O Google DeepMind acaba de lançar o D4RT, um modelo que muda silenciosamente o que “ver” significa para as máquinas. Em vez de tratar o vídeo como uma sequência de quadros 2D a serem processados com módulos separados de profundidade, rastreamento e estimativa de câmera, o D4RT reformula a percepção em torno de uma única questão central: onde está um determinado pixel do vídeo localizado no espaço 3D em um tempo arbitrário, visto de uma câmera escolhida.
Isto é importante porque a própria questão força o modelo a manter uma representação 3D persistente do mundo ao longo do tempo. Usando um decodificador codificador Transformer unificado com um mecanismo baseado em consulta, o D4RT transforma pixels em âncoras da realidade física. A mesma representação interna suporta rastreamento de pontos, reconstrução de nuvem de pontos e estimativa de pose de câmera simplesmente alterando a consulta.
Sem pipelines costurados. Nenhum hack específico para tarefas. Apenas um estado mundial 4D coerente inferido do vídeo e consultado sob demanda, mesmo através de oclusões ou quando objetos saem do quadro.
O que não é dito explicitamente é mais interessante do que o que é. D4RT não é apenas um modelo de visão, é uma declaração de arquitetura.
Ele sinaliza o colapso das pilhas de percepção modular em favor de representações de mundo consultáveis, otimizadas para hardware paralelo moderno. Isso mostra que ganhos de eficiência de 10x a 100x vêm menos de novas funções de perda e mais de melhores perguntas, melhores abstrações e melhor alinhamento com GPUs e TPUs.
Também traça silenciosamente uma fronteira: este é um modelo de mundo físico, não cognitivo. Geometria, movimento e consistência são resolvidos aqui. Causalidade, intenção e planejamento não são. Para qualquer pessoa que construa modelos mundiais, sistemas robóticos ou IA incorporada, a mensagem é clara. O futuro não consiste em gerar pixels melhores. Trata-se de tornar a própria realidade endereçável.
Link nos comentários.