Inteligência Artificial

Stanford e Roblox criam IA que testa fase de obby em segundos

Pesquisadores da Universidade Stanford e da Roblox apresentaram uma ferramenta que responde, em poucos segundos, se uma fase de corrida de obstáculos pode ser vencida e de que jeito. O trabalho foi aceito na SIGGRAPH Asia 2026, a edição asiática da principal conferência de computação gráfica do mundo, que acontece em Kuala Lumpur, na Malásia.

Por MaxRender · 2 de outubro de 2026

Diagrama de uma fase de obstáculos em blocos cinza e vermelhos, com região de início verde, região de chegada azul, obstáculos giratórios e móveis e linhas pontilhadas verdes mostrando a trajetória do jogador.

Quem já abriu o Roblox conhece o formato. O obby, apelido de obstacle course, é uma sequência de plataformas, blocos que giram e paredes que se mexem, e é um dos gêneros mais criados dentro da plataforma. O grupo liderado por Zander Majercik, com Maneesh Agrawala e Kayvon Fatahalian entre os autores, montou um sistema em que o designer faz perguntas sobre a própria fase, como dá para chegar ao fim sem pular nesta plataforma ou alguém consegue terminar usando no máximo cinco pulos, e recebe de volta trajetórias desenhadas em cima do cenário.

Por trás disso há uma versão de alto desempenho do algoritmo de busca GoExplore, guiada por um agente treinado com aprendizado por reforço e rodando na GPU. Segundo a página oficial do projeto, a simulação chega a cerca de 14 mil vezes a velocidade real de um jogo a 60 quadros por segundo, somando mais de 800 mil passos de jogo por segundo numa única placa de vídeo. Essa velocidade derruba a resposta para poucos segundos, quando um playtest com pessoas levaria horas.

Eu esperava que o ganho fosse só velocidade, mas o estudo com quatro designers externos aponta para outra coisa. Eles usaram as consultas para encontrar soluções que não tinham imaginado, confirmar o caminho que queriam e medir a dificuldade, e depois seis jogadores em idade universitária testaram as fases e seguiram, na maior parte, as rotas pretendidas. A ferramenta acaba funcionando como um jogador malicioso de plantão, aquele que tenta quebrar a fase de propósito.

A ideia conversa com outro trabalho envolvendo Stanford que pôs uma IA para jogar mais de mil jogos. Naquele caso o agente aprendia a jogar por conta própria, enquanto este foi treinado para servir a quem projeta a fase. Não tenho certeza de que isso escala para jogos com física mais solta ou mundos abertos, onde o espaço de ações explode, e os próprios autores testaram só corridas de obstáculos.

Penso nos criadores amadores do Roblox que hoje descobrem que a fase tem um atalho quando o primeiro vídeo de speedrun aparece. Um botão que mostra esse atalho antes da publicação muda quem tem acesso a teste de qualidade, que até agora era coisa de estúdio com equipe de QA.