Nachdem über 100 Milliarden US-Dollar „verbrannt“ wurden, gibt es noch immer keine einheitliche Definition des Konzepts des Weltmodells.

Im vergangenen Jahr hat sich das „Weltmodell“ (World Model) von einem akademischen Jargon rasch zu einem Schlüsselbegriff in der KI- und Robotikbranche entwickelt. Gleichzeitig ist VLA (Vision-Language-Action-Modell) als vorherrschender technischer Ansatz für Embodied Intelligence in diesen Diskussionen immer wieder in den Fokus der öffentlichen Aufmerksamkeit gerückt.

In den letzten 18 Monaten sind über 10 Milliarden US-Dollar an Kapital in Weltmodell- und Roboter-KI-Unternehmen geflossen, wobei auf das disruptive Potenzial des Weltmodells gesetzt wird, die „physische Welt zu verstehen“.

Yann LeCun, Gründer des Advanced Machine Intelligence Lab (AMI Labs) und Vertreter der optimistischen Fraktion, hat öffentlich vorhergesagt, dass „Weltmodelle innerhalb von drei bis fünf Jahren die LLMs als vorherrschendes KI-Paradigma ablösen werden“. Jim Fan, der für Robotik verantwortliche Spitzenkraft bei NVIDIA, hat mit seiner Aussage „VLA ist tot“ eine heftige Debatte über die Ablösung technischer Ansätze entfacht.

Es gibt viele Kontroversen, aber die Branche hat bis heute keinen Konsens darüber erzielt, was ein Weltmodell genau ist. Renderer, Simulatoren, Planer, Videogenerierung, Vorhersage latenter Räume… vielfältige Definitionen und Pfade beanspruchen jeweils ihre eigenen Bereiche, als ob eine Gruppe von Menschen in verschiedenen Dimensionen über dasselbe Thema spräche.

Diese konzeptuelle Unordnung steht in starkem Kontrast zu den dringenden Erwartungen an den Zeitplan für die praktische Umsetzung.

„Das nächste Token“ und „der nächste physikalische Zustand“

Um das Weltmodell zu verstehen, muss man zuerst seinen grundlegenden Unterschied zu großen Sprachmodellen erfassen.

Der Kernmechanismus großer Sprachmodelle ist die „Vorhersage des nächsten Tokens“. Angesichts der vorhergehenden Wörter wird die Wahrscheinlichkeit des Auftretens des nächsten Wortes vorhergesagt. Dass es weiß, dass „ein Glas auf den Boden fällt und zerbricht“, liegt daran, dass dieser Satz in den Trainingsdaten unzählige Male erschienen ist – nicht weil es das Elastizitätsmodul, die Spannungsübertragung und die Stoßenergie verstanden hat.

Das Weltmodell geht genau davon aus, diese Lücke zu schließen: Es sagt nicht das nächste Wort voraus, sondern den nächsten Zustand – wie sich die Position eines Objekts im Raum verändert und welche Kettenreaktion eine Handlung auslöst.

Wie Wang Zhongyuan, Direktor des Instituts für KI-Forschung (BAAI), sagte, vollzieht sich die Paradigmenentwicklung der künstlichen Intelligenz gerade vom „Vorhersagen des nächsten Tokens“ hin zum „Vorhersagen des nächsten physikalischen Zustands“. Als nächstes Generation-Basismodell für die reale physische Welt steht das Weltmodell mit dem Kern der „Vorhersage des nächsten physikalischen Zustands“ für einen wichtigen Paradigmenwechsel der künstlichen Intelligenz.

Allerdings ist das „Weltmodell“ heute kein technisches Konzept mit klar abgegrenzten Grenzen. Die Aktivitäten verschiedener Teams unterscheiden sich weit stärker, als der Name vermuten lässt. Li Feifei und das Team von World Labs erklären offen, dass „Weltmodell“ einer der wichtigsten und gleichzeitig am meisten überstrapazierten Begriffe im heutigen KI-Bereich ist.

Angesichts der gegenwärtigen allgemeinen Verwässerung und Missbrauch des Weltmodell-Begriffs in der Branche teilt Wang Zhongyuan die bestehenden technischen Ansätze in vier Kategorien ein: Die erste Kategorie sind sprachzentrierte Weltmodelle, einschließlich VLM, VLA und anderen; die zweite Kategorie sind pixelzentrierte Weltmodelle, beispielsweise Modelle zur Videogenerierung, die Videos oder Bilder im visuellen Raum lernen; die dritte Kategorie sind weltmodelle, die auf dreidimensionalen Strukturen zentriert sind, einschließlich 3D-Rekonstruktion und zugehörigen Raum-Modellen; die vierte Kategorie sind weltmodelle, die auf visuellen Repräsentationen zentriert sind, wie die JEPA-Modellreihe.

