Jogos Sem um Motor de Jogo: Como os Modelos de IA Geram Mundos Jogáveis

Em 2024, uma equipa da Google Research e da Google DeepMind mostrou que um modelo neural conseguia simular DOOM jogável a mais de 20 frames por segundo sem executar o motor de jogo original por baixo. Não havia nenhum ciclo de motor convencional a armazenar explicitamente coordenadas, objetos de física, variáveis de vida ou estado do mapa da forma habitual. Em vez disso, o GameNGen aprendeu a inferir o próximo frame a partir dos frames recentes e dos inputs do jogador, incluindo pistas visuais como vida, munições, inimigos, portas e paredes. O sistema, chamado GameNGen, é uma versão modificada do Stable Diffusion (o mesmo tipo de modelo que gera imagens a partir de texto), e joga DOOM ao alucinar cada próximo frame a partir dos frames anteriores mais a tecla que acabou de premir.

Isto é algo fundamentalmente diferente de "IA dentro de um motor de jogo". Quando um estúdio usa IA para gerar texturas ou escrever diálogos de NPC no Unity, o motor continua lá a fazer o trabalho real. O GameNGen não tem motor. O modelo is o jogo. E é o início de uma verdadeira fronteira que os títulos das notícias continuam a interpretar mal. O GameNGen surgiu através da via de investigação da ICLR, o DIAMOND chegou pela NeurIPS 2024, e empresas como a Google DeepMind, a Microsoft Research, a Decart e a Skywork AI estão agora a levar a ideia dos artigos para demos, APIs e sistemas de código aberto.

Eis o que estes sistemas realmente fazem, como funciona a previsão do próximo frame, porque é que a coerência e a memória continuam a falhar ao longo de interações mais prolongadas, quanto custam a executar e se vêm aí para substituir o Unity. A resposta curta a esta última pergunta é não, pelo menos não da forma que o entusiasmo sugere. A razão é arquitetural: mais poder de computação ajuda, mas não cria por si só estado persistente, lógica determinística ou um ciclo de jogo depurável.

A versão curta

• Estes modelos preveem frames; não simulam regras. Um motor de jogo calcula o próximo estado a partir de lógica e de variáveis armazenadas. Um modelo de mundo como o GameNGen ou o Oasis adivinha a próxima imagem a partir dos frames anteriores mais o seu input. Não está a executar uma simulação tradicional de motor de jogo com estado explícito dos objetos, código de física e variáveis inspecionáveis; está a gerar a próxima observação através de um modelo aprendido.
• A sua coerência continua limitada pela memória e pelo contexto, mas o limite já não é tão simples como "tudo falha ao fim de uns segundos". O GameNGen tem pouco mais de 3 segundos de histórico direto de frames, mas consegue manter-se visualmente estável ao longo de trajetórias mais longas através de heurísticas aprendidas. O Genie 2 mostrava normalmente exemplos de 10-20 segundos e por vezes conseguia preservar detalhes fora do campo de visão, enquanto o Genie 3 leva a consistência até alguns minutos a 720p/24fps. A fraqueza central mantém-se: estes sistemas ainda não fornecem o estado durável, inspecionável e guardável de que os jogos de produção dependem.
• Não são naturalmente determinísticos da forma de que os jogos de produção precisam. Pode restringir a amostragem ou fixar seeds, mas mesmo assim isso não lhe dá as atualizações de estado limpas e inspecionáveis de um motor normal. Multijogador, equilíbrio competitivo, repetições, progressão de competências e gravar/carregar dependem todos de transições de estado fiáveis. Um gerador de frames pode aproximar esse comportamento, mas um jogo de produção ainda precisaria de uma camada de lógica determinística por baixo ou ao lado dele.
• A DeepMind enquadra os modelos de mundo como uma base para treinar e avaliar agentes de IA em ambientes simulados ricos, ao passo que o Project Genie mostra a mesma tecnologia num protótipo de criação de mundos orientado para o consumidor. O mais recente Oasis 3 da Decart é ainda mais explicitamente dirigido à IA física, à robótica e à simulação de veículos autónomos. Isso reformula a pergunta "isto vem aí para substituir o Unity?": o mercado mais sério a curto prazo poderá ser o treino de agentes e a simulação, não jogos de consumo acabados.

