World Models 2026: Adeus, Próximo Token? — O ML que Realmente Entende o Mundo Físico

Pergunte ao GPT-5 o que acontece se você soltar uma caneta no ar. Ele vai responder algo sobre gravidade. Pergunte quanto tempo leva pra ela cair de um metro de altura: a conta sai certinha. Agora pergunte se uma bola de boliche do tamanho de uma laranja passa por um buraco do tamanho de uma maçã. Modelos de trilhões de parâmetros, treinados com o texto de bilhões de páginas, erram feio. Não porque não sabem a resposta — porque não têm um modelo do mundo real.

Esse paradoxo é o motor da maior virada de chave no machine learning desde a invenção dos Transformers, em 2017. Enquanto a indústria inteira correu atrás de escalar modelos de linguagem — maiores, mais dados, mais GPUs — um grupo de pesquisadores estava fazendo a pergunta incômoda: e se prever o próximo token simplesmente não for suficiente?

Em 2026, a resposta chegou com força. Yann LeCun, o Turing Award que passou 12 anos no Meta, largou tudo, fundou a AMI Labs e levantou US$ 1,03 bilhão em uma única rodada seed — a maior da história europeia. Fei-Fei Li, madrinha da visão computacional, arrecadou US$ 1,23 bilhão com a World Labs. A NVIDIA, sem alarde, liberou o SANA-WM como código aberto. E o MIT Technology Review colocou World Models na lista das 10 coisas que mais importam em IA agora (MIT Technology Review, Abril/2026).

Na nossa visão, isso não é uma moda passageira. É o começo do fim da era do "next token prediction" como paradigma dominante.

O Buraco no Coração dos Transformers

LLMs são máquinas de completar padrões textuais. Impressionantes, sim. Úteis, sim. Mas fundamentalmente cegos para o mundo físico. Um Transformer não sabe que objetos sólidos não se atravessam, que a gravidade puxa coisas pra baixo, que causa e efeito têm direção. Ele sabe que, em 57% dos textos de treino, quando alguém escreve "soltar uma caneta", a palavra seguinte tem alta probabilidade de ser "cai".

É estatística, não compreensão.

World Models são a tentativa de consertar isso. Em vez de aprender apenas a distribuição estatística de tokens, eles aprendem representações do mundo — como objetos se comportam, como ações produzem consequências, como o espaço físico funciona. A diferença não é incremental: é filosófica.

Enquanto um LLM responde "o céu é azul" porque viu essa frase 14 milhões de vezes, um world model pode literalmente simular o céu, a luz solar, e deduzir que o azul vem da dispersão Rayleigh. Um entende a superfície do texto. O outro entende o processo gerador dos dados.

"World models — these systems that learn from watching the world and the actions taken in it — are a fundamentally new kind of foundation model. They can compute what was previously uncomputable." — Packy McCormick, editor do Not Boring (Newsletter, Mar 19, 2026)

US$ 2,3 Bilhões em 90 Dias: O Dinheiro Chegou

O mercado não costuma apostar US$ 2,3 bilhões em filosofia de ML. Mas foi exatamente o que aconteceu no primeiro trimestre de 2026.

A AMI Labs, fundada por Yann LeCun, levantou US$ 1,03 bilhão em seed round a uma valuation pré-money de US$ 3,5 bilhões (TechCrunch, Mar 9, 2026; PitchBook, Mar 2026). É a maior seed da história europeia — e o dinheiro veio de fundos que normalmente investem em biotecnologia e semicondutores, não em pesquisa de ML.

Do outro lado do Atlântico, a World Labs de Fei-Fei Li acumulou US$ 1,23 bilhão desde 2024, sendo US$ 1 bilhão só em fevereiro de 2026 (World Labs blog, Fev 2026; The AI Innovator, Mar 2026). O objetivo declarado: construir modelos espaciais inteligentes que entendem geometria 3D, física e interação de objetos.

O CEO da AMI Labs, Alexandre LeBrun, foi franco sobre o momento. Em entrevista ao TechCrunch, ele disse:

"My prediction is that 'world models' will be the next buzzword. In six months, every company will call itself a world model to raise funding." — Alexandre LeBrun, CEO da AMI Labs (TechCrunch, Mar 9, 2026)

Ou seja, até o hype já foi previsto. Mas os resultados concretos estão chegando antes do buzz.

LeWorldModel: 15 Milhões de Parâmetros, Uma GPU, Nenhuma Desculpa

Em março de 2026, a AMI Labs publicou o LeWorldModel (LeWM) no arXiv (2603.19312). Os números são quase um insulto à indústria de LLMs:

Leia de novo: um modelo de 15 milhões de parâmetros, treinado em horas em uma única GPU, é capaz de detectar violações de física — algo que o GPT-4, com 1,8 trilhão de parâmetros, não consegue fazer de forma confiável.

O segredo é a arquitetura JEPA (Joint Embedding Predictive Architecture), que LeCun vem defendendo desde 2022. Diferente dos Transformers, que precisam prever cada token individualmente, o JEPA aprende a prever representações abstratas do mundo. Ele não tenta adivinhar o pixel exato do próximo frame de um vídeo: ele tenta prever a essência do que vai acontecer. É como a diferença entre desenhar cada fio de cabelo de uma pessoa e fazer um esboço que captura a silhueta e o movimento.

