Como um vídeo bizarro de Will Smith comendo espaguete virou referência para medir o avanço da IA

Durante décadas, a indústria da tecnologia criou testes padronizados para medir a evolução do hardware. Por exemplo, processadores são comparados em benchmarks sintéticos e placas de vídeo disputam cada quadro por segundo em jogos, mas no universo da inteligência artificial generativa um dos “benchmarks” mais famosos quando o assunto é atestar a evolução das ferramentas geradoras de vídeo nasceu de forma completamente acidental. 

Em 23 de março de 2023, um usuário do Reddit conhecido como chaindrop publicou um pequeno vídeo gerado por inteligência artificial mostrando Will Smith comendo um prato de espaguete. O clipe havia sido criado utilizando o ModelScope Text2Video, um dos primeiros modelos públicos capazes de transformar uma descrição em vídeo. O resultado estava longe de ser convincente. O rosto do ator mudava de forma constantemente, o macarrão parecia desafiar as leis da física, os talheres desapareciam entre um quadro e outro e praticamente nenhum movimento fazia sentido. Em vez de impressionar pela qualidade, o vídeo viralizou justamente pelo aspecto bizarro. Milhões de pessoas compartilharam a cena nas redes sociais como um exemplo do quão grotesca ainda era a inteligência artificial capaz de gerar vídeos.

Na época, poucos imaginavam que aquele experimento acabaria se tornando um marco histórico, e uma referência até hoje para seguimos constantando o progresso dos vídeos gerados por IA. 

O que começou como uma brincadeira acabou se transformando em um benchmark informal adotado pela própria comunidade de IA, a ponto de ganhar uma página própria na Wikipédia. Hoje, basta comparar as diferentes versões desse mesmo vídeo para perceber uma transformação impressionante: em pouco mais de três anos, os geradores de vídeo passaram de animações grotescas e instáveis para cenas que, em alguns casos, já se aproximam do padrão de produções cinematográficas. Um post recente numa conta no X mostra claramente essa comparação. O lado a lado entre o vídeo gerado em 2023 e o mesmo conteúdo em junho de 2026.

3 years of AI progress

Modelscope (left)
Grok Imagine 1.5 (right) pic.twitter.com/oIrkKYdpJg

— Harsh Hada (@MasculineM7) July 19, 2026

Por trás dessa evolução inegável existe uma combinação de novas arquiteturas de inteligência artificial, modelos muito maiores, avanços no treinamento, bilhões de dólares investidos em infraestrutura computacional e uma disputa feroz entre algumas das maiores empresas de tecnologia do planeta.

A corrida começou antes do ChatGPT

O vídeo do Will Smith viralizou em 2023, mas a busca por gerar vídeos com inteligência artificial já rodava há anos. Pesquisadores testavam sistemas capazes de transformar texto em pequenas animações ainda na década passada, só que com resultados toscos e um custo de processamento inviável para qualquer uso prático.

Isso mudou com os modelos de difusão, criados originalmente para gerar imagens. Em algum momento, ficou claro que a mesma base podia servir para vídeo, bastava o modelo aprender a desenhar cada quadro e, ao mesmo tempo, manter a continuidade entre eles. Esse foi o desafio que abriu espaço para os primeiros modelos públicos de vídeo, como o ModelScope Text-to-Video, lançado pela Alibaba em código aberto no início de 2023. Pela primeira vez, qualquer pessoa podia descrever uma cena em linguagem natural e assistir a uma inteligência artificial tentar transformá-la em um pequeno clipe.

Quem viu só o vídeo do Will Smith, publicado em março de 2023, não imaginaria o quanto a tecnologia avançaria em poucos anos. Na época, poucos segundos de vídeo coerente já eram um resultado notável, os modelos perdiam a aparência dos personagens de um quadro para o outro, objetos se deformavam do nada, e ações simples, como levar um garfo à boca, geralmente davam em cenas bizarras.

O cenário hoje é completamente outro. Os geradores mais avançados produzem sequências mais longas, com movimentos de câmera elaborados, personagens que mantêm a mesma cara do início ao fim e, em alguns casos, até efeitos sonoros, diálogos e sincronia labial automática. O interesse do público e mercado por esse segmento deu origem a uma corrida que rapidamente atraiu praticamente todas as grandes empresas do setor. OpenAI, Google, Runway, Pika, Luma AI, Kuaishou, xAI e diversas startups passaram a disputar quem conseguiria produzir vídeos mais realistas e com maior controle criativo.

A evolução na consistência temporal

Entre 2024 e 2025, os avanços nos geradores de vídeo pararam de girar só em torno de resolução ou duração. Boa parte da capacidade computacional dos novos modelos passou a ser direcionada para a consistência temporal, ou seja, a capacidade de manter personagens, cenários e movimentos coerentes do início ao fim de uma sequência. Na prática, isso representa um salto e tanto se comparado aos primeiros vídeos gerados por IA. Quando surgiu a primeira versão do vídeo do Will Smith comendo espaguete, o objetivo era simplesmente transformar uma descrição em texto numa sequência de imagens que desse impressão de movimento. Só que esse desafio é bem mais complexo do que gerar uma única imagem.

Enquanto um modelo de imagem precisa produzir apenas um quadro consistente, um gerador de vídeo precisa criar dezenas, ou até centenas, de quadros que façam sentido quando exibidos em sequência. Isso significa preservar a aparência dos personagens, manter a posição dos objetos, respeitar a iluminação da cena e garantir que cada movimento siga uma continuidade lógica.