O Que Este Artigo Não Aborda

Alguns temas vizinhos são puxados para a mesma conversa e não têm lugar aqui:

• DLSS, FSR, upscaling e geração de frames. Isso é IA a substituir fases individuais de um pipeline de renderização normal; o motor continua a correr. Esse é um tema à parte, a renderização neural, e não é o que este artigo aborda.
• A metodologia detalhada de aprendizagem por reforço usada para recolher dados de treino. Vou descrevê-la a um nível conceptual; os artigos têm a receita completa.
• Alojamento e configuração de infraestrutura de servidores de jogos. Isto é uma explicação de como os modelos funcionam, não um guia de implementação.

O Que as Pessoas Querem Dizer com "Motor de Jogo de IA" (e Qual Deles É Este)

A expressão "motor de jogo de IA" é aplicada a três coisas completamente diferentes, e a maior parte da confusão sobre este tema vem de as juntar todas numa só. Este artigo é sobre exatamente uma delas: um modelo que prevê cada frame e substitui o motor por completo. Não são ferramentas de IA acopladas a um motor tradicional, nem uma ferramenta que constrói ambientes 3D que depois carrega num motor.

Os três significados, em termos simples:

1. Ferramentas de IA dentro de um motor tradicional. Geração de recursos, síntese de texturas, árvores de comportamento de NPC, escrita de diálogos: tudo a correr dentro do Unity ou do Unreal. O motor continua a renderizar frames, a executar física e a manter o estado. A IA é uma assistente no pipeline de conteúdos. É disto que a maioria dos resultados de pesquisa para "motor de jogo de IA" trata na realidade, e não é o tema deste artigo.
2. Geradores de espaço 3D autorados. A World Labs, cofundada por Fei-Fei Li, oferece o Marble, uma ferramenta que cria ambientes 3D persistentes e descarregáveis a partir de texto, imagens, vídeos ou outros inputs. Fundamentalmente, o Marble está mais próximo de uma ferramenta de criação de conteúdos espaciais: gera mundos 3D persistentes que podem ser percorridos, editados, descarregados ou exportados para fluxos de trabalho a jusante. Isso torna-o diferente de sistemas como o GameNGen, o Oasis ou os do tipo Genie, em que a própria experiência jogável é produzida ao vivo através de geração frame a frame.
3. Modelos de mundo que substituem o motor. GameNGen, Oasis, a família Genie, DIAMOND, MineWorld, Matrix-Game. Estes geram observações jogáveis diretamente em vez de carregar uma cena autorada normal no Unity ou no Unreal. Alguns sistemas mais recentes acrescentam mecanismos de memória e consistência, mas continuam a não expor o modelo de estado durável, inspecionável e controlado pelo programador de um motor de jogo tradicional. É este o tema aqui.

Uma regra rápida de decisão para qualquer artigo que leia: se o sistema produz um ficheiro que carrega no Unity, é da categoria 1 ou 2. Se o sistema is a própria coisa que está a jogar, com frames gerados ao vivo, é da categoria 3: um modelo de mundo.

Como um Modelo Gera um Jogo Sem Motor

Um modelo de mundo aprende como um jogo se parece em movimento e depois prevê o próximo frame condicionado pelos frames recentes mais o input atual do jogador. Ao contrário de um motor tradicional, não expõe variáveis limpas como "a porta está aberta", "este inimigo está morto" ou "o jogador está na coordenada X". Nos primeiros sistemas de previsão de frames, o modelo aprende sobretudo que certos estados visuais tendem a seguir-se a certos inputs. Jogar é apenas correr esse ciclo de previsão aprendido depressa o suficiente para parecer interativo.

O GameNGen é o exemplo trabalhado mais claro, porque o artigo expõe cada passo. O pipeline corre em duas fases. Primeiro, um agente de aprendizagem por reforço joga milhares de sessões de DOOM, e cada sessão é gravada como um fluxo de frames emparelhados com as ações que os produziram. Segundo, um Stable Diffusion v1.4 modificado é treinado com esses dados para prever o próximo frame dados os frames anteriores e a ação do jogador. A ação é incorporada diretamente no condicionamento, e é esse o truque que faz disto um jogo e não apenas um gerador de vídeo. A sua tecla premida faz parte do prompt para a imagem seguinte.

