «modelo do mundo cinético»?

Dai Bo: A dinâmica, enquanto parte do estado do mundo, tem de seguir as leis da física. As leis físicas dinâmicas que o ser humano deduz da realidade são designadas coletivamente por «dinâmica»: a cinemática humana, a dinâmica dos vestuários, a dinâmica dos fluidos, a aerodinâmica, etc. O que fazemos é incorporar os princípios físicos a priori da dinâmica na arquitetura Transformer, de modo a tornar a previsão do próximo estado extremamente estável.

Xiaoning: Por que é que a camada dinâmica é particularmente importante em cenários de entretenimento interativo?

Dai Bo: Um ambiente estático não permite falar de interação. Sem espaços dinâmicos nem suportes dinâmicos, não se pode falar de proatividade nem de interação. Num ambiente estático, a participação é unilateral, sem feedback. Só a dinâmica é que proporciona feedback, e é a partir desse feedback que surgem novas possibilidades, dando origem a experiências e conteúdos cada vez mais vastos.

Em termos simples: o modelo do mundo deve transmitir uma sensação de vida. Essa sensação de vida significa que ele se move; se ficar completamente imóvel, chega a ser assustador.

Xiaoning: Os vídeos são, por natureza, em movimento. Ao destacar especificamente o movimento, o que é que queres dizer?

Dai Bo: O vídeo é, de facto, em movimento, mas a continuidade ao nível dos píxeis não significa que as leis subjacentes sejam consistentes — e é por isso que ocorrem o acúmulo de erros e as ilusões. Ou se utilizam mais dados para obrigar o modelo a aprender por si próprio um conjunto unificado de leis físicas, ou se incorporam no modelo, de forma a priori, as leis físicas acumuladas pelo ser humano na realidade. Ambas as opções são viáveis.

Além disso, a geração de vídeo consiste em modelar, num único modelo, tanto a representação do ambiente estático como a dinâmica.Considero que devem ser separados. Um exemplo intuitivo: estamos sentados numa sala e eu aceno com a mão; de um ponto de vista razoável, apenas o estado relacionado com a pessoa é atualizado, e o ambiente não deve ser atualizado em simultâneo comigo. É como se, num jogo, quando uma personagem dá um passo em frente, todo o ambiente fosse regenerado — o que não faz sentido.

05

Sobrevalorização e subvalorização,

Como os empreendedores podem atravessar os ciclos tecnológicos

«Quando as coisas avançam devagar, é bastante difícil uma empresa falhar; quando avançam depressa, é muito fácil uma empresa falhar. Muitas pessoas têm a ilusão de que, quando as coisas avançam depressa, surgem oportunidades.»

Xiaoning: Como é que distinguem se uma coisa é apenas tecnicamente impressionante ou se realmente dá origem a algo novo?

Dai Bo: Analisamos uma tecnologia com base em princípios qualitativos objetivos — deixando de lado os termos técnicos, para perceber qual é, afinal, o ponto em que ela representa um avanço.

O que é que costuma ser sobrestimado? Em primeiro lugar, a velocidade de iteração; em segundo lugar, a capacidade de adaptação das pessoas.É difícil para as pessoas imaginarem algo que nunca viveram. Mesmo quem trabalha com estas tecnologias tem as suas limitações — depois de o AnimateDiff estar pronto, quem acabará por criar conteúdos de grande qualidade com ele não será necessariamente nós próprios. Por isso, tenho-me mantido bastante cauteloso e não pretendo definir o que são, afinal, as aplicações nativas do modelo mundial.

Xiu Han: Do ponto de vista técnico, é fácil sobrestimar a velocidade de implementação das aplicações e subestimar o custo da mudança de mentalidade dos utilizadores.Nos últimos anos, o erro mais comum foi a busca excessiva pelo resultado final. A ausência das condições básicas de viabilidade foi a principal razão pela qual, no passado, era tão difícil «desenvolver produtos de IA a partir de uma perspetiva exclusivamente de gestor de produto» — o resultado era, ou uma experiência insustentável, que desaparecia assim que o entusiasmo inicial passava, ou um produto com um único ponto de destaque que não causava grande surpresa. Estas duas dimensões têm estado constantemente em conflito.

Xiaoning: O ritmo de desenvolvimento das tecnologias subjacentes à IA tem vindo a variar constantemente — no primeiro semestre de 2023 foi rápido, em 2024 foi relativamente estável e, nos últimos seis meses, voltou a ser particularmente rápido. De que tipo de período gostas mais?

Xiu Han: Cada uma tem os seus desafios. A questão central é: nos momentos de calma, refletir sobre o que a empresa está a acumular; nos momentos de agitação, saber como relacionar esse acúmulo com as mudanças rápidas e imediatas, para que, nessas alturas, não haja pânico.

Outro paradoxo é o seguinte: quando as coisas avançam devagar, é bastante difícil uma empresa falir; quando avançam depressa, é muito fácil que uma empresa falhe. Muitas pessoas têm a ilusão de que, quando as coisas avançam depressa, surgem oportunidades.

Xiaoning: Se se deparassem com uma nova tecnologia revolucionária, qual seria a vossa primeira reação?

Dai Bo: Identificar a origem logo de início: de onde é que isso surgiu, em que é que difere e por que razão causou tanto alvoroço.No meu campo de visão, raramente tenho a sensação de que uma nova tecnologia surja do nada. Há dois aspetos importantes: em primeiro lugar, ignorar o ruído e compreender a essência da mudança; em segundo lugar, refletir: por que não fui eu a provocar essa mudança? Só assim, a longo prazo, é que nos podemos tornar líderes.

