AMI Labs aposta em modelos de mundo para a era pós-LLM e vê nos VLA o caminho até os produtos

Depois do boom dos LLMs, a AMI Labs propõe deslocar o centro de gravidade da IA da linguagem para a compreensão do ambiente físico. Para uma máquina que precisa agir com segurança no mundo real, planejar etapas e avaliar de antemão as consequências de suas decisões, saber continuar um texto não basta. A AMI Labs é a empresa de pesquisa de Yann LeCun, um dos principais pioneiros do deep learning.

O projeto captou US$ 1,03 bilhão com avaliação pré-investimento de US$ 3,5 bilhões, sinal de que o interesse por world models já extrapolou o debate acadêmico. A empresa parte de uma premissa simples: os dados de câmeras, sensores e detectores têm uma estrutura diferente da do texto. Eles são contínuos, ruidosos, multidimensionais e se encaixam mal na lógica de "prever o próximo token".

Por isso, em vez de adaptar LLMs a qualquer cenário, a AMI aposta em outra camada de base: o modelo de mundo. Aqui, modelo de mundo não significa um gerador de vídeo nem apenas um sistema multimodal que recebe imagens, texto e ações como entrada. Trata-se de um modelo que constrói uma representação interna latente do ambiente, identifica relações estáveis e descarta detalhes aleatórios.

O que importa não é cada pixel do próximo quadro, e sim a estrutura do que está acontecendo: onde estão os objetos, como eles se movem, quais restrições o ambiente impõe e o que muda depois de uma ação do agente. Uma arquitetura desse tipo precisa responder não só à pergunta "o que estou vendo", mas também a "o que vai acontecer se eu fizer isso". É por isso que a JEPA — Joint Embedding Predictive Architecture — ocupa o centro da abordagem.

Nessa lógica, o modelo não prevê dados brutos nem uma sequência de tokens, mas um estado no espaço de representações. Isso permite não gastar computação com ruído e variações aleatórias e aprender com as características realmente relevantes da cena. Um argumento prático a favor dessa abordagem já apareceu nas pesquisas do V-JEPA 2: o sistema foi primeiro pré-treinado com mais de um milhão de horas de vídeos da internet e, depois, uma versão action-conditioned passou por fine-tuning com menos de 62 horas de vídeos de robótica não rotulados.

Em seguida, o modelo conseguiu operar em modo zero-shot em braços robóticos Franka em laboratórios novos, pegando e movendo objetos sem coleta de dados específica para cada ambiente e sem função de recompensa. Mas o modelo de mundo, sozinho, ainda não é um agente pronto. Ele consegue prever como a situação vai evoluir, mas alguém precisa converter esse entendimento em uma ação concreta.

É aí que entra o VLA, a camada visual-language-action que conecta a percepção, o objetivo do usuário, o comando em linguagem natural e as ações permitidas ao sistema. Uma tese importante da AMI e de trabalhos relacionados é que VLA e world model não competem entre si. Pelo contrário: sem uma previsão interna, o VLA fica reativo demais.

Ele pode gerar a ação correta "para o momento", mas se sai pior em cenários longos, frágeis e fisicamente sensíveis, nos quais é preciso simular mentalmente as consequências de um toque, de um deslocamento, de uma colisão ou de um erro. Por isso, os mercados mais óbvios para essa abordagem não são as interfaces de chat, e sim setores em que o custo de um erro é alto: automação industrial, robótica, dispositivos vestíveis e saúde. Se um modelo de texto erra ao resumir um artigo, o dano é limitado.

Se um sistema inteligente interpreta mal o estado de um equipamento, avalia incorretamente os riscos na medicina ou calcula errado a trajetória de um robô, as consequências passam a ser físicas. É revelador que o primeiro parceiro citado da AMI seja a Nabla, da área de saúde digital. Isso não significa que a empresa já tenha resolvido o problema de uma IA confiável para o ambiente clínico, mas indica a direção: menos foco em demos vistosas e mais em controlabilidade, previsibilidade e simulação interna do ambiente antes de agir.

A principal conclusão é que, depois da era dos LLMs, a conversa sobre IA vai migrando gradualmente da descrição do mundo pela linguagem para sua modelagem interna. A abordagem da AMI ainda é um programa de pesquisa, e não um substituto pronto para os grandes modelos de linguagem: o termo "modelo de mundo" já está ficando difuso, e a transferência para novos ambientes ainda precisa ser comprovada. Mas, se essa linha funcionar, o próximo avanço prático da IA pode vir não de mais um chatbot, e sim de sistemas que primeiro entendem a realidade física e só depois agem nela.