Com um financiamento de 200 milhões de dólares, a VAST pretende tornar-se a base de um ecossistema de conteúdos interativos

Recentemente, a VAST, empresa especializada em inteligência artificial geral, concluiu duas rondas de financiamento, A+ e A++, num valor total de cerca de 200 milhões de dólares.Esta ronda de financiamento foi liderada pela Yuce Capital e pelo Fundo de Inovação Tecnológica do Delta do Yangtze da China Life, tendo contado com a participação de capital industrial e financeiro, incluindo o Fundo Industrial de Terminais de Inteligência Artificial de Shenzhen, a Shanghai Semiconductor Industry Investment, a Shenzhen Venture Capital e a YuanSheng Capital.

Juntamente com este financiamento, foi também apresentado o projeto de modelo mundial que revelaram pela primeira vez ao público: o Project Eden (código: Éden).

Este financiamento e o lançamento da demonstração do novo projeto acrescentaram uma variável bastante interessante ao já animado setor dos modelos mundiais.

Nos últimos doze meses, os avanços na IA têm sido tão rápidos que quase nos deixam sem fôlego.Há algum tempo, o proprietário de uma empresa de videojogos disse-me que a reação do setor aos avanços da IA se assemelha muito à reação a um alerta de sismo: assim que o alarme soa, temos de descer as escadas para dar uma olhadela. Na maioria das vezes, trata-se de um falso alarme, mas não nos atrevemos a ficar parados, porque nunca se sabe quando é que a situação pode realmente mudar.

Esta sensação é particularmente evidente no que diz respeito aos modelos do mundo. No início deste ano, após o lançamento do Genie 3 pela DeepMind da Google, o otimismo nos mercados financeiros foi instantaneamente abalado: a Unity registou a pior queda diária desde 2022, e as ações de empresas de jogos como a Take-Two e a Roblox também sofreram uma queda generalizada.No entanto, o setor rapidamente percebeu que se tratava mais de uma reação exagerada, alimentada pela narrativa em torno da IA, e o CEO da Unity, Matthew Bromberg, apontou uma limitação mais fundamental: os resultados destes modelos mundiais são probabilísticos e indeterminados.

Do ponto de vista da indústria dos videojogos, a abordagem tecnológica do Genie 3 apresenta uma certa falha inerente. Embora consiga gerar um vídeo com imagens intuitivamente muito realistas, não consegue sustentar um mundo de jogo que seja verdadeiramente jogável, no qual se possa entrar repetidamente e que permita até mesmo o modo multijogador.

Em comparação, o facto de a VAST ter lançado hoje o seu primeiro projeto de modelo de mundo, o Project Eden, chamou-me a atenção.Antes do modelo de mundo, a VAST era mais conhecida pela série Tripo de modelos de geração 3D com IA, cuja função era «criar tudo». Na narrativa da VAST, passar da criação de tudo para a criação de mundos é o próximo passo natural.

«Os recursos 3D de IA e os modelos do mundo são, por natureza, dois motores que se impulsionam mutuamente.» Cao Yanpei, cientista-chefe da VAST, disse-me que, desde o primeiro dia, o objetivo da equipa tem sido criar uma plataforma de conteúdo UGC interativa de próxima geração. A IA 3D resolve a questão da rapidez e da facilidade de acesso na «criação de todas as coisas», enquanto o modelo do mundo se destina a resolver a dedução sistemática da «criação do mundo»,«Trata-se do prolongamento da evolução tecnológica e também do próximo passo natural.»

Enquanto a grande maioria das pessoas se debate entre a «geração de vídeo com condições de movimento», como no Google Genie, e a «geração de cenários 3D estáticos», como no World Labs Marble, o Project Eden trilhou um terceiro caminho: dissociar nativamente, a nível arquitetónico, a «evolução do estado do mundo» e a «apresentação visual do quadro».

Esta arquitetura única permitiu, naturalmente, ultrapassar três obstáculos que outros modelos de mundo não tinham conseguido superar: a durabilidade a longo prazo do ambiente, a reutilização livre de cenários e a interação simultânea de múltiplos jogadores.

