KI entwickeln, die die physische Realität simuliert

Zusammenfassung

Sprachmodelle sagen Wörter voraus. Weltmodelle sagen voraus, was als Nächstes in der Realität geschieht. Dieser architektonische Unterschied ist der Grund, warum einige der prominentesten Namen der KI-Forschung sich auf Weltmodelle als nächste essenzielle Fähigkeitsebene geeinigt haben. Im Jahr 2026 führen drei Organisationen den Aufbau an: Google DeepMind veröffentlichte ein Echtzeit-interaktives Weltmodell auf Basis von Video-Diffusion; Fei-Fei Lis World Labs kommerzialisierte Marble, einen navigierbaren 3D-Umgebungssimulator; und Yann LeCuns AMI Labs schloss eine Seed-Runde über 1,03 Milliarden Dollar ab — die größte, die je in Europa aufgenommen wurde —, um JEPA-basierte KI zu entwickeln, die physikalisches Verständnis von Grund auf lernt.

Was ein Weltmodell tatsächlich tut

Ein Sprachmodell wird darauf trainiert, das nächste Token in einer Sequenz vorherzusagen. Anhand eines Textabschnitts schätzt es, welches Wort, welche Phrase oder welches Zeichen als Nächstes kommt — und lernt dadurch, über Sprache, Konzepte und Muster zu schlussfolgern.

Ein Weltmodell tut etwas strukturell anderes. Ausgehend vom aktuellen Zustand einer physischen Umgebung sagt es voraus, was als Nächstes geschieht: wie sich Objekte unter Krafteinwirkung verhalten, wie ein Raum aus einem anderen Blickwinkel aussieht, welche Konsequenzen eine bestimmte Handlung hat. Die Trainingsdaten sind kein Text — es sind Videos, Sensordaten und Simulationen.

Das Ziel ist eine KI, die simulieren kann, bevor sie handelt. Statt einen Plan in Worten zu beschreiben und zu hoffen, dass die Beschreibung zutrifft, kann eine KI mit einem Weltmodell das Ergebnis eines Plans intern simulieren, erkennen, was scheitern wird, und ihn überarbeiten, bevor überhaupt etwas in der realen Welt ausgeführt wird.

Drei Organisationen bauen diese Fähigkeit auf grundlegend unterschiedliche Weise auf.

Google DeepMind: Video in interaktive Simulation

Im August 2025 veröffentlichte DeepMind ein Echtzeit-interaktives Weltmodell, das Video in spielbare Simulation umwandelt. Der Input ist ein beliebiges Video — Aufnahmen eines Raums, einer Außenumgebung, einer Spielwelt. Der Output ist eine interaktive Version dieses Videos: Der Nutzer kann sich hindurchbewegen, Aktionen ausführen, und das Modell generiert in Echtzeit das physikalisch plausible nächste Bild.

DeepMinds Ansatz verzichtet vollständig auf handgefertigte Physikregeln. Das Modell lernt physikalische Dynamiken durch das Training auf riesigen Videodatensätzen — es leitet gewissermaßen aus dem Beobachten ab, wie die Welt funktioniert. Die Simulationen respektieren Schwerkraft, Verdeckung, Objektpermanenz und die grundlegende Struktur des physischen Raums, ohne dass diese Eigenschaften explizit in Regeln kodiert wären.

Aktuelle Anwendungen:

• Trainingsumgebungen für Robotik: Erzeugung unbegrenzter neuartiger Szenarien aus Referenzaufnahmen, anstatt neue physische Daten zu sammeln
• Spieleentwicklung: Erzeugung interaktiver Prototyp-Umgebungen aus Referenzmaterial
• Grounding von KI-Agenten: Testen von Plänen in der Simulation vor der Ausführung in der realen Welt

Langfristige Implikation: DeepMinds Weltmodell ist eine Grundlage für autonome Agenten, die über Konsequenzen nachdenken können, bevor sie handeln — statt zu handeln und anschließend Ergebnisse zu beobachten.

