A inteligência artificial já é capaz de gerar um jogo completo a partir de um comando simples, mas uma contradição marcante persiste: ela ainda não consegue, de fato, jogar a grande maioria deles. Enquanto a programação se mostra um terreno fértil para os modelos de linguagem, o universo dos videogames representa um desafio colossal, não pela dificuldade intrínseca, mas pela natureza caótica e não padronizada de suas regras. Um modelo pode criar um script complexo, mas falha miseravelmente ao tentar vencer uma fase de Super Mario ou entender a estratégia de Pokémon sem ajuda externa. A razão para esse paradoxo vai muito além do entretenimento e toca em questões fundamentais sobre como as IAs aprendem e interagem com sistemas complexos.
Por que programar é um “jogo” fácil para a IA
Segundo o pesquisador Julian Togelius, a programação possui uma estrutura que a torna excepcionalmente adequada para os modelos de linguagem atuais. Visualize-a como um jogo extremamente bem projetado: cada linha de código é uma instrução clara, com um critério de sucesso verificável e feedback imediato e preciso em caso de erro. O sistema indica exatamente onde e por que a falha ocorreu. Os modelos de IA modernos, como o GPT-4 ou o Gemini, foram treinados com volumes massivos de código e refinados por aprendizado por reforço justamente para resolver esse tipo de problema estruturado. Essa natureza “bem-comportada” da programação é também a razão pela qual muitos humanos a consideram uma atividade prazerosa e lógica.
A diferença estrutural entre código e game design
Quando nos transportamos para o mundo dos videogames, toda essa previsibilidade desaparece. As regras são arbitrárias e criadas pelo designer, o feedback pode ser sutil, tardio ou até mesmo enganoso, o raciocínio espacial em tempo real é crítico, e a margem para erro é infinitamente menor. Um modelo treinado em texto e código não possui, em seus dados de pré-treinamento, a lógica interna específica de como um inimigo em Dark Souls se comporta ou a física peculiar dos saltos em Celeste. Como documentado no artigo “What are we even doing here?“, de Togelius, quando solicitadas a jogar, as IAs frequentemente apresentam um “fracasso absoluto”. Elas não entendem o objetivo final, não conectam ações imediatas a consequências de longo prazo e carecem de um modelo mental do ambiente virtual.
O caso Pokémon: sucesso com muletas
O sucesso relatado do Gemini 2.5 Pro ao completar Pokémon Blue em maio de 2025 é um exemplo perfeito dessa limitação disfarçada. A IA conseguiu a façanha, mas o processo foi consideravelmente mais lento do que o de um jogador humano médio, repleto de erros repetitivos e, crucialmente, dependente de software auxiliar e acesso a guias estratégicos (APIs). A análise da TIME sobre por que as IAs ainda lutam com Pokémon revela a importância do contexto: Pokémon e Minecraft estão entre as franquias mais minuciosamente documentadas da história. Existem milhões de horas de tutoriais, detonados passo-a-passo, fóruns e wikis online. A IA não está “jogando” no sentido humano; ela está consultando um manual gigantesco em tempo real e executando instruções.
Quando a documentação é a verdadeira inteligência
Essa distinção é vital para entender o limite atual. A habilidade da IA reside em processar e cruzar informações textuais de maneira super-humana. Em um jogo como Pokémon, onde a progressão pode ser mapeada como uma série de condições lógicas (“derrotar o líder de ginásio X para receber a insígnia Y, que permite usar a habilidade Z fora de batalha”), e onde todas as estatísticas de criaturas, localizações de itens e fraquezas elementares estão tabuladas online, o modelo pode ter desempenho. No entanto, isso não se traduz em uma compreensão genuína do jogo ou na capacidade de transferir esse “conhecimento” para um título com regras diferentes.
A física do mundo real vs. o caos dos mundos virtuais
Talvez o argumento mais revelador de Togelius seja a comparação com tarefas do mundo real. Considere uma atividade aparentemente mais complexa: dirigir um carro autônomo. As IAs já performam essa tarefa com nível elevado de segurança. A diferença fundamental é a homogeneidade e a física consistente. As leis da gravidade, atrito, inércia e óptica são as mesmas em Tóquio, Berlim ou São Paulo. O asfalto se comporta de maneira previsível, os semáforos seguem uma lógica padrão, e a resposta do veículo a comandos é constante. “Dirigir é muito mais homogêneo do que os videogames como um todo”, destaca Togelius. Aprenda os princípios uma vez e poderá aplicá-los globalmente.