01

Duas abordagens sobrestimadas e a solução única da VAST

Para compreender o caminho do VAST, vamos primeiro analisar por que razão os modelos do mundo anteriores eram tão difíceis de aplicar efetivamente na indústria dos videojogos.

Huang Xun, um cientista de renome na área da IA generativa, propôs cinco atributos para distinguir entre a «geração de vídeo» e um «modelo do mundo real».Um modelo do mundo real deve, com base no cumprimento dos princípios de causalidade e interatividade, alcançar, na medida do possível, a melhor persistência, temporalidade em tempo real e precisão física. Ao aplicar este critério, verificamos que as duas principais vertentes atualmente em destaque na indústria dos jogos enfrentam, cada uma à sua maneira, limitações difíceis de ultrapassar quando confrontadas com os rigorosos padrões exigidos pelos jogos de nível profissional.

A primeira é a «escola de geração de vídeo», que apresenta o progresso mais rápido e é também a que mais se destaca, representada pelo Genie. Esta abordagem consiste, essencialmente, na previsão autorregressiva de píxeis 2D, analisando as imagens existentes para adivinhar como deverá ser cada pixel do fotograma seguinte.Cao Yanpei afirma categoricamente que equiparar esta geração de vídeo de ponta a ponta a um modelo do mundo é um equívoco: «Todos os estados do modelo de vídeo de ponta a ponta estão fortemente ligados à perspetiva atual. Assim que a câmara se afasta do canto da parede, o modelo só consegue reimaginar a cena com base no contexto, sendo totalmente incapaz de proporcionar a “persistência a longo prazo” necessária para os jogos.»

A geração de vídeo combina à força duas tarefas de magnitude completamente diferente: uma é prever o que vai acontecer a seguir no mundo, informação que, na verdade, é relativamente «leve»; a outra é desenhar cada píxel com precisão, informação que é extremamente «pesada».Esta lógica subjacente, que não distingue entre o que é leve e o que é pesado, faz com que, na prática, se assemelhe a um desenhador de banda desenhada sem guião, obrigado a inventar o enredo à medida que desenha. Isto não só leva a que a imagem sofra desvios ou distorções quando se muda de ângulo de visão, como também torna extremamente difícil a interação multijogador online.

A segunda abordagem é a da «escola da reconstrução estática», representada pelo Marble da World Labs. A «inteligência espacial» defendida por esta escola capta, de facto, a estabilidade da geometria espacial, permitindo reconstruir a alta velocidade espaços tridimensionais que podem ser explorados. No entanto, a sua limitação reside no facto de, atualmente, dispor apenas de espaço, sem tempo.Carece da capacidade de simular a evolução do estado ao longo da linha do tempo, criando assim um ambiente estático. De acordo com os critérios de Huang Xun, esta abordagem apresenta uma falha grave em termos de «interatividade»; assemelha-se mais a um belíssimo espécime 3D: bonito, mas incapaz de evoluir.

Uma vez que a abordagem de geração de vídeo carece de um «guião» e a abordagem de reconstrução estática carece de «evolução», a solução do Project Eden consiste em separar o trabalho de criação do guião do trabalho de pintura (desacoplamento). Isto torna-o, atualmente, o primeiro modelo de mundo do setor que permite a manutenção autónoma do estado do mundo e a aplicação de um controlo determinístico.

02

Separar o estado da imagem: criar um motor com IA

O paradigma técnico apresentado pelo VAST, resumido numa frase, consiste em separar, a nível arquitetónico, a «manutenção e previsão do estado» da «renderização e apresentação do imagem».

À primeira vista, esta frase pode parecer difícil de compreender. Mas, para quem trabalha na indústria dos videojogos, este conceito é, na verdade, bastante familiar: assemelha-se muito ao modo de funcionamento de um motor de jogo.A memória do motor mantém uma «base de dados do mundo», que regista a posição, as propriedades e o estado de todos os objetos; quando a câmara se move, o pipeline de renderização, com base no ângulo de visão, desenha em tempo real a cena dentro do campo de visão, transformando-a numa imagem. O estado é uma coisa e a imagem é outra; são duas coisas distintas.

