Tem algo de museu de cera nos mundos 3D que a IA vem gerando. Dá para andar pela cena e girar a câmera, mas nada se mexe, nem a água, nem a nuvem, nem a folha da árvore. O OuroWorld, publicado em 8 de outubro no arXiv por pesquisadores da Universidade Nacional Yang Ming Chiao Tung (NYCU), uma das principais universidades de tecnologia de Taiwan, junto com o Alaya Lab, tenta resolver isso. O método pega uma cena estática em Gaussian Splatting, técnica que representa um ambiente como milhões de manchas coloridas em 3D, e a transforma num cinemagraph 3D, uma cena que se move em loop perfeito e pode ser vista de qualquer ângulo.

Para chegar lá, um modelo de linguagem com visão olha a cena e descreve o que poderia se mexer nela. Esse texto guia um gerador de vídeo, o Seedance 2.0, que produz dez segundos de movimento começando e terminando no mesmo quadro. O sistema espalha esse vídeo para outros pontos de vista e treina uma versão 4D da cena, em que cada mancha segue uma deformação descrita por séries de Fourier, o que garante matematicamente que o movimento volte ao ponto de partida. Como os vídeos gerados não batem entre si de um ângulo para outro, os autores criaram um segundo campo, preso à vista de referência, que absorve essas diferenças sem borrar a imagem.

Nos testes, com 39 cenas, algumas reconstruídas a partir de fotos e outras criadas por modelos de mundo como o Marble, da World Labs, o OuroWorld superou os métodos anteriores e foi preferido em 70,8% a 99% das comparações feitas com voluntários. As técnicas antigas só sabiam animar o que se comporta como fluido, como água correndo e fumaça, enquanto esta também mexe objetos e muda a iluminação. Tudo roda numa única placa RTX 4090, e os vídeos de comparação estão na página oficial do projeto.

Fico pensando em quem decide o que se mexe. No OuroWorld, essa escolha é de um modelo de linguagem que olha a imagem e imagina vida nela, e os próprios autores admitem que, quando o vídeo gerado inventa algo implausível, o erro vai parar na cena final. Um cinemagraph de cachoeira é bonito justamente porque alguém escolheu o que ficaria parado. Num cenário distante de jogo talvez ninguém repare. Para um artista de ambiente, que gasta dias decidindo para que lado o vento sopra numa cena, ver essa decisão virar um parágrafo escrito por uma IA antes de virar imagem é, no mínimo, desconfortável.