Über diese vier Pfade hinaus erforscht das BAAI-Institut auch eine fünfte Möglichkeit: die fusionierte Repräsentation aller Modalitäten auf Basis eines einheitlichen latenten Raums, bei dem Modalitäten wie Text, Bilder und Videos in denselben semantischen Raum komprimiert und von Grund auf trainiert werden. In Zukunft sollen weitere Modalitäten der physischen Welt integriert werden. Wang Zhongyuan geht davon aus, dass die Modellierung des latenten Raums aller Modalitäten der wahre Durchbruchspfad für Weltmodelle sein könnte.

Wenn Wang Zhongyuans Klassifizierung von den technischen Implementierungswegen ausgeht, liefern Li Feifei und das Team von World Labs ein klareres Rahmenwerk aus der Funktionsdimension.

Indem sie die klassische Struktur des Verstärkungslernens einführt, teilt Li Feifei die heutigen komplexen generativen Modelle, physikalischen Simulationssysteme und Embodied-Intelligence-Methoden funktional in drei Kategorien ein:

Renderer: Gibt Pixelbilder aus, die für das menschliche Auge bestimmt sind, wobei der Kernindikator die visuelle Wiedergabetreue ist.

Simulator: Gibt Umgebungszustände aus, die den objektiven Gesetzen entsprechen. Li Feifei betont besonders, dass Simulatoren am wenigsten Aufmerksamkeit erhalten, aber am wichtigsten sind – sie bilden die Brücke zwischen Rendering und Planung.

Planer: Gibt Handlungsanweisungen für den Agenten aus.

Gegenwärtig beginnen diese drei Richtungen miteinander zu verschmelzen. Li Feifei stellt fest: „Wenn ihre Grenzen verschwinden, werden sie gemeinsam etwas Größeres neu gestalten: die Beziehung zwischen Maschinenintelligenz und der physischen Welt, in der sie sich befindet.“ Das Endziel ist ein einheitliches Weltmodell, das fotorealistische Ansichten rendern, physikalisch genaue Strukturen erzeugen und Handlungssequenzen planen kann.

Für die praktische Umsetzung müssen noch zwei „Berge“ überwunden werden

Wenn der Engpass großer Sprachmodelle die Rechenleistung ist, dann ist der Engpass der Weltmodelle zuerst die Daten – der erste „Berg“, der für ihre Umsetzung überwunden werden muss.

Auf dem Cisco AI Summit im Februar dieses Jahres erklärte Li Feifei in ihrer Rede, dass die Entwicklung der KI für die physische Welt hinter der von Sprachmodellen zurückbleibe. Der zentrale Engpass liege im Signal-Rausch-Verhältnis der Daten: Textdaten sind semantisch klar und leicht zugänglich, während Pixel- und Voxeldaten der physischen Welt voller Rauschen sind und hochwertige Daten in 3D- und 4D-Dimensionen extrem rar sind.

Ein anschaulicher Vergleich: Die Trainingsdatenmenge großer Sprachmodelle in der heutigen digitalen Welt hat bereits einen Umfang von Hunderten Billionen Tokens erreicht, während die Trainingsdatenmenge von Vision-Language-Action-Modellen für die physische Welt oft nur ein Zehntausendstel davon beträgt. Der Mangel an echten Daten führt direkt zu einer schwächeren Leistungsfähigkeit der Modelle.

Auch Wang Zhongyuan räumt ein, dass der aktuelle Engpass der Weltmodelle vor allem im Mangel an echten physikalischen Daten, der noch nicht abgeschlossenen Konvergenz technischer Ansätze und einem unvollständigen Bewertungssystem liegt. Die Datenerfassung in der physischen Welt ist nicht nur teuer, sondern es fehlt auch an Stichproben für extreme Betriebszustände.

Neben den Daten besteht die zweite Herausforderung für Weltmodelle darin, dass das Generieren von Bildern, die echt aussehen, nicht gleichbedeutend mit dem Verstehen physikalischer Gesetze ist.

Videogenerierungsmodelle können Bilder erzeugen, in denen eine Gruppe Schweine am Himmel fliegt. Der Grund dafür ist, dass das Modell dieses Muster aus Science-Fiction-Filmen gelernt hat – es versteht nicht das physikalische Allgemeinwissen, dass „Schweine nicht fliegen können“.

