Grundlagen
Weltmodell
01Begriffsbestimmung
Statt ausschließlich durch Versuch und Irrtum in der realen Welt zu lernen — bei Robotern und selbstfahrenden Autos ein langsamer und riskanter Prozess — kann ein Agent die Folgen einer Handlung zunächst in seinem Weltmodell „durchspielen“. So kann er sein Verhalten planen oder verbessern, bevor reale Hardware überhaupt zum Einsatz kommt.
02Funktionsweise
03Ablauf des Trainings
Die meisten Weltmodelle werden anhand großer Mengen an Video- oder Sensordaten mit einem selbstüberwachten Vorhersageziel trainiert: Aus der jüngsten Vergangenheit sollen sie ableiten, was als Nächstes geschieht. Eine Modellfamilie erzeugt dazu autoregressiv Bild für Bild das jeweils nächste Videobild; so arbeiten Genie 3 und GAIA-1. Eine neuere Familie, für die Metas V-JEPA 2 steht, verzichtet ganz auf die Pixelerzeugung. Sie sagt den nächsten Zustand stattdessen in einem komprimierten, abstrakten Einbettungsraum voraus. Das benötigt weniger Rechenleistung und entspricht nach Ansicht der Entwickler eher der Darstellung physischer Ergebnisse, die für die Planung tatsächlich erforderlich ist.
04Wichtige Beispiele
Cosmos-Plattform
Eine Plattform für Welt-Basismodelle, die auf derselben CES-2025-Keynote angekündigt wurde, durch die „physische KI“ breite Bekanntheit erlangte. Sie erzeugt physikbasierte Simulationsvideos für das Training von Robotern und autonomen Fahrzeugen und wird bereits von Figure AI, Skild AI und Agility Robotics eingesetzt.
Modell Genie 3
Ein universelles Welt-Basismodell, das aus einer einzigen Texteingabe eine navigierbare, interaktive Echtzeitumgebung erzeugt. Es läuft mit 24 Bildern pro Sekunde und bleibt mehrere Minuten konsistent — ein deutlicher Sprung gegenüber Genie 2.
Modell GAIA-1
Ein speziell für autonomes Fahren entwickeltes Weltmodell, das aus Video-, Text- und Handlungseingaben realistische Fahrszenen erzeugt, um Fahrpolicies zu trainieren und zu bewerten.
QuelleGAIA-1 (wayve.ai)
Modell V-JEPA 2
Ein mit mehr als einer Million Videostunden trainiertes Weltmodell, das Roboterplanung und -manipulation ohne zusätzliches Training ermöglicht, ohne selbst Videopixel zu erzeugen.
QuelleV-JEPA 2 (ai.meta.com)
Offizielle Aufnahmen von Google DeepMind zeigen, wie Genie 3 aus einer einzigen Texteingabe in Echtzeit eine interaktive, navigierbare Umgebung erzeugt. Damit wird unmittelbar sichtbar, was ein Weltmodell hervorbringt — nicht nur, wie sein Training abläuft.
05Bedeutung
Das ist wichtig, weil sich Versuch und Irrtum in der realen Welt nicht beliebig skalieren lässt: Ein Roboter kann nicht tausendfach ein Auto verunglücken lassen oder einen zerbrechlichen Gegenstand fallen lassen, nur um daraus zu lernen. Mit einem Weltmodell kann der Agent diese Versuche intern, komprimiert und gefahrlos durchführen und das Gelernte anschließend anwenden.
Weltmodelle sind längst mehr als ein reines Forschungsthema: Das quelloffene LeRobot-Projekt von Hugging Face ergänzte in seiner Version 0.6.0 vom Juli 2026 drei eigene Modelle — VLA-JEPA, LingBot-VA und FastWAM. Damit kann eine Roboterpolicy ihre nächste Bewegung intern vorhersagen, bevor sie handelt. Mehr dazu in Die Geschichte von LeRobot , wo diese Entwicklung in die umfassendere Geschichte des Projekts eingeordnet wird.
06Häufige Fragen
Wie unterscheidet sich ein Weltmodell von einer von Hand entwickelten Physik-Engine, etwa in einem Videospiel?
Eine Physik-Engine bildet ausdrücklich von Menschen programmierte Regeln ab, etwa zu Schwerkraft, Kollisionen und Reibungskoeffizienten. Ein Weltmodell wird dagegen aus Daten gelernt. Dadurch kann es die unübersichtliche Dynamik der realen Welt erfassen, deren vollständige Programmierung kaum praktikabel wäre — allerdings nur näherungsweise und nicht als exakte Simulation.
Werden Weltmodelle nur für selbstfahrende Autos eingesetzt?
Nein. Wie die universellen Modelle Genie 3 und V-JEPA 2 zeigen, werden sie auch in der Robotik und für die Planung humanoider Roboter breit eingesetzt. GAIA-1 ist ein Beispiel speziell für das Fahren, aber keineswegs die einzige Anwendung.
Muss ein Weltmodell Videos erzeugen, um nützlich zu sein?
Nein. Die Videoerzeugung, wie sie Genie 3 und GAIA-1 nutzen, eignet sich zum Erstellen von Trainingsumgebungen und erlaubt Menschen, die Modellvorhersage visuell zu prüfen. V-JEPA 2 zeigt jedoch, dass die Vorhersage künftiger Zustände in einem abstrakten Einbettungsraum — ganz ohne Pixel — für Planung und Regelung ausreicht und weniger Rechenleistung erfordert.
Grundlagen
Alle Artikel: Grundlagen →Grundlagen der Industrierobotik
Konzepte der physischen KI
- ›Physische KI
- ›Verkörperte KI
- ›Weltmodell(dieser Artikel)
- ›Sim-to-Real (Sim2Real)