Nos últimos dois anos, a indústria de IA generativa investiu pesado na ideia de que um modelo de mundo bom é aquele que aprende a prever o próximo pixel da tela. Genie, GameNGen e boa parte dos projetos que viraram manchete seguiram essa lógica, e uma pesquisa publicada pela Alaya Studio em julho decidiu questionar essa base inteira.
O argumento central do paper From Pixels to States é direto, prever pixels não é o mesmo que entender um mundo. Sem um estado persistente por trás da geração, informações como posição real dos personagens, valores de vida, física e câmera vão se perdendo conforme a sessão avança, e o resultado é um ambiente que parece coerente por alguns segundos e depois começa a escorregar. Não é um problema de escala, é um problema de arquitetura, e escalar o modelo sozinho não resolve.
Pra sustentar o argumento, o time construiu um motor de dados em cima de Black Myth Wukong, um dos jogos de ação mais complexos tecnicamente dos últimos anos. Foram mais de 90 horas de gameplay anotadas quadro a quadro, cruzando ações do jogador com estado real do jogo, esqueleto do personagem, animação, câmera e mapas de profundidade. É uma base bem mais rica do que a maioria dos projetos de modelo de mundo usa hoje, e escolher justamente um jogo denso como Wukong parece proposital, é o tipo de cenário onde a abordagem por pixel quebra mais rápido.
O que isso muda pra quem acompanha modelos como Genie 3 e projetos parecidos é a régua de avaliação. Coerência visual bonita numa demo de trinta segundos deixou de ser suficiente, o critério que importa agora é se o mundo se mantém consistente numa sessão longa, com estado real por trás da imagem. Vale acompanhar se laboratórios ocidentais vão incorporar esse tipo de arquitetura híbrida, porque é bem provável que motor de estado vire pré-requisito, não diferencial, nos próximos modelos de mundo que chegarem ao mercado.