A parte difícil é a velocidade. Um modelo de difusão normal corre 20 a 50 passos de remoção de ruído para transformar ruído numa imagem, o que é demasiado lento para jogar em tempo real. O GameNGen reduz isso para 4 passos de remoção de ruído, trazendo a inferência total para cerca de 50 milissegundos por frame: rápido o suficiente para 20 FPS num único TPU à resolução nativa de DOOM de 320×240. Avaliadores humanos conseguiam ser apenas ligeiramente melhores do que o acaso a distinguir clips curtos da simulação de imagens reais de DOOM.

A maioria dos sistemas neste espaço enquadra-se em padrões arquiteturais sobrepostos:

• Sistemas baseados em difusão (GameNGen, Oasis, DIAMOND, Genie 2): partem do ruído e removem-no iterativamente até ao próximo frame. Conseguem produzir forte qualidade visual a curto horizonte, mas precisam de truques de velocidade para correr de forma interativa.
• Sistemas autorregressivos (MineWorld): preveem frames ou tokens futuros sequencialmente, mais perto de como um modelo de linguagem prevê texto. O MineWorld troca taxa de frames por um seguimento de ações mais apertado, situando-se à volta dos 4-7 FPS.
• Híbridos aumentados com memória e controlo (Matrix-Game 2.0/3.0 e sistemas mais recentes): combinam geração em tempo real com condicionamento por ações, controlo de câmara e mecanismos de memória explícitos para reduzir a deriva a longo horizonte.

Há um detalhe que importa para a secção seguinte. Durante o treino, o GameNGen acrescenta deliberadamente ruído aos frames passados em que se condiciona. Isso força o modelo a aprender a corrigir os seus próprios erros em vez de os acumular, uma mitigação para o problema da deriva. Ajuda. Não o resolve.

A Linhagem: Do Genie 1 ao Genie 3 em Dois Anos

A coisa mais marcante deste campo é o declive. Em fevereiro de 2024, o Genie 1 gerava plataformas 2D controláveis a 256×256. Dezoito meses depois, o Genie 3 gerava mundos 3D navegáveis a partir de um prompt de texto a 720p e 24 FPS. É essa a trajetória que vale a pena observar: não uma demo isolada, mas o ritmo de mudança entre elas.

Lida como uma única progressão, a história desenrola-se assim. O Genie 1 (DeepMind, ICML 2024) provou que se podiam aprender ambientes interativos a partir de vídeo não rotulado. O GameNGen (Google, ICLR 2025) mostrou que a mesma ideia podia correr um jogo real e de ritmo rápido (DOOM) em tempo real. O Oasis (Decart, outubro de 2024) levou-a ao Minecraft e tornou-a publicamente jogável. O Genie 2 (DeepMind, dezembro de 2024) saltou para mundos 3D gerados a partir de uma única imagem. DIAMOND (NeurIPS 2024) tornou a abordagem de código aberto e executável numa GPU de consumo. GameGen-X e MineWorld (Microsoft, 2025) empurraram o ecossistema aberto ainda mais longe. O Genie 3 (agosto de 2025; público como Project Genie em janeiro de 2026) chegou ao 3D em tempo real a partir de texto. Matrix-Game 2.0 levou a geração de código aberto e streaming em tempo real até aos 25 FPS, e o Matrix-Game 3.0 atacou o problema da memória de forma mais direta com uma arquitetura de memória de longo horizonte.

Isto é, num sentido bem real, a outra ponta da tendência da renderização neural. A renderização neural é IA a substituir fases individuais do pipeline gráfico (upscaling aqui, sombreamento ali) enquanto o motor continua a correr. Os modelos de mundo são IA a substituir o pipeline por completo. Se lermos os dois em conjunto, a renderização neural é a história do "a IA come as partes" e isto é a história do "a IA come a coisa toda". Cada uma é o passo lógico seguinte da outra.

As especificações dos principais sistemas estão na tabela abaixo; o objetivo da narrativa é o arco, não os números.

Porque é Que Estes Mundos se Desmoronam

Estes sistemas continuam a falhar de quatro formas importantes, mas o modo de falha não é apenas "falta de poder de computação". Mais GPUs podem melhorar a resolução, a latência e a escala do modelo, mas a coerência de nível de produção precisa de melhor memória, rastreio de estado e arquitetura de controlo. Um modelo que prevê frames plausíveis não é a mesma coisa que um motor com regras explícitas, variáveis inspecionáveis, atualizações de estado determinísticas e semântica de gravar/carregar. Cada limitação abaixo é aquilo que o modelo não consegue fazer estruturalmente, não aquilo em que ainda não ficou suficientemente bom.

