Como funcionam as novas IAs de vídeo: a ciência por trás da ilusão perfeita
Como os difusores e os mecanismos de atenção ensinam máquinas a simular a realidade. Crédito: Alexandre Chiavegatto Filho / Estadão
O lançamento da Sora 2, da OpenAI, na semana passada, deixou a sensação de que o futuro do cinema digital chegou alguns anos antes do esperado.
O que mais impressiona nessas novas inteligências artificiais (IAs) de vídeo não é só a habilidade de criar imagens convincentes, mas a transição para narrativas aprofundadas, onde modelos multimodais de machine learning conseguem transformar prompts curtos em sequências audiovisuais que parecem filmagens profissionais.
A base técnica desses avanços são os algoritmos de difusão, que começam com um borrão de ruídos aleatórios, parecido com um canal de TV fora do ar, e vão passo a passo ajustando e adicionando detalhes, até que a imagem final pareça ter sido registrada por uma câmera.
A difusão funciona bem porque divide o problema gigantesco de gerar uma imagem ou um vídeo inteiro de uma vez em milhares de passos menores e previsíveis. Cada etapa passa a ser resolver um quebra-cabeça simples, tornando o processo muito mais estável do que outras técnicas que tentam criar tudo de uma só vez.
Mas, diferentemente da geração de imagens isoladas, agora é necessário assegurar que cada sombra, reflexo e microexpressão facial permaneçam consistentes ao longo de milhares de quadros, preservando a fluidez e a credibilidade da cena.
Para isso, os mecanismos de atenção, já conhecidos dos modelos de texto, foram adaptados para a geração de vetores espaço-temporais, permitindo que o algoritmo entenda como um objeto deve se mover de forma contínua ou como o gesto de uma mão deve preservar sua anatomia a partir de toda a sequência anterior.
O que esses modelos fazem, em última análise, é aprender a linguagem do tempo, prevendo como cada elemento visual deve evoluir de um quadro para o seguinte. E por trás dessa ilusão perfeita existe uma equação engenhosa que combina estatística, difusores e o poder dos mecanismos de atenção.
O resultado é uma inovação capaz de expandir os limites do real e criar mundos inteiramente novos, com implicações profundas para a educação, a ciência e a saúde.
Imaginem aulas em que conceitos de física sejam demonstrados em simulações criadas sob demanda, ou treinamentos médicos em que estudantes interajam com cenários clínicos gerados por IA, permitindo testar diagnósticos e decisões emergenciais em ambientes virtuais hiper-realistas.
Leia também
OpenAI lança app estilo TikTok que gera vídeos com IA; conheça a plataforma
Pais agora podem monitorar o que os filhos fazem no ChatGPT; conheça as novas ferramentas
A mesma lógica pode ser aplicada à descoberta científica, permitindo que hipóteses sejam testadas em simulações visuais de fenômenos complexos, como a propagação de epidemias, as colisões de partículas em aceleradores ou os efeitos das mudanças climáticas em diferentes regiões.
Essas IAs de vídeo não são apenas mais um salto estético, mas a abertura de uma nova fronteira tecnológica em que o conhecimento e a imaginação se unem para transformar a maneira como produzimos ciência e repensamos a saúde.
