Um modelo de linguagem tem a internet inteira para aprender. Um modelo que controla um braço robótico tem o que a sua equipe conseguiu gravar no galpão — e isso normalmente cabe em algumas centenas de horas.
Essa assimetria é o assunto real dos modelos de mundo. Não é sobre gerar vídeo bonito: é sobre o fato de que o dado é o gargalo, e alguém percebeu que dá para fabricá-lo.
1. O que é um world model · 2. Cosmos 3 por dentro · 3. Dados sintéticos ← você está aqui · 4. Dividir entre GPUs · 5. Do texto à ação
Por que dado de robótica é tão caro
Três custos que não existem em texto:
1. O dado é fisicamente lento. Uma hora de demonstração é uma hora de relógio, com um robô, num espaço, com alguém operando. Não dá para paralelizar comprando GPU. Dez mil horas de demonstração são dez mil horas.
2. O robô se desgasta. Cada repetição consome vida útil de garra, motor e cabo. Dado de robótica tem custo marginal de hardware, não só de tempo.
3. O caso que importa quase nunca acontece. É o pior dos três. Você precisa treinar o comportamento para a criança que atravessa correndo atrás da bola, para a caixa que escorrega da pilha, para o reflexo do sol que apaga a faixa. São exatamente os eventos que você não consegue gravar em quantidade — porque são raros, e porque provocá-los de propósito é perigoso ou antiético.
No mundo real, o dado comum é barato e o raro é caríssimo — você grava mil horas de trânsito normal para conseguir três segundos de quase-acidente.
Num modelo de mundo, os dois custam exatamente o mesmo: um prompt. É essa inversão, e não a qualidade da imagem, que sustenta o investimento da categoria inteira.
As quatro maneiras de gerar o dado
| Técnica | O que faz | Quando usar |
|---|---|---|
| Texto → cena | Gera a situação do zero a partir da descrição. | Cobrir um cenário que você nunca gravou. |
| Imagem → vídeo | Parte de um quadro real e continua o movimento. | Manter o realismo do seu ambiente de verdade. É o caminho mais confiável. |
| Transferência de estilo | Pega saída de simulador (geometria certa, aparência de plástico) e a torna fotorrealista. | Você já tem simulador. Provavelmente é a melhor relação custo-benefício de todas. |
| Condicionado por ação | Você fornece a trajetória e o modelo mostra o resultado. | Gerar pares (ação, consequência) — o dado que treina política de controle. |
A terceira linha merece destaque porque é a menos óbvia e a mais prática. Se a sua equipe já tem um simulador, a geometria e a física já estão certas — o que falta é a aparência, e é exatamente nisso que os modelos generativos são bons. Você usa cada ferramenta para o que ela acerta, em vez de pedir física a um modelo que não tem física.
A prova de que funciona está no próprio treino do Cosmos
Um detalhe da ficha técnica do Cosmos 3 que quase ninguém comenta. O conjunto de treino tem 1,3 bilhão de pontos de dado, vindos de 393 conjuntos. Entre eles, os sintéticos declarados:
| Origem sintética | Amostras |
|---|---|
| Imagens geradas por um modelo de imagem aberto | 15 milhões |
| Imagens geradas por outro modelo de imagem aberto | 14 milhões |
| Legendas geradas por um modelo de visão-linguagem | 1,115 bilhão |
Leia a última linha de novo. Mais de um bilhão de legendas sintéticas — a esmagadora maioria da descrição textual que ensinou o modelo a associar palavra e cena foi escrita por outra IA, não por pessoas. O modelo de mundo de referência da NVIDIA é, ele próprio, majoritariamente treinado em dado gerado.
Isso é uma validação forte da tese. Também é o melhor argumento para os riscos da próxima seção.
As três formas de o dado sintético te enganar
1. Ele ensina a física errada com convicção. É o risco central, e a própria NVIDIA o documenta: não há simulador de física dentro do modelo. Contato, atrito e permanência de objeto são aproximados. Se você treina um controlador com vídeos em que a caixa escorrega de um jeito que caixas reais não escorregam, você não treinou nada — treinou uma superstição. E ela vai parecer perfeitamente convincente no vídeo.