World Labs: Marble, die navigierbare 3D-Welt

Fei-Fei Li — Co-Direktorin des Human-Centered AI Institute der Stanford University und ehemalige Leiterin von Google Cloud AI — gründete World Labs, um groß angelegte Weltmodellierung zu kommerzialisieren. Der 2026er Produktlaunch des Unternehmens ist Marble: ein generatives Modell, das in Echtzeit navigierbare 3D-Umgebungen von Grund auf erschafft.

Während DeepMind vorhandenes Video in interaktive Simulation umwandelt, generiert Marble völlig neue 3D-Welten aus einer Beschreibung oder einer groben Skizze. Diese Umgebungen können aus jedem Blickwinkel erkundet werden, mit konsistenter räumlicher Geometrie und Physik — eine von Marble erzeugte Szene behält ihre strukturelle Kohärenz, während man sich durch sie bewegt, was frühere generative Systeme nicht zuverlässig erreichen konnten.

Wo Marble eingesetzt wird:

Die kommerzielle Chance, auf die World Labs abzielt, sind die Kosten für 3D-Inhalte: derzeit gemessen in Millionen Dollar und Monaten an Produktionszeit. Die Generierung im Marble-Stil komprimiert dies auf Stunden.

AMI Labs: Die Wette über 1,03 Milliarden Dollar auf JEPA

Advanced Machine Intelligence Labs, mitgegründet von Yann LeCun (Chief AI Scientist bei Meta), schloss eine Seed-Runde über 1,03 Milliarden Dollar ab — die größte europäische Seed-Runde aller Zeiten — von einem Konsortium europäischer Technologieinvestoren.

AMI Labs baut kein größeres Sprachmodell und kein besseres Video-Diffusionssystem. Das Unternehmen entwickelt KI basierend auf LeCuns Joint Embedding Predictive Architecture (JEPA), die auf grundlegend anderen Prinzipien arbeitet als heutige Weltmodelle.

Statt rohe Pixel oder Text-Token vorherzusagen, trainiert JEPA KI darauf, abstrakte Repräsentationen vorherzusagen — die bedeutungsvolle Struktur einer Szene statt ihrer wörtlichen Erscheinung. LeCuns Argument: der menschliche gesunde Menschenverstand entsteht nicht durch das Auswendiglernen von Beobachtungen der Welt. Er entsteht durch das Erlernen abstrakter Modelle von Ursache und Wirkung, physikalischer Dynamik und Objektverhalten auf konzeptioneller Ebene. JEPA versucht, diesen Lernprozess nachzubilden.

Der praktische Unterschied: JEPA-basierte Systeme sollten effektiver auf neuartige physische Situationen generalisieren als Video-Diffusionsmodelle, weil sie nicht versuchen, jeden Pixel zu rekonstruieren — sie modellieren die konzeptionelle Struktur, die diese Pixel erzeugt.

Die These von AMI Labs, in LeCuns Formulierung: Das Skalieren von Sprachmodellen kann keine allgemeine KI hervorbringen. Die fehlende Zutat ist ein Weltmodell, das Physik von Grund auf versteht, nicht aus statistischen Mustern in Text oder Video.

Vergleich der drei Ansätze

Warum das über das Labor hinaus wichtig ist

Weltmodelle sind Infrastruktur für die nächste Generation von KI-Produkten, keine kurzfristigen Verbraucheranwendungen. Aber die Produkte, die 2026 und 2027 entwickelt werden, werden zunehmend von Weltmodellierungsfähigkeiten abhängen, die jetzt aufgebaut werden:

Robotik im großen Maßstab: Jedes Unternehmen, das physische KI entwickelt — Lagerautomatisierung, Fertigung, Zustellung — muss Roboter auf vielfältigen Szenarien trainieren. Weltmodelle erzeugen unbegrenzte, vielfältige Trainingsumgebungen ohne die Kosten der physischen Datenerfassung. DeepMind und World Labs bauen die Ebene zur Generierung von Trainingsumgebungen auf, die die gesamte Robotikbranche nutzen wird.