O que a VAST pretende fazer é criar, com recurso à IA, um motor deste tipo numa rede neural. Trata-se de um desafio extremamente complexo: como expressar o estado numa rede neural, que arquitetura de rede utilizar, como obter e ampliar volumes enormes de dados — na opinião de Cao Yanpei, trata-se, na verdade, de um enorme fosso.

Para superar este fosso, o Project Eden adotou de forma inovadora uma arquitetura tecnológica de três camadas com desacoplamento.

Na sua base encontra-se a camada de estado estruturada, que mantém de forma unificada a estrutura geométrica do cenário, as propriedades dos objetos e a lógica dos eventos, sendo inteiramente responsável pela dedução do estado objetivo.

A camada de interface de condições intermédia funciona como um centro de conversão entre o estado e a renderização, transformando o estado 3D em restrições consoante as diferentes perspetivas, garantindo assim, desde a origem, a consistência física entre as diferentes câmaras.

A camada superior é a camada de renderização generativa, que, com base no estado objetivo da camada inferior e nas restrições da camada intermédia, renderiza em tempo real e conforme necessário imagens visuais detalhadas, complementando os detalhes dinâmicos.

Cao Yanpei utilizou a cena «Bombeiros a apagar um incêndio» da demonstração para ilustrar a lógica de funcionamento do Project Eden: o utilizador descreve as condições iniciais da cozinha, dos bombeiros e do incêndio através de uma frase de prompt, e essa descrição é diretamente convertida num estado implícito subjacente.Quando o jogador controla os movimentos do bombeiro e carrega no botão para apagar o incêndio, a quantidade de pó pulverizada e se o fogo foi ou não extinto são determinações que são todas simuladas na camada de estado subjacente. Mesmo que, nesse momento, ainda não tenha sido renderizado um único fotograma, este mundo já está «realmente» a funcionar de acordo com uma certa lógica física no seu nível subjacente.

Já a camada de renderização, situada acima desta, funciona como um pintor realista sempre pronto a agir: basta basear-se no estado atual da camada subjacente e combinar isso com qualquer ângulo de visão selecionado pelo jogador no momento para renderizar aquele fotograma.Movimentos de fluidos, como a difusão de gases ou as chamas a lamber as paredes — que são extremamente difíceis de representar na computação gráfica tradicional —, podem, por outro lado, ser simulados de forma muito natural pela camada de renderização nesta arquitetura.

Este design de desacoplamento, que separa o estado da interface, não só é tecnicamente mais elegante, como também resolve de forma natural alguns dos principais problemas que mais preocupam os criadores de jogos.

Em primeiro lugar, o regresso da «consistência». Como o estado do mundo é mantido independentemente da perspetiva, se virar as costas, se afastar e depois voltar, aquela árvore continuará intacta na base de dados subjacente, à espera de ser renderizada novamente.O velho problema da geração de vídeo, em que os objetos se deslocam e as cenas ficam distorcidas assim que nos viramos, foi aqui resolvido na sua origem.

Em segundo lugar, conferiu ao cenário uma vitalidade que permite a sua «reutilização». Uma vez que o estado do mundo existe de forma independente e é legível e gravável, tudo o que os jogadores fizeram no cenário fica efetivamente registado.Se um jogador partir uma mesa, essa alteração será gravada em tempo real no estado subjacente; posteriormente, quando outro jogador entrar no mesmo cenário, verá o resultado da destruição, em vez de uma sala reimaginada e intacta como antes.

Seguindo esta lógica, o desafio da interação multijogador também se resolve facilmente. Uma vez que existe, na base, um estado mundial unificado e independente da perspetiva, vários jogadores podem partilhar esse estado e, em seguida, renderizar cada um a sua própria perspetiva.É assim que se pode falar de uma verdadeira interação em tempo real entre jogadores e entre jogadores e NPCs. Isto funciona de forma semelhante à arquitetura «servidor-cliente» dos jogos multijogador atuais.