Sem Estado de Mundo Persistente

Estes sistemas não expõem variáveis da forma que um motor tradicional o faz. Um motor normal armazena o mundo como dados: este baú está aberto, este inimigo está morto, o jogador está na coordenada (412, 88). Nos primeiros sistemas de previsão de frames, não há estado de motor durável nesse sentido do desenvolvimento de jogos. O modelo apoia-se sobretudo no contexto visual recente e em conhecimentos prévios aprendidos, pelo que os objetos podem mudar, desaparecer ou reaparecer de forma incorreta assim que saem de vista. Os sistemas mais recentes estão a acrescentar mecanismos de memória e consistência explícitos, mas continuam a não expor o tipo de estado de mundo limpo e depurável que um motor tradicional dá aos programadores.

Em sistemas de previsão de frames mais fracos ou iniciais, um baú que abriu pode reaparecer fechado, um monstro que matou pode voltar a entrar, e uma estrutura que construiu pode dissolver-se assim que sai do frame. Os jogadores descreveram a demo original do Oasis como tendo "lógica de sonho": vira-se, e pode não voltar exatamente ao mesmo sítio. Os sistemas mais recentes estão a tentar reduzir esse problema com mecanismos de memória e consistência mais fortes, mas a lacuna mantém-se: continuam a não expor uma camada de estado de jogo tradicional e inspecionável.

O Teto da Janela de Contexto

A coerência está limitada pelo design de memória do modelo, não apenas pela qualidade visual bruta. O GameNGen usa um histórico direto de frames curto, mas mesmo assim relata sessões de jogo estáveis de vários minutos através de correção aprendida. O Genie 2 introduziu exemplos visíveis de memória de longo horizonte e manteve a consistência até um minuto, com a maioria dos exemplos a durar 10-20 segundos. O Genie 3 leva a interação contínua até alguns minutos, e o Matrix-Game 3.0 ataca o problema diretamente com memória de longo horizonte. A questão por resolver não é "o modelo consegue durar mais do que uns segundos?". É se consegue preservar um estado de mundo fiável, inspecionável e guardável durante a duração e a complexidade de um jogo real.

Estocástico, Não Determinístico

O output é probabilístico por defeito. Corra a mesma configuração duas vezes e pode obter frames diferentes a menos que o sistema esteja fortemente restringido. Para uma ferramenta artística, isso pode ser útil; para muitos jogos de produção, é um problema. Multijogador, equilíbrio competitivo, repetições, progressão de competências e gravar/carregar dependem todos de transições de estado fiáveis. Um modelo de mundo pode tornar-se mais repetível, mas um jogo de produção ainda precisaria de uma camada de lógica determinística ou de um sistema de estado para garantir o comportamento que jogadores e programadores esperam.

É um Jogo, ou Previsão de Vídeo com um Teclado?

A crítica mais aguda é que estes sistemas não estão a simular mundos no sentido tradicional de motor de jogo; estão a gerar continuações visuais plausíveis e a deixá-lo conduzi-las. Um motor de jogo codifica regras; um modelo de mundo codifica plausibilidade. Um comentador no tópico do GameNGen no Hacker News chamou-lhe "a compressão de vídeo menos eficiente do mundo", e como provocação acerta: o modelo memorizou efetivamente uma distribuição sobre imagens de jogabilidade e está a interpolar através dela em resposta aos seus inputs. Há um teste claro para isto, na caixa de destaque abaixo.

O sinal da "deriva quando se está parado". Se um modelo de mundo estivesse de facto a calcular um mundo, um jogador imóvel deveria produzir uma imagem estável: nada está a mudar, logo nada deveria mudar. Em sistemas de previsão de frames mais fracos ou iniciais, mesmo estar parado pode revelar deriva: pequenos detalhes deslocam-se porque o modelo está a prever o próximo frame plausível em vez de renderizar a partir de um estado de mundo fixo e inspecionável. Esse é o sinal. A cena pode parecer estável durante algum tempo, mas o sistema continua a gerar continuidade em vez de a ler de um motor convencional.

