O DeepMind, laboratório especializado em inteligência artificial do Google, publicou um estudo que mostra como a tecnologia pode ser utilizada para criar ambientes virtuais a partir de imagens em 2D. Como parte da pesquisa, os especialistas revelaram o Genie, uma ferramenta capaz de gerar minijogos a partir de uma simples imagem.

O Genie é considerado a “primeira inteligência artificial generativa para ambientes interativos”. Isso significa que a ferramenta consegue gerar uma cena interativa — neste caso, um jogo simples em 2D — utilizando como base uma imagem de exemplo, permitindo a criação de jogos sem qualquer programação necessária.

O modelo é treinado com 30 mil horas de vídeos (6,8 milhões de clipes de 16 segundos) de jogos de plataforma em 2D, no estilo de clássicos como Super Mario Bros. e Sonic the Hedgehog. Por esse motivo, atualmente, suas capacidades são limitadas à criação de minijogos com controles básicos para um personagem, como “andar” e “pular”.

A inteligência artificial utiliza técnicas de difusão avançadas para gerar uma cena de jogo a partir de uma imagem, que pode ser a fotografia de uma paisagem real, uma imagem previamente criada por inteligência artificial ou um desenho feito à mão.

Assim como um humano aprende a descrever o mundo utilizando palavras, o Genie “aprendeu” a jogar observando os vídeos de seu treinamento. As imagens e ações coletadas pela inteligência artificial são traduzidas para conjuntos de números, criando representações matemáticas para a jogabilidade, e assim, os controles do jogo para o usuário.

O Genie aprende comandos assistindo à jogabilidade, sem que humanos precisem apontá-los. Por exemplo, quando há um abismo em um jogo de plataforma, a IA compreende, a partir de seu treinamento, que um personagem deverá pular esse abismo, e fará isso quando o jogador pressionar o botão para cima em um controle.

Confira um exemplo de imagem gerada por IA usada para alimentar o Genie:

O Genie interpreta quadros e ações de seu treinamento utilizando uma técnica de análise e processamento de imagem chamada de VQ-VAE. Os dados são combinados utilizando o transformador MaskGIT que, combinado aos transformadores temporais, gera novos quadros com noções espaciais para compor a cena.

Esta é a demonstração do jogo que a inteligência artificial criou a partir da imagem:

É possível observar uma baixa qualidade nas cenas geradas pelo Genie, porém, seus resultados iniciais estão alinhados com os primeiros passos da geração de imagens e vídeos com inteligência artificial — tais que, atualmente, surpreendem pelo realismo.

Os pesquisadores do Google DeepMind afirmam que o treinamento da inteligência artificial levou várias semanas e milhares de teraflops em poder de computação, uma vez que seu aprendizado ocorre em um ritmo lento de apenas 1 quadro de vídeo por segundo. Por esse motivo, a tecnologia não deve chegar ao mercado tão cedo.

Essa é mais uma adição ao portfólio de ferramentas de inteligência artificial do Google. Com o objetivo de democratizar o acesso à tecnologia, recentemente, a empresa anunciou o Gemma, uma nova família de modelos de inteligência artificial de código aberto.