Além disso, este modelo traz uma enorme vantagem comercial: a queda acentuada dos custos de poder de computação.Numa arquitetura desacoplada, a camada de renderização consome bastante capacidade de computação, enquanto a simulação de estado na camada subjacente consiste num cálculo de alta dimensão muito leve. Isto resolve diretamente a preocupação subjacente à abordagem de geração de vídeo, segundo a qual «é necessário gerar imagens individualmente a nível de píxeis para cada ângulo de visão e cada utilizador online, o que leva a um aumento exponencial dos custos de computação à medida que o número de utilizadores cresce».

É claro que esta arquitetura ainda se encontra numa fase relativamente inicial. No entanto, na demonstração do Project Eden, podemos ver que ela procura resolver, passo a passo, os desafios mais complexos: a exploração consistente do ambiente ao longo de um período prolongado, a interação em tempo real entre vários jogadores e alguns mecanismos de decisão determinísticos.

03

Antes de chegar ao ponto crítico, o que é que isto pode fazer no desenvolvimento de jogos?

Ao ler isto, é inevitável ficar boquiaberto: quando esta tecnologia estiver realmente madura, será que já não será necessário utilizar motores para criar jogos?

Cao Yanpei disse-me que a substituição efetiva dos motores de jogo por modelos de mundo é um objetivo a muito longo prazo e repleto de dificuldades. Só quando a eficiência computacional, a estabilidade e a controlabilidade da simulação das transições de estado dos modelos de mundo ultrapassarem completamente o limiar da resposta em tempo real é que essa mudança radical irá ocorrer.

Neste momento, em vez de discutir quando é que a situação irá mudar, é melhor vermos como é que esta tecnologia pode ser integrada no processo de desenvolvimento de jogos antes que se chegue ao ponto de viragem.

Nesta fase inicial, podemos dividir esta arquitetura desacoplada e integrá-la pontualmente no fluxo de trabalho de jogos já existente. Por exemplo, o modelo de renderização do back-end pode ser utilizado na direção da «renderização generativa».Imagine que é um designer de jogos, sem grandes competências em arte ou programação: pode começar por criar a estrutura do espaço e dos níveis utilizando um «blockout» (modelo a cinzento) muito simples, para validar a jogabilidade. Em seguida, o modelo de renderização transforma esse modelo a cinzento, de aspeto monótono, no estilo artístico que desejar.

A iluminação, a criação detalhada de elementos e até mesmo a representação de fenómenos físicos complexos são deixadas para serem corrigidas pelo modelo numa fase posterior.

Para equipas de pequena e média dimensão, isto equivale praticamente a reduzir os elevados custos da produção artística industrializada a uma simples chamada de modelo. O estilo artístico deixará de ser uma restrição de custos rígida, que tem de ser definida antes do início do projeto, para se tornar um «interruptor» que pode ser ativado com um simples clique antes do lançamento.

Ao mesmo tempo, o modelo de previsão de estado do front-end pode ser isolado e utilizado como uma «máquina de estados inteligente», poupando aos programadores uma grande quantidade de trabalho repetitivo na escrita de scripts e na criação de máquinas de estados.Por exemplo, quanto a porta deve rodar quando recebe um pontapé, a que velocidade roda e se irá ricochetear e atingir alguém: a animação ou a máquina de estados podem ser deduzidas e geradas diretamente pelo modelo, sem que o programador tenha de definir isso linha a linha de código.

À medida que a tecnologia amadurece, a fase seguinte consiste em permitir que o modelo do mundo assuma parcialmente o controlo de «cenários dinâmicos e abertos». Nesta fase, o jogo continua a ser impulsionado por código tradicional, mas, em alguns cenários dinâmicos particularmente abertos e complexos — e que, ao mesmo tempo, não exigem uma forte determinação —, é possível recorrer ao modelo do mundo para realizar simulações offline ou de âmbito restrito.

Por exemplo, os danos causados por uma tempestade aleatória num cenário ou as interações espontâneas entre um grande número de NPCs. Deixar as partes que exigem um elevado grau de determinismo para o código tradicional e confiar as partes dinâmicas — abertas, aleatórias e difíceis de enumerar exaustivamente — aos modelos é, nesta fase, a abordagem mais adequada.

