2026 setzen die "neuen KI-Aufsteiger" kollektiv auf Weltmodelle

Die nächste Generation von KI-Unternehmen muss nicht unbedingt an Orten entstehen, die über die größten Parameter, die meisten Forschungsarbeiten und die stärkste Rechenleistung verfügen. Sie kann auch an Orten entstehen, an denen die realen Szenarien am dichtesten beieinander liegen, die industriellen Rückmeldungen am häufigsten auftreten und die technische Iteration am schnellsten erfolgt. Denn die Art und Weise, wie KI die Welt wirklich verändert, besteht nicht darin, in einem Bildschirm die Fragen der Welt zu beantworten, sondern darin, in die industriellen Prozesse einzusteigen, die Welt zu verstehen, zu simulieren und in ihr zu handeln und schließlich die Effizienz des Weltbetriebs zu verbessern.

Die KI scheint sich kollektiv von der reinen Textdomäne zu entfernen und vollumfänglich in die reale physische Welt vorzustoßen, die aus Gravitation, Impuls und geometrischem Raum besteht.

Am 8. Januar veröffentlichte das Peking Zhiyuan Institute die "Top 10 KI-Technologietrends 2026", in denen das Weltmodell als wichtiger Konsensrichtung auf dem Weg zur Künstlichen Allgemeinen Intelligenz (AGI) festgelegt wurde. Es wurde auch ein Paradigmenwechsel von der Next Token Prediction (Vorhersage des nächsten Wortes) zur Next State Prediction (Vorhersage des nächsten Zustands der Welt) vorgeschlagen.

In den folgenden Monaten waren die Aktivitäten in der Branche so zahlreich, dass es kaum möglich war, sie alle zu verfolgen.

Zunächst begannen die großen Kapitalströme, die ursprünglich in die Embodied Intelligence (eingebettete Intelligenz) flossen, sich auf Unternehmen zu konzentrieren, die mit dem Label "Weltmodell" versehen sind.

Im März absolvierte Jijia Vision eine Finanzierung von rund 1,5 Milliarden Yuan. Im selben Monat erreichte das GigaWorld - 1 von Jijia Vision in der WorldArena - Bewertung den ersten Platz und wurde das weltweit einzige Embodied World Model, dessen Gesamtwertung über 60 Punkte lag. Seine Leistung übertraf die von Google, Nvidia und Alibaba. Seit März dieses Jahres bis heute hat es 3,5 Milliarden Yuan angezogen und wird vom Markt als "das erste chinesische Weltmodell - Unicorn" bezeichnet.

Darüber hinaus absolvierte AI² Robotics in der Serie B - Finanzierung über 1 Milliarde Yuan und hat einen Unternehmenswert von über 10 Milliarden Yuan. Das Embodied - Basisfirma Qianxun Intelligence absolvierte in den ersten drei Monaten des Jahres 2026 vier Runden von Finanzierungen und zog 4,5 Milliarden Yuan an. Xinghaitu, das das Weltmodell Fast - WAM entwickelt, erhielt nach einer Serie B - Finanzierung von fast 1 Milliarde Yuan im Februar im April erneut fast 2 Milliarden Yuan in der Serie B+ - Finanzierung.

Auch der Zweitmarkt zeigte eine ähnliche "Präferenz".

Am 17. April stieg der Neustart von Qunhe Technology, einem "Physikalischen KI" - Unternehmen und der weltweit ersten börsennotierten Firma, die auf Raumintelligenz als Kerntechnologie basiert, an seinem Börsengangstag um 144 %. Gleichzeitig zog Shengshu Technology in zwei Monaten 2,6 Milliarden Yuan an und hat einen Unternehmenswert von über 12 Milliarden Yuan nach der Finanzierung. Es geht auch die Nachricht, dass es am schnellsten im Jahr 2026 mit der Börsengenehmigung an der Hongkonger Börse beginnen wird.

Es ist bemerkenswert, dass die Technologierouten dieser beiden Unternehmen genau einer der Wege zum Weltmodell sind.

Spieler aus verschiedenen Bereichen sind ebenfalls aufgeregt. Am 16. April veröffentlichten Tencent und Alibaba jeweils ein Weltmodellprodukt am selben Tag. Tencent stellte das Open - Source - Weltmodell 3D 2.0 (HY - World 2.0) vor, während Alibaba das auf Echtzeitinteraktion spezialisierte HappyOyster präsentierte.

Die Automobilhersteller handeln noch aggressiver. Geely veröffentlichte das WAM - Weltverhaltensmodell und versucht, die intelligente Fahrweise, die intelligente Fahrgastzelle und die Fahrwerksteuerung zu vereinheitlichen. Huawei Qiankun lehnte öffentlich VLA ab und hält an seiner WA (World Action) - Route fest. Der Leiter der Automobil - Geschäftseinheit sagte direkt: "VLA sieht zwar intelligent aus, aber es ist keine echte Lösung für die automatisierte Fahrweise." Momenta setzt dagegen auf das Weltmodell.

