Décima edição do AI City Challenge: da vigilância de carros à compreensão da cidade
A décima edição do AI City Challenge não é apenas mais uma tabela de leaderboard. A competição, que começou em 2017 com tarefas bastante aplicadas — detectar, classificar e rastrear veículos em gravações de câmeras —, transformou-se em oito anos em uma plataforma de grande escala para pesquisas em IA física. Este ano, o desafio é realizado em conjunto com a conferência ECCV 2026, e seus organizadores fizeram um balanço simbólico de uma década de benchmarking em cidades inteligentes e transporte inteligente.
O que mudou? Se nos primeiros anos o foco era "ver e contar" carros, agora a questão é fazer a máquina entender o contexto: quem está violando as regras, o que o pedestre pretende fazer, qual episódio na estrada é perigoso e por quê. Isso não é mais apenas visão computacional, mas um híbrido de percepção, raciocínio e previsão — exatamente a área que hoje se convencionou chamar de IA física.
Escala bate recordes
A temporada de aniversário atraiu significativamente mais participantes do que a anterior. Este ano, 325 equipes de 26 países e regiões se registraram — em comparação, em 2025, foram 245 equipes de 15 países. Um crescimento de quase um terço no número de equipes e quase o dobro na geografia mostra que as tarefas do desafio se tornaram interessantes não apenas para especialistas restritos em visão de transporte, mas também para um amplo círculo de pesquisadores de IA — desde o trabalho com modelos multimodais até a modelagem generativa.
Essa diversidade de participantes é natural: as trilhas da competição cobrem várias direções que raramente aparecem em um único benchmark.
Seis trilhas — seis desafios
O programa principal de 2026 consiste em seis direções:
- Percepção 3D multicâmera — reconstrução da cena tridimensional a partir de dados de várias câmeras, algo crítico para transporte autônomo e videovigilância urbana.
- Legendas e VQA para segurança no transporte — geração de descrições textuais de situações de trânsito e respostas a perguntas sobre elas, para que o sistema possa explicar o que está acontecendo na estrada.
- Raciocínio sobre anomalias no trânsito — identificação de eventos não padronizados e potencialmente perigosos e compreensão de suas causas.
- Busca textual de anomalias em pessoas — busca em gravações de vídeo por trechos com comportamento incomum de pedestres com base em consulta em linguagem natural.
- Previsão generativa de fluxos de vídeo de transporte — síntese de quadros futuros de cenas de estrada, útil para simuladores e treinamento de modelos.
- Detecção de objetos entre cidades — transferência de um modelo treinado em dados de uma cidade para câmeras de outra sem perda de qualidade.
Trilhas bônus fora do domínio
Dentro da terceira trilha, os organizadores esconderam dois leaderboards competitivos adicionais — formalmente, eles são considerados as trilhas 7 e 8, mas usam dados fora do domínio principal. A primeira é dedicada à compreensão de violações de trânsito em imagens de câmeras "olho de peixe" — essas lentes estão presentes em muitas cidades, mas os modelos geralmente são treinados em câmeras de rua comuns. A segunda trilha bônus é VQA sobre intenções situacionais de pedestres: é preciso responder perguntas não sobre o que a pessoa está fazendo agora, mas sobre o que ela provavelmente pretende fazer. Isso é visivelmente mais difícil do que reconhecimento de ações e exige do modelo uma compreensão profunda da cena.
Por que os sistemas vencem
A análise das soluções dos participantes revela um padrão interessante. Nenhuma das principais equipes depende apenas de uma única arquitetura. As abordagens bem-sucedidas são a combinação de grandes modelos fundamentais com técnicas mais clássicas:
- fundamentação geométrica — uso de relações projetivas entre câmeras e o espaço 3D;
- busca e reordenação — seleção de trechos de vídeo ou candidatos relevantes antes da resposta final;
- design de dados sintéticos — geração de exemplos de treinamento adicionais para cenários raros;
- adaptação de domínio — por exemplo, transferência de modelos entre cidades ou tipos de câmeras;
- inferência controlada — restrição da saída do modelo por regras ou vocabulário específicos.
Em outras palavras, o novo benchmark mostrou que a IA física não se resume a "pegar um modelo grande e treiná-lo com dados". A confiabilidade é alcançada por esquemas híbridos, nos quais as redes neurais são complementadas por geometria, conhecimento externo e pós-processamento cuidadoso.
Dez anos — o caminho da detecção à compreensão
Se observarmos a evolução geral do AI City Challenge, o principal fica evidente: o benchmark deixou de ser apenas um campo de testes para melhorar a precisão de detectores. Agora, é uma plataforma para validar sistemas inteligentes integrais, que devem perceber, raciocinar e prever em condições de cidade real. Além disso, não apenas precisão e velocidade desempenham um papel importante, mas também a privacidade — uma camada separada de tarefas está relacionada à avaliação de modelos sem revelar dados pessoais.
Os organizadores publicaram um artigo descrevendo em detalhes a configuração da competição, todos os conjuntos de dados, protocolos de avaliação, resultados dos leaderboards e materiais do workshop. Para pesquisadores e engenheiros, isso é, na prática, uma visão geral pronta do estado atual das coisas na área de transporte inteligente e IA física — e, ao mesmo tempo, um convite para testar suas habilidades na próxima temporada.
