Baidu apresenta Apollo World, modelo de mundo treinado com 217 milhões de milhas de dados de condução autônoma

A provedora chinesa de IA open-source Baidu apresentou seu novo modelo de mundo, o Apollo World, durante o evento AI Day Apollo. Projetado especificamente para treinar veículos autônomos — incluindo a própria frota de robotáxis Apollo Go da Baidu —, o modelo destaca como a IA generativa está avançando rapidamente para além de tarefas em telas em direção a aplicações no mundo físico.

De acordo com a Baidu, o Apollo World consegue gerar cerca de três anos de testes de direção no mundo real em apenas um único dia. A empresa treinou o sistema com 217,48 milhões de milhas de dados operacionais do mundo real coletados diretamente de sua frota autônoma Apollo Go.

Simulando o mundo físico para frotas autônomas

Os modelos de mundo permitem que sistemas de IA compreendam, prevejam e simulem ambientes físicos, migrando a IA generativa de domínios de software, como programação e cibersegurança, para operações complexas no mundo real.

Lian Jye Su, analista da Omdia (uma divisão da Informa TechTarget), destacou que a condução autônoma representa uma das aplicações mais práticas para essa tecnologia atualmente. "É a aplicação mais razoável para modelos de mundo porque a indústria automotiva é uma das mais maduras", disse Su, ressaltando que os setores de jogos e automotivo oferecem sólidas oportunidades comerciais para a implantação de modelos de mundo.

A Baidu está longe de estar sozinha no uso de modelos de mundo para o transporte autônomo. O Waymo World Model da Google DeepMind — desenvolvido sobre seu modelo de fundação Genie 3 — converte registros brutos de vídeo em simulações 3D interativas. A desenvolvedora de caminhões autônomos Waabi depende de seu modelo de mundo proprietário para treinar sua frota virtual antes dos testes em rodovias. Enquanto isso, a Nvidia oferece o Cosmos, um modelo de mundo open-source projetado para ajudar desenvolvedores a integrar lógica física a fluxos de trabalho de robótica e automação.

Segundo Su, o investimento na construção de ambientes virtuais precisos traz retornos significativos em segurança e desempenho no mundo real. "No momento em que você acerta... você passa a ter dados fundamentais sólidos. É possível gerar duplicatas extremamente precisas de uma versão virtual do mundo físico, e isso geralmente contribui de forma decisiva para previsões e gerações altamente precisas", explicou Su.

Altos custos de computação representam desafios contínuos

Apesar do potencial da IA física, os modelos de mundo enfrentam gargalos comerciais e operacionais substanciais — principalmente os custos de computação.

O treinamento de modelos de mundo exige recursos de computação massivos, e executá-los em tempo real requer poder de processamento contínuo. Atualmente, a maioria dos modelos de mundo exige uma infraestrutura dedicada equivalente a uma GPU por usuário ativo, tornando a expansão um esforço dispendioso para empresas operadoras.

No entanto, como demonstra a implantação do Apollo World da Baidu, grandes operadoras de tecnologia veem os modelos de mundo de IA física como uma base necessária para alcançar operações comerciais de condução autônoma confiáveis.