Im Bereich der Robotik wurden nacheinander Nvidia Cosmos, DreamGen und DreamZero vorgestellt. Zhiyuan veröffentlichte GE - 2, und Xinghaitu begann auch mit der Planung der Weltmodell - Infrastruktur.

Auch im Ausland ist es heiß um die Weltmodelle herum.

Der Turing - Preis - Gewinner Yann LeCun gründete kürzlich nach seiner langjährigen Leitung von Meta AI eine eigene Firma namens AMI Labs, die sich auf Weltmodelle konzentriert. Im März 2026 gewann es eine rekordverdächtige Startfinanzierung von 1,03 Milliarden US - Dollar. Er sagte: "Die bestehende LLM - Route ist völlig falsch. Nur durch die Vorhersage von Texten wird die KI niemals auf menschliche Intelligenzebene kommen. Wir brauchen Modelle, die die physische Realität verstehen."

Das von Fei - Fei Li gegründete World Labs absolvierte im Februar eine Finanzierung von 1 Milliarden US - Dollar. Die kumulative Finanzierungssumme erreichte 1,23 Milliarden US - Dollar, und der Unternehmenswert liegt bei etwa 5 Milliarden US - Dollar. Sein erstes kommerzielles Produkt Marble wurde offiziell eingeführt. Kürzlich kündigte auch OpenAI offiziell an, in den Roboter - Markt einzusteigen.

Das Kapital aus Primär - und Sekundärmärkten, führende Wissenschaftler und Branchenriesen neigen sich immer stärker einem Begriff zu, nämlich dem Weltmodell.

Warum ist das Weltmodell plötzlich der heiß umkämpfte Gegenstand für alle?

I.

Das Scaling Law verlangsamt sich,

die Branche beginnt nach Antworten außerhalb der Sprache zu suchen

Neuer Konsens der KI - Giganten: Nur mit Texten scheint es unmöglich zu sein, zur AGI zu gelangen.

In den letzten Jahren folgte das Large Language Model (LLM) einem einfachen und effektiven Prinzip, nämlich der Vorhersage des nächsten Wortes. Dieser Mechanismus hat zu einem erstaunlichen Leistungssprung geführt. Die Modelle haben ständig die Grenzen ihrer Erkenntnisfähigkeiten erweitert, und die gesamte Branche glaubte, dass die AGI schließlich erreicht werden würde, wenn man einfach die Parameter vergrößert, die Datenmenge erhöht und die Rechenleistung steigert.

Aber im Jahr 2026 tauchte ein immer schwerer zu ignorierendes Problem auf: Das Scaling Law begann zu versagen.

Nehmen wir OpenAI als Beispiel. In der Systemkarte von GPT - 4.5 wird GPT - 4.5 als "das größte und wissensreichste Modell bisher" beschrieben, und es wird auch erwähnt, dass die Vorhersage - Trainingsphase weiter skaliert wird. Aber auf der SWE - bench Verified erreichte GPT - 4.5 post - mitigation nur 38 %, nur 2 % - 7 % höher als GPT - 4o und 30 % niedriger als Deep Research.

Dies bedeutet, dass bei der Modelliteration von OpenAI "ein größeres Vorhersage - Training" immer noch Verbesserungen bringt, aber es ist nicht mehr die effektivste Leistungsquelle.

Zur gleichen Zeit tauchte die "Datenmauer" auf. Die hochwertigen Textdaten im Internet sind fast vollständig gesammelt. Epoch AI schätzt, dass es etwa 300 Billionen Token an hochwertigen, wiederholbar angepassten öffentlichen menschlichen Texten gibt, die für das KI - Training verwendet werden können. Wenn der Trend fortsetzt, werden die Sprachmodelle diesen Bestand zwischen 2026 und 2032 vollständig aufbrauchen.

Selbst wenn man über die weltweit größte Textkorpus verfügt, kann die KI nicht wirklich verstehen, was Gravitation, Reibung, Trägheit und räumliche Beziehungen sind.

Der Grund ist einfach: Die Textkorpus zeichnet auf, wie die Menschen die Welt beschreiben, nicht wie die Objekte in der Welt sich bewegen. Physikalische Allgemeinwissen ist in Texten von Natur aus rar, weil die Menschen normalerweise nicht wiederholt Dinge wie "Ein Glas fällt herunter", "Ein Rad rollt" oder "Ein nasser Boden rutschig ist" schreiben. Dies führt dazu, dass die großen Vorhersage - Modelle in der Beantwortung von Fragen zu physikalischem Allgemeinwissen relativ schwach sind.

Multimodale Modelle haben dieses Problem auch nicht vollständig gelöst.

Das BLINK - Benchmark zeigt, dass bei Aufgaben wie Tiefenwahrnehmung, räumlicher Korrespondenz und Mehrfach - Perspektiven - Inferenz, die von Menschen fast augenblicklich gelöst werden können, GPT - 4V im Durchschnitt nur 51,26 % und Gemini nur 45,72 % erreicht, was nicht weit von einer Zufallsvorhersage entfernt ist.