A heterogeneidade radical dos jogos
Nos videogames, cada título é um universo próprio com leis inventadas. A mecânica de um jogo de quebra-cabeça como Portal não tem relação alguma com a de um RPG tático como XCOM ou um simulador de vida como The Sims. O raciocínio espacial necessário para alinhar um salto em Hollow Knight é inútil para gerenciar recursos em Age of Empires. Pior ainda: essa lógica espacial e sistêmica raramente é descrita explicitamente em textos, que são a fonte primária de treinamento das IAs. Ela é aprendida pelos humanos através da experiência sensório-motora e da intuição. Dois artigos acadêmicos sobre temas distintos ainda compartilham uma estrutura linguística e lógica comum. Dois jogos diferentes podem não compartilhar absolutamente nada em sua lógica fundamental.
O caminho para uma IA que realmente joga
Diante desse cenário, qual seria o marco real para considerar uma IA como uma “jogadora” competente? Togelius propõe um critério definitivo e desafiador: avaliar se um agente de IA consegue aprender a completar qualquer jogo entre os 100 mais populares da plataforma Steam em um tempo aproximadamente igual ao de um jogador humano habilidoso. As regras são claras: sem acesso prévio a documentação específica (wikis, detonados), sem integrações especiais de API, e sem intervenção humana. O agente deve aprender pela pura interação, observação e tentativa-e-erro, assim como nós fazemos.
Os pilares para superar o desafio
Para chegar perto desse padrão, os sistemas futuros precisarão evoluir em direções que vão além dos modelos de linguagem pura:
- Modelos Multimodais Avançados: A capacidade de processar e interpretar informações visuais em tempo real é essencial. A IA precisa “ver” a tela, entender a interface, reconhecer padrões visuais de ameaças e recursos, e construir um modelo mental do espaço 2D ou 3D.
- Aprendizado por Reforço Profundo em Ambientes Diversos: Treinar agentes não em um jogo específico, mas em milhares de ambientes com mecânicas diferentes, forçando a generalização de conceitos como “evitar perigos”, “coletar recompensas”, “explorar o desconhecido” e “gerenciar recursos limitados”.
- Representação Interna do Estado do Jogo: Desenvolver uma maneira de a IA criar uma representação simbólica e dinâmica do mundo do jogo (mapa mental, inventário, status de NPCs, objetivos pendentes) a partir das percepções visuais e das ações realizadas.
- Curiosidade Intrínseca e Exploração: Implementar mecanismos de recompensa interna que incentivem o agente a explorar áreas não mapeadas e testar interações não óbvias, superando a tendência atual de ficar preso em loops comportamentais repetitivos.
Nenhum sistema atual, nem mesmo os mais avançados, se aproxima desse benchmark. A capacidade de aprender um novo jogo em ritmo humano, e não apenas executar um roteiro previamente programado, continua sendo uma fronteira distante.
Implicações para além dos games
Essa discussão transcende o universo do entretenimento. A dificuldade das IAs com videogames ilumina suas limitações em lidar com sistemas complexos, não padronizados e com regras emergentes – exatamente o tipo de desafio encontrado em muitos campos do mundo real. Gerenciar uma cadeia de suprimentos durante uma crise, formular uma estratégia diplomática em um conflito multifacetado, ou até mesmo conduzir uma conversa social natural envolve navegar em “regras do jogo” fluidas, ambíguas e em constante mudança.
O fato de a IA já dirigir carros, mas não conseguir jogar Doom, nos dá uma pista valiosa sobre seu estado atual: ela é excepcional em domínios com regras físicas ou lógicas consistentes e bem descritas, mas ainda é primitiva em domínios que requerem a construção de um modelo de mundo interno a partir de experiências não estruturadas. Os videogames, portanto, não são apenas um passatempo, mas um dos benchmarks mais rigorosos e reveladores para o avanço da inteligência artificial geral. Enquanto um modelo não conseguir sentar-se no lugar de um jogador humano e, por conta própria, descobrir como vencer o primeiro chefe de um jogo desconhecido, ainda haverá uma lacuna fundamental entre a execução de tarefas e a verdadeira compreensão adaptativa.