Ponto-chave: os limites de determinismo e persistência são problemas arquiteturais, não questões que a mera escala vá resolver por si só. Qualquer sistema que precise de um mundo fiável, repetível e guardável continua a precisar de uma camada de lógica determinística, de um sistema explícito de memória/estado ou de um desenho de motor híbrido que as abordagens atuais de geração de frames não fornecem por si próprias.

Quanto Custa Realmente Executá-lo

A geração em tempo real é cara, e os números de destaque escondem muito. O "único TPU" do GameNGen parece barato até nos lembrarmos de que está a simular DOOM a 320×240, não um jogo moderno de alta resolução. A demo original do Oasis corria em tempo real em infraestrutura de classe H100, e o mais recente Oasis 3 da Decart torna a economia mais concreta. A Decart posiciona o Oasis 3 como um modelo de mundo interativo acessível por API para IA física, e a TechCrunch relatou o preço de acesso à pré-visualização em $0.02 por segundo, ou $1.20 por uma sessão de 60 segundos. Isso é útil para testes, simulação e fluxos de trabalho de investigação, mas continua a ser um modelo de custo muito diferente de distribuir um cliente de jogo normal.

Para pôr a escala em perspetiva: a geração de mundos em tempo real continua a ser cara, mas o panorama do hardware está a mudar depressa. Alguns sistemas de investigação abertos relatam agora geração em tempo real ou quase em tempo real em GPUs únicas de classe H100, enquanto os sistemas de fronteira orientados para o consumidor permanecem alojados na nuvem e muitas vezes não divulgados. O ponto firme não é "uma GPU nunca o conseguirá fazer"; é que a geração de mundos de qualidade de produção, baixa latência e alta resolução continua a ser um sério problema de infraestrutura.

O contraponto é que o piso está a baixar depressa, e o nível de código aberto é real. O DIAMOND treinou em cerca de 12 dias numa única RTX 4090 e, segundo a sua página oficial do projeto, pode ser jogado a cerca de 10 FPS numa RTX 3090. O MineWorld e o Matrix-Game são executáveis publicamente. Por isso, embora as demos mais impressionantes ainda dependam de infraestrutura especializada e dispendiosa, um programador curioso já consegue correr algumas experiências reais de modelos de mundo em hardware acessível. Ambas as coisas são verdade ao mesmo tempo: a interação de qualidade de fronteira é dispendiosa, e o ponto de entrada para a experimentação já é real.

Então, a IA Vai Substituir o Unity e o Unreal?

Não a curto prazo, e a razão são os limites acima, não a falta de investimento. O mercado levou isto a sério. A Google lançou o Project Genie para os subscritores do Google AI Ultra nos EUA a 29 de janeiro de 2026, e no dia seguinte várias ações de jogos caíram acentuadamente: a The Verge relatou o Unity a cair 24.22%, a Roblox a cair 13.17% e a Take-Two a cair 7.93% no fecho de sexta-feira. A ansiedade também se manifestou dentro da indústria: o inquérito de 2026 da GDC concluiu que 52% dos profissionais de jogos viam a IA generativa como tendo um impacto negativo nos jogos, acima dos 30% do ano anterior. Mas os movimentos das ações e a ansiedade dos inquéritos são reações a uma demo. É a arquitetura que define o calendário real.

Lendo a trajetória tal como está, e esta é a minha leitura, não uma previsão fechada, os próximos 1-3 anos provavelmente mantêm os modelos de mundo em protótipos de investigação, infraestrutura de simulação, treino de robótica/IA física e demos restritas orientadas para o consumidor, em vez de jogos comerciais completos. O caminho plausível de 3-7 anos é híbrido, não de substituição: um modelo de mundo a tratar da geração visual assente sobre uma máquina de estados determinística leve que detém a lógica de jogo real. Isso é aumento. A trajetória é suficientemente íngreme (DOOM a 320p até 720p-a-partir-de-texto em cerca de um ano) que previsões confiantes de longo prazo são imprudentes, por isso não vou fazer nenhuma.

