O termo “world model” está se tornando o rótulo tecnológico mais abusado de 2026. Modelos de geração de vídeo reivindicam o título. Modelos de visão-linguagem-ação reivindicam. O JEPA também reivindica. Cada um encontrou um lugar confortável sob a ampla sombrinha do termo.
O que levanta a pergunta que ninguém na corrida por rótulos quer responder: se tudo é um world model, o que não é?
Li Yiming — professor assistente no Instituto de IA da Universidade Tsinghua, nascido em 1997 e já orientando alunos de doutorado — apresentou três vereditos incomumente afiados em uma recente entrevista em profundidade. Primeiro: modelos VLA não são world models nativos, porque sua representação vive no espaço discreto da linguagem, não no mundo real — e a linguagem é uma abstração altamente comprimida das regras do mundo, construída para comunicação entre humanos, não para máquinas entenderem física. Segundo: modelos de geração de vídeo não são world models nativos, porque o processo de raciocínio não é nativo — seus pixels reproduzem a aparência superficial do mundo, mas não conseguem garantir a consistência geométrica e física que o aprendizado de políticas para tarefas complexas exige. O Sora pode gerar um lindo vídeo de remo; ele não consegue treinar um robô para remar. Terceiro: o JEPA também não é um world model nativo, porque prevê estados e não pode produzir ações — percepção sem ação não é um circuito completo com o mundo físico.
Essas três frases estouram a bolha da disputa por world models de 2026 com precisão cirúrgica. E o mercado já votou: a startup de Li, a Liqing Intelligence, capturou uma rodada seed de centenas de milhões de yuans em até dois meses após a fundação — com Shunwei Capital, Sequoia China, Hillhouse Ventures e Fengrui Capital, ao lado de investidores estratégicos como Zhiyuan Robotics e Lingxin Dexterous Hands. Um endosso de nove dígitos a exatamente esses julgamentos.
O Problema da Definição É, Na Verdade, um Problema de Sistema
A persuasão de Li se apoia em uma premissa cognitiva: um world model não é um modelo. É um sistema. Ele ilustra com o romance histórico O Caminho do Lichia: para transportar lichias frescas de Lingnan até Chang’an, o pequeno funcionário Li Shande teve que resolver conservação, estações de revesamento, rotas e suprimentos como um único sistema interligado. Sem um sistema completo, nada chega — um cavalo veloz sozinho não transporta nada. Um world model é esse cavalo: uma rota técnica entre várias, inútil sem a coleta de dados, a implantação de hardware e os motores de física ao redor.
A analogia acerta o maior ponto cego da indústria. A maioria das empresas trata “treinar um modelo que gera vídeo ou 3D” como o objetivo. O objetivo declarado de Li é uma infraestrutura de Physical AI movida a dados e física, em duas rodas — um sistema de ponta a ponta abrangendo percepção, raciocínio, decisão e saída de ação, com o modelo como apenas um componente dentro dele. Sua frase é direta: “Não queremos o rótulo de ‘world model’. O que estamos fazendo é resolver o Physical AI.”
Por Que o VLA Não É ‘Mundano’ o Suficiente: Três Dimensões
A crítica de Li à rota VLA merece leitura atenta de qualquer um que acompanhe IA incorporada.
A linguagem não é uma modalidade; é uma interface de comunicação. A falha central do VLA é tratar a linguagem como representação central. A linguagem é uma compressão de segunda ordem do mundo — descarta detalhes físicos (o centro de massa de uma maçã, sua maciez, seu coeficiente de atrito) e carrega vieses cognitivos humanos embutidos em cada idioma. A divisão de trabalho segundo Li: modelos de linguagem cuidam da interação máquina-humano; world models cuidam da interação máquina-mundo. Funções diferentes, sem substituição possível.
Tokenização é o verdadeiro gargalo. Para world models, o desafio central não é contagem de parâmetros nem computação — é como tokenizar o mundo físico de forma eficiente. Como observações visuais, táteis e de força se comprimem em sequências de tokens sobre as quais um modelo pode raciocinar define o teto de todo o resto. A equipe de Li já superou o DINOv3 da Meta em tokenização visual, e isso é só o começo. O princípio orientador: tokens de linguagem são discretos e convencionais; tokens físicos devem ser contínuos e fisicamente consistentes. Essa diferença estrutural é o que separa world models de modelos de linguagem.
O salto de eficiência de dados. A equipe opera um “princípio de 1% de dados de robô real”: treinar modelos de política com 1% dos dados de máquina reais que outros usam, alcançando as mesmas taxas de sucesso. O método é simples e engenhoso — coletar um pequeno lote de dados de robô real, alinhar as transições de estado reais do robô com as transições de estado simuladas do world model, e retropropagar essa perda para refinar o world model. Após o alinhamento, a maior parte da prática do robô acontece dentro do world model. Aprender a cortar uma maçã antes destruía centenas de maçãs; agora destrói dez, com as repetições restantes sendo virtuais. Não é uma economia de custos. É a precondição para o Physical AI cruzar de demonstração para implantação em escala.