PhysBench hat die Tests auf reale physikalische Dimensionen wie Reibung, Dichte, Spannung, Elastizität, Bewegung, Kollision, Wurf und Flüssigkeiten erweitert. An 75 visuellen Sprachmodellen und 10.002 Testproben stellten die Forscher fest, dass das physikalische Verständnis nicht stetig mit der Modellgröße, der Trainingsdatenmenge oder der Anzahl der Videoframes steigt. Mit anderen Worten, selbst wenn die KI alle Texte über "Gravitation" im Internet gelesen hat, weiß sie möglicherweise immer noch nicht, warum ein Ball nicht einfach verschwinden kann, warum Objekte nicht durch Wände gehen können und warum Bewegung kontinuierlich sein muss.

Diese Beschränkungen äußern sich schließlich in dem Problem, das Unternehmen am meisten bei der Implementierung von KI quält, nämlich den "Halluzinationen".

Tatsache ist, dass in Szenarien wie Finanz, Medizin und Industrie, die einen hohen Fehlertoleranzkosten haben, LLM immer noch keine stabile und zuverlässige physikalische Kausalität - Inferenzfähigkeit aufbauen kann. Dies ist auch der Grund, warum viele unternehmensbezogene Anwendungen immer noch auf der Hilfsebene bleiben und nicht zu einem Kernentscheidungssystem werden können.

Es ist offensichtlich, dass es immer eine Kluft zwischen "Semantischem Verständnis" und "Physikalischer Inferenz" gibt. Und diese Kluft ist bereits das erste Hindernis bei der Implementierung von KI in der Industrie.

Man kann sagen, dass dies der grundlegende Grund ist, warum das Weltmodell beachtet wird. Ein noch direkterer Grund ist, dass die Entwicklung der Embodied Intelligence bereits in eine Sackgasse geraten ist.

Als Träger für die KI, um in die reale Welt einzutreten und auf dem Weg zur AGI zu sein, war dieser Bereich in den letzten zwei Jahren ein beliebtes Thema. Viele Kapitalströme flossen hinein, und Spieler aus verschiedenen Bereichen begannen, sich in diesem Bereich zu positionieren. In dieser Situation hat der Markt und das Kapital ihm keine Zeit gelassen, sich auszuruhen. Es braucht dringend eine Lösung, um einen neuen technologischen Durchbruch zu erzielen.

Das Weltmodell bietet eine neue Lösung oder ein neues technologisches Narrativ, damit die Unternehmen weiterhin eine gute Geschichte erzählen können.

Das Weltmodell ist im Wesentlichen ein "lernbarer physikalischer Simulator und Rendering - Engine". Die KI muss nicht auf Texte angewiesen sein, sondern kann durch eine "visuelle Denkskette" basierend auf Vision, 3D - Bewegung und sogar Haptik vorhersagen, was passieren würde, wenn A getan wird und die physikalische Umgebung sich in B ändert.

Man kann sagen, dass LLM der KI die über tausende Jahre gesammelten Sprach-, logischen und zivilisatorischen Errungenschaften der Menschen gebracht hat. Das Weltmodell hingegen gibt der KI ein Paar Augen, mit denen es Raum und Zeit verstehen, Gravitation spüren und die Realität begreifen kann. Es ist der unvermeidliche Weg, um die KI - Technologie wirklich in Produktivkraft umzuwandeln.

II.

Der Wettlauf um die Positionierung von Physikalischer KI in verschiedenen Lagerungen,

der Erwerb des nächsten Produktivkraft - Eingangs

Wenn man sagt, dass der Wettlauf um die großen Modelle in der letzten Phase auf das Verständnis und die Erzeugung von Texten abzielte, dann hat sich der Kern des Wettlaufs um die Weltmodelle in diese Runde in die Frage verwandelt, wie man die KI in eine berechenbare, interaktive und trainierbare physikalische Welt bringen kann. Die gegenwärtige kollektive Investition der Branche in die Weltmodelle ist in Wirklichkeit die dringende Suche aller Branchen nach dem nächsten Produktivkraft - Eingang für die KI.

Allerdings muss man zugeben, dass das Weltmodell noch weit davon entfernt ist, reif zu sein. Es ist weder eine einheitliche Technologieroute noch ein Allheilmittel, das in kurzer Zeit die Large Language Modelle ersetzen kann. Selbst die Definition ist noch nicht einheitlich.

Beispielsweise hat Wang Zhongyuan, der Direktor des Zhiyuan Institutes, auf der jüngsten Zhiyuan - Konferenz vier Kategorien von Weltmodellen vorgeschlagen: sprachzentriert (LLM/VLM/VLA), pixelzentriert (Videoerzeugung, wie die Fehlgebrauchsquelle von Sora), dreidimensionalstrukturzentriert (3D - Rekonstruktion) und visuelle Repräsentation als Achse.