Fizeram um modelo de mundo melhor colocando de volta dentro dele justamente a peça que esses modelos prometiam aposentar. O Matrix-Game 4.0, publicado pela equipe Matrix-Game da Skywork AI, empresa chinesa de IA, gera mundos jogáveis em tempo real a 60 quadros por segundo numa única RTX 5090, com resolução de 480 por 864 pixels. Os detalhes estão na página oficial do projeto e no artigo publicado no arXiv em 20 de outubro.
A virada está na divisão de trabalho. Uma game engine comum guarda o estado do mundo, as regras e as colisões, e desenha a cada quadro uma versão de baixíssimo polígono da cena, quase um rascunho em blocos. O modelo de vídeo, um transformer de difusão destilado para gerar com um ou dois passos, recebe esse rascunho e pinta por cima a imagem final, quatro quadros de cada vez. Um agente de programação traduz pedidos do jogador em mecânicas e prompts novos, e uma memória espacial busca quadros antigos pela posição da câmera para o cenário não mudar quando você volta a um lugar.
Os números são de hardware de consumidor. Do aperto da tecla até a resposta na tela são 112 milissegundos, e o pico de memória fica em 18,2 GB. Com prompts fixos, o sistema mantém 67 quadros por segundo numa RTX 5080 e 58 numa RTX 5070 Ti. As demonstrações incluem um jogo de tiro e um de corrida com regras impostas pela engine, e as sessões longas chegam a mais de um minuto e meio sem interrupção. Código e pesos estão no GitHub e no Hugging Face.
O GameNGen do Google, que rodava Doom inteiro dentro de uma rede neural, tentava fazer o modelo lembrar de tudo, inclusive da vida do jogador e da porta que já foi aberta. Funcionava por alguns segundos e depois esquecia. O Matrix-Game 4.0 desiste dessa ambição e deixa a lembrança com o código, que nunca esquece nada.
Ainda não sei direito o que isso faz com o artista de ambiente. Com a engine mandando nas regras e o modelo cuidando só da aparência, o que sobra para ele quando o mundo final é um bloco cinza com uma descrição em texto em cima?