Startups e cientistas usam dados de videogames para treinar IA

Pesquisadores de inteligência artificial e startups estão utilizando dados coletados de jogos eletrônicos para enfrentar a escassez de dados necessária no treinamento de modelos de mundo. Nomes reconhecidos da área, como Fei-Fei Li e Yann LeCun, vêm direcionando esforços para essa classe de IA, desenvolvida para compreender o ambiente físico e orientar ações em veículos autônomos, braços robóticos e outros sistemas que exigem precisão motorizada.

Diferente dos grandes modelos de linguagem, que aprendem a partir de vastos volumes de texto, os modelos de mundo exigem dados visuais combinados com informações de causa e consequência, tais como força de preensão e torque. Como esse tipo de registro é raro na internet, empresas buscam extrair dados de ações e entradas de controles fornecidos por estúdios de videogame.

Intermediação de dados e cenários de exceção

A startup britânica Worldmodeldata, que conta com a consultoria de LeCun, atua como intermediária para licenciar e organizar esse material para laboratórios. A empresa informou ter licenciado quase 1 milhão de horas de dados provenientes de jogos populares. A CEO da startup, Rhea Loucas, afirmou que a abundância e a variedade de experiências dos videogames podem ensinar sistemas de IA e que a meta é permitir futuramente a remuneração de jogadores individuais que forneçam registros.

A captação manual de dados no mundo real por meio de sensores em humanos ou robôs é vista por investidores como um processo lento e incapaz de cobrir todas as situações atípicas. Na avaliação de Nicole Fraenkel, sócia da firma de capital de risco Khosla Ventures, a repetição de tarefas simples não captura a desordem do mundo real, no qual o custo de erro para carros, aviões, drones ou empilhadeiras é elevado.

Divergências sobre a precisão da física dos jogos

Apesar do entusiasmo de parte do setor, o uso de dados de videogames enfrenta ceticismo. A NVIDIA, por exemplo, opta por utilizar um motor próprio criado especificamente para replicar a física real no desenvolvimento de sua família de modelos de mundo.

Ming-Yu Liu, líder de desenvolvimento de modelos de mundo na Nvidia, e Xiatian Zhu, professor associado da Universidade de Surrey, apontam que os jogos costumam utilizar atalhos de programação e física aproximada para criar a ilusão de realismo. Segundo Liu, o treinamento com dados de jogos é mais adequado para a geração de vídeos hiper-realistas ou cenários em 3D, sendo menos indicado para tarefas de manipulação precisa de objetos, nas quais os detalhes motores são mais exigentes.