O Google DeepMind vem construindo, sem muito alarde fora do círculo de pesquisa em IA, um agente que não decora comando de jogo, aprende a jogar. O SIMA 2 usa o Gemini como motor de raciocínio pra entender objetivos, explicar seus próprios planos em linguagem natural e melhorar sozinho através de tentativa e erro em mundos virtuais que nunca tinha visto antes.
A diferença pro SIMA original é estrutural. Em vez de mapear pixel direto pra ação de teclado e mouse, o SIMA 2 forma um plano interno, coloca esse plano em palavras e só depois executa a sequência de ações no jogo. Na prática, isso significa que o agente consegue explicar o que está tentando fazer antes de fazer, o que abre espaço pra correção e aprendizado muito mais rápido do que treinar só por repetição cega.
O time de pesquisa treinou o SIMA 2 numa lista bem variada de jogos comerciais, Valheim, Satisfactory, Goat Simulator 3, No Man's Sky, Space Engineers, Teardown e mais uma dezena de outros títulos com mecânicas completamente diferentes entre si. O resultado mais interessante não é o desempenho em nenhum jogo específico, é a generalização, o agente também foi testado em ambientes gerados pelo Genie 3, o modelo de mundo do próprio DeepMind, mundos que não existiam antes de serem criados por outra IA, e ainda assim conseguiu operar dentro deles.
É esse combo que me interessa de verdade pro mercado de games, um modelo que aprende a jogar qualquer jogo e outro que cria o jogo do zero, treinados dentro da mesma empresa. Vale acompanhar de perto porque, se essas duas frentes se encontrarem de fato num produto comercial, o que hoje é demonstração de pesquisa vira ferramenta de QA automatizado, NPC adaptativo ou até playtesting em escala, dentro de poucos anos.