2. Ele estreita a distribuição em silêncio. O modelo gerador tem os próprios vieses: certos ângulos, certas iluminações, certos ritmos de movimento aparecem mais. Treinar em cima disso empurra o seu sistema para o subconjunto do mundo que o gerador gosta. O sintoma é traiçoeiro: as métricas em teste sintético melhoram enquanto o desempenho real piora.
3. Ele apaga o próprio rastro. Seis meses depois, ninguém no time lembra quais amostras eram reais e quais foram fabricadas. Quando o comportamento estranho aparece em produção, não há como auditar a origem.
Marque a procedência de cada amostra, desde o primeiro dia, e mantenha um conjunto de avaliação exclusivamente real, que nunca recebe nada gerado.
Dado sintético só pode ser julgado por desempenho em dado real. Medir modelo treinado em sintético contra teste sintético é medir a coerência do gerador consigo mesmo — o número sobe e não quer dizer nada.
É trabalho chato de metadado, e é a diferença entre um programa de dado sintético que funciona e um que envenena o conjunto por um ano até alguém descobrir.
Quanto custa fabricar esse dado
Ao contrário de servir o modelo para um usuário esperando, geração de dado é trabalho de lote: ninguém está olhando, o que importa é o total de clipes ao fim da noite. Isso muda completamente a escolha de máquina — e para melhor.
| Escala do lote | Configuração sensata | Preço/h |
|---|---|---|
| Provar o conceito, dezenas de clipes | modelo leve (16B) em uma placa de 96 GB | R$ 10,26 |
| Centenas de clipes por noite | modelo grande em 2 placas de 141 GB | R$ 57,10 |
| Milhares de clipes, prazo apertado | bloco de 8 placas | R$ 228,40 |
| Transferência de estilo sobre simulador próprio | modelo menor, uma placa de 48 GB | R$ 7,08 |
Preços consultados no catálogo em 1º de setembro de 2026, por GPU avulsa, sem interrupção programada. O catálogo se move dentro do mesmo dia — confira a vitrine antes de fechar a conta.
Como mostrou a parte 2, o bloco de 8 placas produz cada clipe mais rápido e mais caro. Para trabalho de lote — que é o caso aqui — a configuração de 2 placas entrega mais clipes pelo mesmo dinheiro. Vale a pena repetir porque é o oposto da intuição de "máquina maior é mais eficiente".
Uma nota de método: gere um lote pequeno primeiro, meça o aproveitamento real. Em geração condicionada por ação é normal descartar uma fração relevante da saída por incoerência. Se você aproveita 60%, o seu custo por clipe útil é 1,7 vez o custo por clipe gerado — e é esse o número que entra no orçamento.
Um roteiro honesto para começar
- Escolha um caso raro específico que você sabe que o sistema erra hoje. Não comece por "gerar dado" em geral — comece por um buraco medido.
- Congele um conjunto de avaliação real antes de gerar qualquer coisa. Sem essa régua, você não vai conseguir provar nada depois.
- Gere pouco e olhe com os próprios olhos. Cem clipes, revisados por uma pessoa. A taxa de descarte que você medir aqui é o que dimensiona todo o resto.
- Treine com mistura, nunca só sintético. A proporção saudável varia; o que não varia é que o real precisa estar lá.
- Compare na régua real. Se não melhorou no conjunto real, não melhorou. Não importa quanto o vídeo pareceu bom.
É o mesmo rigor que se usa para qualquer conjunto de dados novo. A tentação específica aqui é achar que, porque o vídeo é bonito, o dado é bom — e são coisas completamente separadas.
Gerar um lote de teste antes de decidir
Um lote de prova de conceito cabe em algumas horas de uma placa. Cobrança por hora de uso, em reais, sem contrato — você mede a taxa de aproveitamento real antes de dimensionar qualquer coisa maior.
Ver o catálogo →Continue: parte 1: o que é um world model · parte 5: do texto à ação