KI-Agenten mit physischem Grounding: Aktuelle KI-Agenten, einschließlich der leistungsfähigsten sprachmodellbasierten Systeme, halluzinieren über physische Einschränkungen, weil sie über die physische Welt allein anhand von Textbeschreibungen nachdenken. Eine KI mit einem Weltmodell kann simulieren, ob ein Plan physisch funktioniert, bevor sie sich darauf festlegt.

3D-Content-Erstellung: Systeme der Marble-Klasse werden die Produktionszeiten und -kosten für 3D-Inhalte um Größenordnungen komprimieren — mit direkten Auswirkungen auf Spieleentwicklung, Filmproduktion, Architektur und immersive Medien.

Häufig gestellte Fragen

Was ist ein Weltmodell in der KI? Ein Weltmodell ist ein KI-System, das eine interne Simulation der physischen Realität aufbaut — es kodiert, wie sich Objekte verhalten, wie Ursache und Wirkung funktionieren und was nach einer bestimmten Handlung als Nächstes geschieht. Anders als Sprachmodelle, die das nächste Text-Token vorhersagen, sagen Weltmodelle den nächsten Zustand einer physischen Umgebung voraus. Sie gelten als grundlegend für Robotik, autonome Fahrzeuge und physische KI-Agenten.

Was baut Yann LeCun bei AMI Labs? AMI Labs, mitgegründet von LeCun und finanziert mit einer Seed-Runde über 1,03 Milliarden Dollar (die größte in der Geschichte europäischer Startups), entwickelt KI auf Basis von JEPA — Joint Embedding Predictive Architecture. JEPA sagt abstrakte Repräsentationen statt roher Pixel oder Token voraus und zielt darauf ab, KI die Art von physischem gesundem Menschenverstand zu verleihen, den Menschen durch Erfahrung statt durch Beobachtung entwickeln. LeCun argumentiert, dass JEPA die notwendige Architektur für KI ist, die wirklich über die physische Welt nachdenken kann.

Was ist das Marble-Produkt von World Labs? Marble ist ein großes Weltmodell von World Labs (gegründet von Fei-Fei Li), das in Echtzeit navigierbare 3D-Simulationen aus Beschreibungen oder Skizzen erzeugt. Anders als Systeme, die vorhandenes Video in Simulation umwandeln, erschafft Marble neuartige 3D-Umgebungen mit konsistenter Physik und räumlicher Geometrie. Zu den Anwendungen gehören Trainingsumgebungen für Robotik, Prototyping für Spiele und AR/VR sowie architektonische Visualisierung.

Wie funktioniert Google DeepMinds Weltmodell? DeepMinds im August 2025 veröffentlichtes Weltmodell nimmt Video als Input und wandelt es in eine interaktive Simulation um. Der Nutzer kann sich innerhalb der simulierten Umgebung bewegen und handeln, und das Modell erzeugt in Echtzeit physikalisch plausible nächste Bilder. Statt Physikregeln von Hand zu kodieren, lernt das Modell physikalische Dynamiken durch das Training auf großen Videodatensätzen — es leitet ab, wie sich die Welt verhält, indem es sie beobachtet.

Quellen

• Google DeepMind — Veröffentlichung des Echtzeit-interaktiven Weltmodells, August 2025
• World Labs — Marble-Produktlaunch und technische Dokumentation, 2026
• AMI Labs — Ankündigung der 1,03-Milliarden-Dollar-Seed-Runde und Überblick über die JEPA-Architektur, 2026
• Yann LeCun — JEPA-Forschungspapiere und öffentliche Präsentationen, Meta AI, 2025–2026