Modèle Aktualisiert 2026-04
World Model
Definition
Ein World Model ist ein KI-Modell, das eine interne Repräsentation der physischen Welt aufbaut, um Ereignisse zu verstehen und vorherzusagen.
Siehe auch im Glossar
G
Generative KI
Generative KI bezeichnet KI-Systeme, die in der Lage sind, originale Inhalte zu erstellen: Texte, Bilder, Videos, Audio und Code.
D
Deep Learning
Deep Learning ist ein Teilbereich des Machine Learning, der mehrschichtige neuronale Netze verwendet, um komplexe Muster direkt aus Rohdaten zu erlernen.
K
KI-Reasoning
KI-Reasoning bezeichnet die Fähigkeit eines Modells, ein Problem in logische Schritte zu zerlegen, um zu einer Schlussfolgerung zu gelangen – anstatt instinktiv zu antworten.
T
Text-to-Video
Text-to-Video generiert Videos aus Textbeschreibungen mithilfe von generativer KI.
Tools, die world model verwenden
Häufig gestellte Fragen
Ist Sora ein World Model?
Teilweise. Sora versteht grundlegende Physik (Schwerkraft, Reflexionen, Flüssigkeiten), verfügt aber nicht über ein vollständiges Weltverständnis. OpenAI bezeichnet es als 'World Simulator'.
Wofür werden World Models eingesetzt?
Robotik (Verstehen der physischen Umgebung), autonomes Fahren (Vorhersage anderer Fahrzeuge) und Videogenerierung (realistische Physik).
Was ist ein World Model in der KI?
Ein World Model ist eine interne, gelernte Repräsentation davon, wie eine Umgebung funktioniert. Es erlaubt einer KI, aus ihrem aktuellen Zustand und ihren Aktionen vorherzusagen, was als Nächstes geschieht. Statt nur auf Rohdaten zu reagieren, simuliert das System plausible Zukünfte. Diese Idee bildet die Grundlage für modellbasiertes Reinforcement Learning, Robotik und moderne Videogeneratoren, in denen das Modell Dynamik wie Bewegung, Physik und Objektpermanenz erfasst.
Worin unterscheidet sich ein World Model von einem großen Sprachmodell?
Ein großes Sprachmodell sagt das nächste Token in einem Text voraus und glänzt bei Sprachaufgaben. Ein World Model sagt den nächsten Zustand einer Umgebung voraus, oft visuell oder physisch, und erfasst Dynamiken wie Bewegung und Kollisionen. Beide überschneiden sich: Videogeneratoren wie Sora und Genie verbinden beide Ideen. Der zentrale Unterschied liegt darin, was sie modellieren: Wortfolgen oder die Art, wie sich eine Welt durch Aktionen über die Zeit entwickelt.
Was sind Beispiele für World Models in der KI?
Bekannte Beispiele sind DeepMinds Dreamer, das durch das Imaginieren von Ergebnissen in einem gelernten Modell handeln lernt, und Genie, das aus Bildern oder Text spielbare, interaktive Umgebungen erzeugt. OpenAIs Sora wird als Weltsimulator für Video beschrieben. Yann LeCuns JEPA-Familie lernt abstrakte prädiktive Repräsentationen statt Pixel. Zusammen zeigen sie World Models, die Robotik, Gaming, Video und Forschung umfassen.
Wie helfen World Models KI-Agenten beim Planen?
Ein Agent mit einem World Model kann die Folgen von Aktionen imaginieren, bevor er sie ausführt, indem er mögliche Zukünfte gedanklich durchspielt und den Weg mit dem besten Ergebnis wählt. Das nennt man Planung im latenten Raum. Da der Agent in seinem Modell statt in der realen Welt übt, lernt er schneller und sicherer. Dreamer-artige Systeme nutzen genau diese Schleife, um Steuerungsaufgaben effizient zu meistern.
Warum sind World Models für die Robotik wichtig?
Roboter handeln in einer physischen Welt, in der echtes Ausprobieren langsam, teuer und riskant ist. Ein World Model erlaubt einem Roboter vorherzusagen, wie Objekte sich bewegen, fallen oder Widerstand leisten, sodass er Griffe und Bewegungen in der Simulation planen kann, bevor er handelt. Das senkt den Bedarf an realen Daten und erhöht die Sicherheit. Zudem verallgemeinert der Roboter besser auf neue Situationen, weil er über Physik nachdenkt, statt feste Reaktionen auswendig zu lernen.
Was ist der Unterschied zwischen einem World Model und einem Simulator?
Ein klassischer Simulator wird von Ingenieuren mit expliziten Physikregeln von Hand programmiert. Ein World Model wird aus Daten gelernt und leitet die Regeln einer Umgebung durch Beobachtung ab. Das macht World Models flexibler für unübersichtliche, reale Situationen, die ein Mensch nicht vollständig skripten könnte, aber auch weniger präzise und schwerer zu überprüfen. Viele moderne Systeme kombinieren beides und nutzen gelernte Modelle dort, wo handgeschriebene Physik an Grenzen stößt.
Was sind die Grenzen aktueller World Models?
Heutige World Models haben weiterhin Mühe mit Konsistenz über lange Zeithorizonte und driften oft in unmögliche Physik, verschwindende Objekte oder gestörte Ursache-Wirkung-Beziehungen ab. Videosysteme wie Sora können komplexe Interaktionen oder Objektpermanenz falsch behandeln. Sie sind teuer im Training, schwer zu interpretieren und lernen mitunter Oberflächenmuster statt echtes physikalisches Verständnis. Verlässliche Langzeitplanung und ein realitätstreues Verhalten bleiben offene Forschungsfragen.
Sind World Models ein Weg zu allgemeinerer KI?
Viele Forscher glauben das. Persönlichkeiten wie Yann LeCun argumentieren, dass das Erlernen eines prädiktiven World Models entscheidend für gesunden Menschenverstand und Schlussfolgern ist, da Menschen die Welt verstehen, indem sie sie antizipieren. Indem World Models KI darin verankern, wie sich Umgebungen verhalten, und nicht nur im Text, könnten sie Agenten ermöglichen, die zuverlässig planen, sich anpassen und handeln. Sie gelten weithin als zentraler Baustein auf dem Weg zu leistungsfähigeren, allgemeineren Systemen.