Xiu Han: A nossa primeira reação foi experimentar imediatamente, para ver qual era realmente o nível. Atualmente, há demasiados casos de «cherry picking» nas publicações científicas. Depois de ultrapassada essa fase de avaliação, o que nos interessa é saber se isso altera a experiência do utilizador no fluxo principal.Muitas tecnologias são apenas um complemento; não há assim tantos aspetos que possam influenciar a experiência principal. Um critério fundamental: se o utilizador está disposto a regressar e a gastar mais tokens. Se houver uma melhoria ou alteração significativa no ciclo central do utilizador, então trata-se de uma mudança que devemos aproveitar.

Xiaoning: Vocês têm conversado bastante ultimamente. Qual é o tema mais recorrente nas vossas conversas?

Dai Bo: Por um lado, o progresso tecnológico ainda é demasiado lento.

Especialmente no que diz respeito aos conteúdos visuais. Embora os modelos de geração de vídeo estejam a evoluir bem, o progresso ainda é demasiado lento em aspetos fundamentais — não estão a avançar exclusivamente na direção do entretenimento interativo, pois existem outras forças motrizes. Em segundo lugar, trata-se de analisar: quais são as tecnologias que estão na moda e quais são as que têm verdadeiro valor.O que mais esperamos é que, uma vez que a tecnologia se encontra numa fase em que é como «os cegos a apalpar o elefante», tenhamos uma visão comum no que diz respeito aos cenários de aplicação.

Xiaoning: Neste contexto, ao lançar uma startup na área das aplicações, qual é a competência mais importante para um fundador?

Xiu Han: Do meu ponto de vista, acho que agimos com resiliência.Sempre achei que diferentes formas de agir podem levar a resultados em cada fase; há quem pratique surf e há quem faça alpinismo. O mais importante é ter uma perceção clara de si próprio, conhecer-se a si próprio e conhecer a equipa, sem se obrigar a fazer o que não lhe convém. Se as expectativas forem demasiado elevadas, a equipa terá dificuldade em explorar os seus pontos fortes e em alcançar resultados que se destaquem em relação aos dos outros.

Dai Bo: Deixar de lado o ego, encarar a evolução tecnológica de forma objetiva, deduzir a arquitetura e os elementos finais a partir dos princípios fundamentais e, em seguida, combinando os pontos fortes da equipa, escolher a direção que apresente a descida mais rápida no gradiente e avançar nessa direção. É especialmente importante evitar o ego decorrente da tecnologia.

Xiaoning: O que mais gostariam de alcançar nos próximos dois a três anos?

Xiu Han: Estamos a construir gradualmente um sistema de trabalho para «construir o mundo em conjunto», no qual as pessoas e os agentes colaboram e participam.A questão mais central nos próximos dois ou três anos será: será possível criar experiências de qualidade verdadeiramente elevada — experiências que possam competir em igualdade de condições com outros tipos de consumo? Assim que surgirem os primeiros modelos deste tipo, a eficiência sistémica do sistema poderá melhorar ainda mais e, a partir daí, será muito difícil travar este processo.

Por isso, estamos, essencialmente, a resolver a questão do mecanismo de arranque a frio — a questão da definição, ou seja, a questão do protocolo. A seguir, poderemos realizar mais experiências no estrangeiro, e o impacto final refletir-se-á nos resultados emergentes decorrentes dessas combinações.

Xiaoning: No último ano, a comercialização representou uma pressão e um desafio?

Xiu Han: Há boas e más notícias. A boa notícia é que a disposição para pagar e a taxa de pagamento nas dinâmicas interativas estão, a nível global, acima do previsto. A má notícia é que o custo dos tokens e os preços do novo modelo não baixaram, pelo que a pressão dos custos irá persistir. Por isso, neste momento, prefiro utilizar ao máximo o meu potencial, mas sem me esgotar.As receitas irão crescer naturalmente ao longo do processo, talvez de forma mais natural do que todos imaginam.

Dai Bo: Nos próximos dois ou três anos, continuaremos a construir o modelo-base do mundo de acordo com uma estrutura de três camadas e, com base nisso, exploraremos as aplicações nativas — temos uma visão bastante clara de todo o panorama tecnológico.Também iremos acompanhar de perto o desenvolvimento da IA agentiva — que, por um lado, é parte integrante da camada conceptual do modelo do mundo e, por outro, constitui uma fonte de produtividade. Se ela realmente conseguir aumentar a eficiência, muitas coisas irão concretizar-se mais cedo. Talvez dois anos seja um prazo um pouco longo; no domínio da IA, dois anos são um período muito, muito longo.

Xiaoning: Vocês pretendem desenvolver as vossas próprias aplicações, não se contentando apenas com a criação de modelos?

Dai Bo: É essencial aperfeiçoar o nosso conhecimento ao nível da aplicação. Afastar-se dos cenários de aplicação pode desviar a iteração tecnológica; além disso, estamos a falar de aplicações nativas suportadas por modelos do mundo, tal como os modelos linguísticos suportam o ChatGPT — a distância entre o modelo e a aplicação não será assim tão grande.

Xiaoning: Esta aplicação será uma ferramenta ou um conteúdo?

Dai Bo: Não é, de forma alguma, uma ferramenta; é uma aplicação de entretenimento interativo, nem se trata de conteúdo no sentido tradicional — assim que o utilizador entra, está simultaneamente a consumir e a criar conteúdo.

Xiaoning: Pode entender-se isso como uma plataforma?

Dai Bo: Penso que se trata de uma plataforma, mas, neste momento, sou mais cauteloso ao descrevê-la. Tal como o ChatGPT — quando o modelo amadurece, rapidamente se torna um consenso. Por isso, neste momento, não me apetece muito defini-la com o vocabulário existente.