Darüber hinaus weisen aktuelle Modelle erhebliche Mängel in den beiden Kernfähigkeiten des kausalen Schließens und der Vorhersage komplexer dynamischer Systeme auf. Viele Ergebnisse der Vorhersage physikalischer Szenarien erreichen noch keine praktikablen Standards.

Angesichts so vieler Probleme – wie steht es eigentlich um die praktischen Aussichten der Weltmodelle? Um diese Frage zu beantworten, müssen wir zuerst die Beziehung zwischen Weltmodell und VLA klären.

VLA (Vision-Language-Action) ist der vorherrschende technische Ansatz für Embodied Intelligence, der Vision, Sprache und Handlung in einem End-to-End-Großmodell vereint: Es empfängt Bilder und Anweisungen und gibt direkt Handlungssequenzen aus. In den vergangenen zwei Jahren galt VLA zeitweise als die „Standardlösung“ für Embodied Intelligence. Als Google DeepMinds Arbeit zu RT-2 gerade erschienen war, verschoben Analysten den kommerziellen Zeitplan für Embodied Intelligence aufgrund der Erkenntnisse der Arbeit um drei Jahre nach vorne.

Doch nach zwei Jahren praktischer Anwendung von VLA zeigten sich allmählich seine Schwächen: Roboter können Objekte erkennen, aber nicht verstehen, dass „ein angestoßener Becher herunterfällt“; sie können Anweisungen verstehen, aber nicht vorhersagen, „wie viel Kraft zum Aufdrehen eines Flaschendeckels nötig ist“. Ingenieure kommentieren dies so: Die Physik, die VLA gelernt hat, ist eine „Pseudo-Physik“, die auf oberflächlichen Korrelationen beruht.

Daher begann die Branche zu diskutieren: In welcher Beziehung sollten VLA und Weltmodell eigentlich zueinander stehen?

Guo Yandong, Gründer und CEO von Zhifangzhou, legte auf dem BAAI-Konferenz 2026 seine Sicht dar: Das Weltmodell ist kein Konkurrent von VLA, sondern ein Kernbestteil des VLA-Systems.

Guo Yandong definiert VLA neu: Es ist der Oberbegriff für eine End-to-End-Modellarchitektur, die mehrere Modalitäten fusioniert und durch große Datenmengen angetrieben wird. Unter dieser Definition gibt es keinen grundlegenden Unterschied zwischen Weltmodell und VLA – sie sind keineswegs in einem Ersatzverhältnis zueinander.

Einfach ausgedrückt: Das Weltmodell ist dafür zuständig, die Welt zu verstehen, VLA dafür, auf die Welt einzuwirken. Beide sind keine Gegensätze, sondern eine natürliche, einheitliche Ganzheit. Die Aufgabenteilung zwischen VLA und Weltmodell ähnelt der Beziehung zwischen „Großhirnrinde“ und „Kleinhirn“: Die Großhirnrinde übernimmt Verstehen und Planung, das Kleinhirn Vorhersage und Fehlerkorrektur.

Huang Tiejun, Vorstandsvorsitzender des BAAI-Instituts, vertritt eine ähnliche Ansicht: VLA und Weltmodell widersprechen sich nicht. Unternehmen, die VLA einsetzen, treffen eine praktische Wahl, während das Ziel des Weltmodells darin besteht, ein allgemeines Gehirn zu schaffen. Ein leistungsstarkes Weltmodell sollte das „Unterbewusstsein“ und das „Intuitionsmodul“ von VLA sein.

In der praktischen Umsetzung zeigt sich dieser Fusionsansatz bereits. Xpeng Motors hat auf der CVPR 2026 erstmals seine technische Landkarte für Weltmodelle vorgestellt, die eine „VLA + Weltmodell“-Doppelpfeiler-Architektur verwendet: VLA lernt Fahrlogik aus massiven echten Fahrdaten, während sich das Weltmodell auf die vorausschauende Beurteilung und mehrstufige Vorhersage von Verkehrsszenarien konzentriert.

Konkret bei der Umsetzung in der Robotik ist VLA etwas ausgereifter als das Weltmodell. Der Grund dafür ist, dass die heutigen industriellen Szenarien, in denen Roboter häufig eingesetzt werden, klare Aufgaben und begrenzte Handlungsarten aufweisen. Unternehmen können im Vorfeld große Datenmengen erfassen, um das Modell bis zu einer Erfolgsquote von fast 100 % zu trainieren. Der Hauptvorteil des Weltmodells liegt dagegen in der Generalisierung über verschiedene Szenarien und viele Aufgaben hinweg – es eignet sich eher für offene Umgebungen wie Haushalte, aber bekanntermaßen ist das Haushaltsszenario noch weit von einer ausgereiften Kommerzialisierung entfernt.