O detalhe que reformula toda a questão: a DeepMind liga os modelos de mundo ao treino de agentes e à investigação de AGI, enquanto o Project Genie mostra a mesma tecnologia como um protótipo de criação de mundos orientado para o consumidor. O Oasis 3 da Decart é ainda mais explicitamente dirigido à robótica, aos veículos autónomos e à simulação de IA física. Os jogos de consumo importam para a história, mas a tração comercial a curto prazo poderá vir primeiro da simulação, do treino e da prototipagem.

Perguntas frequentes

Qual é a Diferença Entre um Modelo de Mundo e um Motor de Jogo?

Um motor de jogo codifica regras explícitas e armazena o estado do jogo como dados: é determinístico, inspecionável e depurável. Um modelo de mundo como o GameNGen prevê próximos frames plausíveis a partir dos frames recentes mais o seu input, sem o estado, as regras e as variáveis de objetos ao estilo de motor tradicional que os programadores normalmente inspecionam e controlam. O motor calcula o mundo; o modelo de mundo adivinha-o. É por isso que um é repetível e o outro não.

Como Funciona o GameNGen?

O GameNGen corre DOOM em três passos gerais. Primeiro, um agente de aprendizagem por reforço joga milhares de sessões de DOOM, gravadas como frames emparelhados com ações. Segundo, um Stable Diffusion v1.4 modificado aprende a prever o próximo frame condicionado pelos frames passados mais o input do jogador. Terceiro, a inferência é reduzida a 4 passos de remoção de ruído, produzindo cerca de 20 FPS num único TPU a 320×240.

Porque é Que o Mundo no Oasis Continua a Mudar Quando Nos Viramos?

Na demo original do Oasis, semelhante ao Minecraft, o mundo podia mudar quando nos virávamos porque o sistema não preservava um estado de mundo tradicional, ao estilo de motor. Gerava a vista seguinte a partir do contexto visual recente e de conhecimentos prévios aprendidos, pelo que objetos fora de vista podiam regressar de forma alterada. Os sistemas mais recentes estão a acrescentar mecanismos de memória e consistência mais fortes, mas foi exatamente essa "lógica de sonho" original que tornou a limitação fácil de notar.

Quanto Tempo Pode um Mundo de Jogo Gerado por IA Manter-se Consistente Antes de Derivar?

Depende do modelo. Os primeiros sistemas derivam muitas vezes em segundos a dezenas de segundos, mas os sistemas mais recentes estão a alargar esse horizonte. O GameNGen tem pouco mais de 3 segundos de contexto direto, mas consegue manter-se estável ao longo de jogabilidade mais prolongada através de heurísticas aprendidas. O Genie 2 mostrou sobretudo exemplos de 10-20 segundos e até um minuto em alguns casos. O Genie 3 eleva a afirmação a alguns minutos a 720p/24fps, e o Matrix-Game 3.0 relata consistência de memória de um minuto. O problema por resolver não são os clips curtos; é o estado de mundo durável, inspecionável e guardável.

A IA Vai Substituir Motores de Jogo Como o Unity ou o Unreal?

Não a curto prazo. Os bloqueios são mais arquiteturais do que puramente um problema de escala: os jogos de produção precisam de estado persistente, lógica fiável, comportamento determinístico e semântica de gravar/carregar. A escala ajuda a qualidade e a coerência, mas não cria por si só um ciclo de jogo tradicional. O caminho plausível é híbrido: um modelo de mundo a gerar visuais sobre um motor determinístico para a lógica de jogo, o que é aumento e não substituição. A DeepMind apresenta os modelos de mundo como importantes para o treino de agentes e a investigação de AGI, enquanto o Project Genie também torna a tecnologia visível como um protótipo de criação de mundos orientado para o consumidor. O Oasis 3 da Decart é o exemplo mais claro de um modelo explicitamente dirigido à robótica, aos veículos autónomos e à simulação de IA física.

Pode Jogar Algum Destes Jogos Gerados por IA Neste Momento?

Sim, vários. O Oasis original da Decart tinha uma demo web pública semelhante ao Minecraft, e o seu mais recente Oasis 3 Preview está agora acessível por API para experiências de modelos de mundo em tempo real. O Project Genie da Google também ficou disponível para os subscritores do Google AI Ultra nos EUA em janeiro de 2026. Para o nível de código aberto, o DIAMOND e o MineWorld podem ser descarregados e executados em GPUs de consumo, com o DIAMOND relatado a cerca de 10 FPS numa RTX 3090.