E só depois de ultrapassar o ponto crítico é que se chegará ao fim definitivo da substituição total da codificação rígida.

«Esperamos substituir essas lógicas e definições físicas que exigem codificação rígida por uma rede neural mais versátil e de acesso mais fácil.»Cao Yanpei afirmou que, numa situação ideal, no futuro, toda a lógica complexa, atualmente especificada código a código, se transformará numa dedução orientada por dados com base em grandes modelos, o que representará um salto qualitativo em termos de barreiras de entrada e eficiência no desenvolvimento.

No entanto, a relação entre o modelo de mundo e os motores tradicionais não tem de ser necessariamente uma substituição de natureza «tudo ou nada». Tal como Tim Sweeney, fundador da Epic, afirmou de forma perspicaz: no futuro, assistiremos a uma corrida e a uma fusão contínuas entre a «IA centrada no motor» e a «IA centrada no modelo de mundo», até que, um dia, ambas se unam.

O que a VAST está a fazer é, precisamente, avançar o mais possível nesta via «centrada no modelo do mundo», e cada passo dado antes de se atingir o ponto crítico contribui com um conjunto de ferramentas concretas para a indústria dos jogos.

Conclusão

Para que os modelos mundiais alcancem a verdadeira perfeição técnica e a implementação industrial, ainda é necessário um processo gradual. No que diz respeito à eficiência computacional, à precisão absoluta das regras físicas e à estabilidade na simulação de cenários de grande escala, os motores de redes neurais ainda têm muitos obstáculos técnicos a superar.

No entanto, os recursos 3D que sustentam o funcionamento deste motor estão a tornar-se cada vez mais abundantes.Como atividade principal da VAST, a sua série de grandes modelos 3D Tripo, desenvolvida internamente, passou por iterações rápidas ao longo do último período. Os modelos Tripo H3.1 e Tripo P1.0, lançados em março deste ano, atingiram um nível de precisão geométrica e velocidade de geração adequados para utilização a nível industrial.

Recentemente, lançaram também no Tripo Studio um algoritmo de texturização 8K com IA, que reduz o processo de desenho manual ou digitalização — que antes demorava vários dias — para menos de 2 minutos, e lançaram o «Segmentação Inteligente de Componentes V2», que suporta três níveis de controlo de granularidade, permitindo que os recursos 3D gerados sejam automaticamente segmentados e passem diretamente para a linha de produção a jusante.

Além disso, a VAST também está a promover a colaboração no setor através do código aberto, tendo já disponibilizado publicamente mais de 30 projetos, incluindo o TripoSplat, o AniGen, o SkinTokens e o LegoACE — desenvolvidos em colaboração com universidades como a Tsinghua e a Universidade de Hong Kong —, que abrangem várias áreas de ponta, tais como a resolução dinâmica e o alinhamento automático de esqueletos.

Ao nível das aplicações, a sua plataforma integrada «Tripo Studio» já reuniu 20 milhões de criadores e estabeleceu parcerias estreitas com empresas líderes como a Tencent, a NetEase, a Alibaba e a ByteDance.

No plano tecnológico da VAST, o modelo do mundo e o grande modelo de ativos 3D não são elementos isolados, mas sim um ciclo fechado «impulsionado por duas forças». A sua visão a longo prazo é clara: tornar-se «a base da plataforma de interação de conteúdos gerados pelos utilizadores (UGC) e do ecossistema de conteúdos 3D».

Com base nisto, tanto os programadores profissionais como os criadores em geral poderão, no futuro, criar e explorar mundos digitais interativos com menos barreiras e maior liberdade.

É verdade que o aperfeiçoamento do motor de redes neurais requer tempo, mas, com a disponibilidade abundante de recursos 3D subjacentes e o bom funcionamento da arquitetura desacoplada, um espaço digital orientado por dados e com interação em tempo real está a passar do conceito à realidade. E a VAST está a preparar o terreno, tanto a nível tecnológico como do ecossistema, para que isso aconteça.