O resultado: o modelo é pequeno, rápido e — mais importante — generaliza para situações que nunca viu. Yann LeCun celebrou no Facebook:

"JEPA are finally easy to train end-to-end without any tricks! Excited to introduce LeWorldModel: a stable, end-to-end JEPA that learns world models directly from pixels, no heuristics. 15M params, 1 GPU, and full planning <1 second." — Yann LeCun, Turing Award Winner, AMI Labs (Facebook oficial, Mar 2026)

A frase "no heuristics" é a parte mais importante. Durante anos, modelos de world model exigiam truques de engenharia, regularizações específicas e ajustes manuais para funcionar. LeWM mostra que a arquitetura JEPA amadureceu a ponto de treinar de ponta a ponta, sem firulas. Isso é um marco.

SANA-WM: A NVIDIA Abre o Jogo

Se a AMI Labs provou que world models funcionam com 15 milhões de parâmetros, a NVIDIA foi na direção oposta e mostrou o que acontece quando você escala a ideia.

Em maio de 2026, a NVIDIA lançou o SANA-WM, um world model open-source de 2,6 bilhões de parâmetros (arXiv 2605.15178; MarkTechPost, Maio 16, 2026). As capacidades são impressionantes:

• Gera vídeos de 60 segundos em resolução 720p
• Controle de câmera 6-DoF (seis graus de liberdade) — você decide pra onde a câmera olha
• Roda em uma única GPU (uma RTX 5090 basta)
• 36x mais throughput que baselines abertos comparáveis
• Código e pesos disponíveis no GitHub da NVlabs

O SANA-WM é o primeiro world model open-source que qualquer pesquisador pode baixar, rodar e modificar. E isso altera radicalmente o cenário de pesquisa. Até agora, world models eram território de laboratórios com orçamentos de nove dígitos. Com o SANA-WM, qualquer grupo de pesquisa com uma GPU boa pode começar a experimentar.

A Física do Que Virá

A transição dos Transformers para World Models não vai acontecer da noite para o dia. LLMs continuam sendo extraordinários para linguagem, código e conhecimento enciclopédico. Mas o paradigma está mudando — e as evidências são claras:

1. Arquiteturas híbridas — JEPA, Mamba, Titans-style memory e MoE híbrido estão entregando de 4 a 17x mais eficiência que scaling puro (NextBigFuture, Abr 2026; MIT Technology Review) — mesma tendência dos SLMs que dominam em 2026. O futuro não é maior: é mais eficiente.

2. O physical gap — aplicações que envolvem o mundo real — robótica, carros autônomos, manufatura, simulação — não podem avançar sem modelos que entendam física. É aí que os world models entram.

3. A corrida de investimentos — US$ 2,3 bilhões em 90 dias não é sinal de hype aleatório. É sinal de que os maiores investidores do planeta acreditam que isso vai gerar retorno.

4. Código aberto — com o SANA-WM da NVIDIA e o LeWorldModel demonstrando viabilidade, a barreira de entrada caiu. O ecossistema de pesquisa em world models vai explodir nos próximos meses.

5. O fator LeCun — quando um dos pais do deep learning moderno sai de uma posição confortável no Meta, levanta mais de um bilhão de dólares e publica resultados que desafiam o paradigma dominante, é prudente prestar atenção.

LLMs vs World Models: A Tabela da Virada

A tabela acima não é um veredito — é um momento no tempo. Em 2024, world models eram curiosidade acadêmica. Em 2025, viraram promessa. Em 2026, são uma nova categoria de foundation model.

"AI systems have already gained impressive mastery over the digital world, but the physical world is still humanity's domain. To get there, many researchers believe, you need something called a world model." — Grace Huckins, AI Reporter, MIT Technology Review (Abr 2026)

O Que Esperar

World models não vão matar LLMs. Mas vão roubar o centro do palco. Em dois anos, a arquitetura dominante de ML provavelmente não será puramente autoregressiva — será híbrida, combinando representações textuais com modelos do mundo físico. As empresas que estão apostando nisso agora (AMI Labs, World Labs, NVIDIA) podem estar na frente de um novo ciclo tecnológico.

O MIT acertou ao colocar world models na lista do que importa. A pergunta agora não é "se" vão transformar o paradigma — é "quando" e "quem" vai liderar.

E, francamente, um modelo de 15 milhões de parâmetros que entende física melhor que um de 1,8 trilhão merece ser levado a sério.

Perguntas Frequentes sobre World Models

O que são world models exatamente?

World models são arquiteturas de machine learning que aprendem representações do mundo físico — como objetos se comportam, como ações geram consequências e como o espaço funciona — em vez de apenas prever o próximo token em uma sequência de texto.

World models vão substituir os LLMs?

Não. A tendência são arquiteturas híbridas que combinam a compreensão textual dos LLMs com a compreensão física dos world models. LLMs continuam sendo a melhor escolha para linguagem, código e conhecimento enciclopédico.

Qual a diferença entre JEPA e Transformers?

Enquanto Transformers preveem cada token individualmente (exigindo trilhões de parâmetros), o JEPA (Joint Embedding Predictive Architecture) aprende a prever representações abstratas — capturando a essência do que vai acontecer sem precisar adivinhar cada pixel ou palavra.

Por que o LeWorldModel é tão eficiente?

Porque o LeWorldModel usa a arquitetura JEPA com apenas 15 milhões de parâmetros, que não precisa prever cada detalhe — apenas a representação abstrata. Isso permite treinar em horas com uma única GPU, ao contrário dos LLMs que exigem milhares de GPUs e meses de treinamento.

Artigos Relacionados

Confira também: A Grande Reforma do Transformer: Maio de 2026 Está Reescrevendo as Regras do ML Confira também: Machine Learning Explicado: Guia Completo para Iniciantes em 2026 Confira também: O Fim dos Pilotos de ML: Como as 'AI Factories' Estão Industrializando o Machine Learning nas Empresas em 2026