O ‘Sistema Lichia’: Uma Stack de Physical AI com Três Componentes
A rota técnica da Liqing se decompõe em três componentes, que Li chama de sistema lichia — em referência ao romance, porque lichias frescas chegam à capital por meio de sistemas, não de cavalos velozes.
Componente um: o pipeline de dados. Dispositivos de captura desenvolvidos internamente — incluindo luvas táteis que cobrem toda a palma — reduzem o custo por unidade da escala de dólares para a escala de yuans, e elevam o volume de dados das habituais centenas de milhares de horas da indústria na direção de milhões e dezenas de milhões. Uma aposta contraintuitiva: dados humanos escalam mais facilmente que dados de robôs. A China tem centenas de milhões de pessoas trabalhando em linhas de produção e vivendo em domicílios; pessoas usando dispositivos de captura geram dados muito mais rápido do que robôs sendo teleoperados.
Componente dois: um world model nativo. Não VLA, não geração de vídeo, não JEPA — um único modelo com percepção, raciocínio, decisão e ação integrados de ponta a ponta. O pré-treinamento roda de forma auto-supervisionada na previsão do próximo estado e da próxima ação; o pós-treinamento empacota o modelo como um ambiente de simulação interativo.
Componente três: um motor de física diferenciável. A capacidade mais subestimada da stack. O motor precisa modelar corpos moles e dinâmica de fluidos com eficiência suficiente para que robôs executem aprendizado por reforço dentro dele — e precisa ser diferenciável, para que a perda flua de volta e o world model continue melhorando a partir do que o motor revela.
Os três componentes fecham um ciclo: o pipeline de dados produz dados de treinamento; o world model aprende as leis da física; o motor de física fornece o ambiente de pós-treinamento; modelos melhores produzem comportamentos robóticos melhores; comportamentos melhores geram dados de maior qualidade. O objetivo final é empacotar o sistema inteiro como infraestrutura generalista de Physical AI — o que o iOS é para apps móveis — para que tarefas de operação física possam ser desenvolvidas e implantadas em escala.
O Marco de 2028 — e Quem É Eliminado Primeiro
Li projeta 2028 como o ano-marco em que o Physical AI chega à escala, apoiado em duas tendências: o volume de coleta de dados salta em até vinte e quatro meses à medida que a força de trabalho industrial chinesa carrega dispositivos de captura (milhões de horas de dados de treinamento), e a densidade de motores mais os custos de hardware continuam melhorando rápido. Mais útil que a data, o framework prevê quais formatos de empresa serão eliminados no caminho. Empresas só de modelo — sem pipeline de dados, sem motor de física, apenas um modelo treinado a imitar um world model — são o cavalo veloz sem estações de revesamento; não entregam nada. Empresas só de hardware — corpos e controle resolvidos, mas sem modelo e sem motor — produzem robôs que executam programas pré-definidos em ambientes reais sem qualquer compreensão. Empresas só de coleta de dados — montanhas de dados brutos sem capacidade de transformá-los em treinamento de modelos ou simulação — detêm asfalto inteligente por onde nenhum carro passa.
O único formato de empresa que roda o ciclo completo, argumenta Li, é o “World Model como Serviço”: não uma empresa de corpos de robô, não uma empresa de modelos, mas uma empresa que entrega sistemas integrados de software e hardware aos clientes — casando automaticamente a configuração de hardware ótima com cada cenário e orçamento, funcionando prontos para uso.
O Que Fazer Com Isso
Se você investe em Physical AI ou inteligência incorporada, faça a cada alvo três perguntas: Seu tokenizer é treinado internamente ou emprestado? Seu motor de física é diferenciável? Qual a proporção entre dados de robô real e sintéticos? Empresas que não sabem responder provavelmente são lojas de demonstração vestindo fantasias de world model.
Se você é fundador, olhe além dos parâmetros e benchmarks. Capacidade de pipeline de dados e de motor de física pode importar mais do que treinar um modelo maior — nessa stack, cobertura full-stack é o fosso competitivo.
Se você é um decisor técnico, comece a pensar em tokenização física para o seu próprio domínio. O que você eventualmente precisará não é de uma API para chamar um world model, mas de uma compreensão de como o mundo físico é representado e sobre o qual se raciocina. A diferença entre essas duas mentalidades decide se o seu produto fecha seu ciclo antes de 2028.
A rodada seed de nove dígitos da Liqing não é apenas uma aposta em uma startup ligada à Tsinghua. É um julgamento de valor sobre a pergunta “o que é um world model de verdade” — e um alerta de que, nesta corrida, o cavalo nunca foi o ponto.
Fonte: 36Kr, reportagem exclusiva do “Intelligent Emergence”.