Zusammenfassend haben diese beiden Ansätze kurzfristig oder in bestimmten Szenarien bereits einen gewissen Grad an kommerzieller Umsetzung erreicht – aber die Handlungen und Aufgaben, die sie wirklich bewältigen können, sind noch relativ begrenzt.

Der Handlungszyklus wird zum Wettbewerbsfokus der nächsten Phase

Aus der vorangegangenen Analyse geht klar hervor, dass die Probleme von Weltmodell und VLA tatsächlich deutlich geworden sind. Der Wettbewerbsfokus der Branche in der nächsten Phase ist ebenfalls klar: Der Wandel von „können vorhersagen“ zu „können handeln“.

Xingyuan Zhi hat auf der BAAI-Konferenz 2026 das weltweit erste Embodied-Interaktions-Weltmodell „ω-EVA“ vorgestellt, das erstmals den geschlossenen Kreislauf der Handlungsentscheidung von Weltmodellen in Robotern realisiert hat.

Dieses Modell implementiert einen geschlossenen Entscheidungszyklus von „Vorschau, Überprüfung, Handlung“: Bevor der Roboter eine Anweisung ausführt, sagt er zuerst die Umweltveränderungen voraus, die durch die Handlung verursacht werden, und optimiert dann den Plan basierend auf den Ergebnissen der Vorhersage.

Die Veröffentlichung von Xingyuan Zhi’s „ω-EVA“ zeigt einen wichtigen Trend auf: Weltmodelle können nicht nur als offline agierende „Denker“ fungieren, sondern müssen zu Echtzeit-„Entscheidern“ werden. Noch tiefergehend: Weltmodelle müssen von einmaligen Vorhersagen und Handlungsgenerierungen zu kontinuierlicher Wahrnehmung, Vorstellung, Korrektur und Aktualisierung durch echte Interaktionen übergehen.

Aus globaler technischer Sicht wird der handlungsgetriebene Ansatz zu einer wichtigen Richtung. Er überspringt unnötige Schritte der Pixelgenerierung und konzentriert alle Rechenressourcen auf das „Verstehen physikalischer Interaktionen“ und das „Generieren optimaler Handlungen“. Dieser Ansatz kommt dem Wesen biologischer Intelligenz näher: Wenn Menschen handeln, müssen sie keine hochauflösenden 3D-Filme in ihrem Gehirn rendern – sie reagieren direkt auf Basis ihres intuitiven Verständnisses der physischen Welt.

Wie lange wird es also noch dauern, bis Weltmodelle wirklich in die produktive Umsetzung gelangen?

Wang Zhongyuan äußerte eine vorsichtig optimistische Einschätzung: „Mindestens die nächsten drei bis fünf Jahre werden eine Phase der fortlaufenden Entwicklung und Iteration von Weltmodellen sein. Die wissenschaftliche Forschung ist schwer vorhersehbar – man könnte drei bis fünf Jahre an einem schwierigen Punkt stecken, ohne einen Durchbruch zu erzielen, aber es könnte auch plötzlich ein technischer Boom einsetzen.“

Diese Einschätzung findet vielfache Resonanz: Das BAAI-Institut geht davon aus, dass „es noch mindestens mehrere Jahre dauern wird“ – die nächsten drei bis fünf Jahre sind eine Phase der fortlaufenden Entwicklung und Verbesserung von Weltmodellen.

Kurzfristig ist es wahrscheinlicher, dass Weltmodelle zuerst in Produktionsprozessen als Datenmotor, Trainingswerkzeug und Werkzeug zur Umgebungsgestaltung zum Einsatz kommen, anstatt in großem Umfang auf echten Geräten für Echtzeit-Inferenz installiert zu werden. Mittelfristig wird der Wettbewerbsfokus auf Zustandserhaltung, physikalische Konsistenz und Kontinuität über verschiedene Aufnahmen hinweg verlagert. Langfristig ist es zu erwarten, dass sie weiter in Roboter, Spiele, digitale Zwillinge und geschlossene Aufgabenkreise von Agenten integriert werden.

Aus den Signalen der Kommerzialisierung geht hervor, dass die Branche von der „generativen Mehrmodalität“ zu „interaktiven Arbeitsabläufen“ übergeht. NVIDIA hat das quelloffene allmodale physikalische KI-Modell Cosmos 3 veröffentlicht, das die drei Kernfähigkeiten visuelles Schließen, Weltgenerierung und Handlungsvorhersage miteinander verbindet. Alibaba hat die Embodied-Intelligence-Großmodellreihe Qwen