Atualmente, os vídeos gerados por IA são bem mais consistentes nesses quesitos. Os rostos deixaram de mudar constantemente, as mãos passaram a aparecer com muito menos deformações, os movimentos de câmera ficaram mais suaves e ações simples, como caminhar, abrir uma porta ou pegar um objeto, começaram a parecer naturais.

Foi nessa fase também que os modelos passaram a entender melhor termos técnicos de cinema. Em vez de só processar “uma mulher caminhando na praia”, eles já respondem a instruções como “plano fechado”, “travelling lateral”, “contra-plongée” ou “luz de pôr do sol”, aproximando a criação da linguagem que diretores e cinegrafistas usam no dia a dia, o que ajuda a padronizar a consistência dos resultados.

Essa evolução mudou completamente a percepção do público. Pela primeira vez, os vídeos gerados por IA deixaram de ser vistos apenas como demonstrações curiosas e começaram a despertar interesse real de criadores de conteúdo, agências de publicidade e estúdios de produção.

O hardware como motor dessa evolução

Treinar um modelo de vídeo exige um processamento muito acima do necessário para gerar imagens estáticas. Foi justamente essa demanda que impulsionou uma corrida global por aceleradores especializados em IA, um mercado que acabou sendo dominado pela NVIDIA. Embora a empresa já fosse líder em placas de vídeo para jogos e computação de alto desempenho, foi a explosão da inteligência artificial generativa, iniciada com modelos como ChatGPT e rapidamente ampliada para geração de imagens, áudio e vídeos, que transformou completamente sua posição na indústria.

Hoje, gigantes como OpenAI, Google, Meta, Microsoft, xAI, Amazon e diversas startups treinam seus modelos utilizando enormes clusters compostos por milhares de GPUs NVIDIA. A empresa conseguiu transformar sua arquitetura CUDA e seus aceleradores voltados para data centers em um padrão de mercado, criando uma vantagem competitiva que poucos concorrentes conseguiram acompanhar.

O acesso facilitado potencializou o interesse e criou uma legião de fãs

Nos últimos três anos, o acesso a ferramentas para gerar vídeos por IA também mudou completamente. Em 2023, experimentar um modelo de geração de vídeo era um processo quase experimental. Muitas ferramentas exigiam cadastro em listas de espera, interfaces pouco intuitivas e, em alguns casos, até conhecimentos técnicos para serem executadas localmente.  O cenário atual é bem diferente. 

Além da disputa entre os próprios modelos, surgiu uma nova categoria de plataformas voltadas para simplificar esse ecossistema. Em vez de obrigar o usuário a escolher um único gerador de vídeo, essas suítes passaram a reunir diversas inteligências artificiais em um único ambiente de trabalho, permitindo alternar entre diferentes modelos conforme a necessidade do projeto.

Um dos exemplos mais representativos dessa transformação é o Magnific. Conhecido durante anos como Freepik, o serviço deixou de ser apenas um banco de imagens e evoluiu para uma plataforma criativa baseada em inteligência artificial. Hoje, reúne em um único ambiente dezenas de modelos para geração e edição de imagens, vídeos e outros conteúdos, permitindo que o usuário experimente diferentes tecnologias sem precisar migrar entre diversos sites.

This short was built entirely on Magnific.

A sketchbook character stepping into his first day in the real world, and the render sells the whole emotional beat. What stands out is how much story lands in a few seconds of generated footage. That control over mood and character is… pic.twitter.com/ZakqtSMgvt

— Deenu Khan (@neuraltechai) July 19, 2026

Outro exemplo é a Higgsfield, que nasceu focada em geração de vídeo, mas rapidamente expandiu sua proposta. A plataforma passou a oferecer ferramentas de direção virtual, controle avançado de câmera, edição baseada em IA e integração com diferentes modelos generativos, aproximando-se de um verdadeiro estúdio digital.

Seedance 2.0 on Higgsfield AI 🔥

Higgsfield is open-sourcing its Originals. You can inspect the exact prompt, reference images, audio, and generation settings behind the shot, not just watch the final result. It’s a great way to learn how cinematic AI videos are actually made. pic.twitter.com/KZ0zwuF1iA

— Ben Geskin (@BenGeskin) July 17, 2026

Essa mudança mostra que a competição deixou de acontecer apenas entre modelos como Google Veo, Kling, Runway ou outros sistemas de geração de vídeo. Cada vez mais, a disputa envolve empresas que oferecem o melhor fluxo de trabalho, reunindo diferentes motores de IA em uma única interface.

Na prática, isso significa que o usuário não precisa mais apostar em uma única tecnologia. Dependendo da cena, pode utilizar um modelo para criar a sequência inicial, outro para melhorar a qualidade visual e um terceiro para fazer ajustes finais, tudo dentro do mesmo ambiente.

A nova corrida da indústria está concentrada em algo muito mais ambicioso: oferecer controle criativo. As empresas trabalham para permitir que diretores, publicitários e criadores controlem enquadramentos, iluminação, interpretação dos personagens, continuidade entre cenas e até a edição completa de um projeto utilizando linguagem natural.

Mas talvez o ponto mais importante de todo esse progresso não esteja nos modelos generativos, nem nos resultados que eles entregam. Os vídeos gerados por IA representam um avanço sem precedentes na pluralidade criativa, tirando a produção criativa das mãos de um grupo restrito. Hoje, qualquer pessoa pode dar vazão à própria criatividade e colocar em prática ideias que, antes, eram inacessíveis para quem estava fora do cinema, da publicidade ou do design.