Wird Physical AI das nächste Paradigma nach Agentic AI sein?

Wenn der Wettbewerb um große Sprachmodelle sich zu einem „superkapitalintensiven“ Wettrüsten entwickelt, stellen immer mehr Fachleute dieselbe Frage: Wo liegt das nächste Paradigma der KI?

Die Antwort bewegt sich „innerhalb des Bildschirms“ hinaus „außerhalb des Bildschirms“.

Am Abend des 17. Juli, während der Welt-KI-Konferenz 2026 (WAIC), veranstalteten Tencent News und Tencent Technology mit besonderer Unterstützung des Tencent-Ostchina-Hauptsitzes und Tencent Cloud Intelligence die „Tencent WAIC-Nacht“ in Shanghai.

Bei der Veranstaltung initiierten Chen Yu, Managing Partner von Qiming Venture Partners, Huang Xiaohuang, Mitbegründer und Vorsitzender von HomeAI, Luo Yihang, Mitbegründer und CEO von Genesis AI, sowie Zhang Zhizheng, Mitbegründer und Leiter großer Modelle von Galaxy Universal Robotics, gemeinsam eine Podiumsdiskussion über räumliche Intelligenz, Weltmodelle und Physical AI unter dem Thema „Was ist das nächste Paradigma nach Agentic AI?“.

V.l.n.r.: Chen Yu von Qiming Venture Partners, Huang Xiaohuang von HomeAI, Luo Yihang von Genesis AI, Zhang Zhizheng von Galaxy Universal Robotics

Huang Xiaohuang stellte zu Beginn die These auf, dass reine Software-Agenten ohne Branchenhintergrund ihre Vorteile kaum behaupten können, da große Sprachmodelle sie direkt nachbilden können. In Zukunft müssen Werkzeuge, Hardware, Daten und große Modelle zusammenwirken, damit der Wert von KI-Produkten stetig wächst. Der Fokus von HomeAI liegt darauf, „ein interaktives Welt mit großen Modellen zu erzeugen“ – eine Richtung, die „außerhalb der Reichweite großer Sprachmodelle“ liegt: Physical AI.

Auf der CES im Januar dieses Jahres betonte Jensen Huang, Gründer von NVIDIA, wiederholt, dass KI von Wahrnehmung, Generierung und Agenten schließlich zu „Physical AI“ gelangen wird, die die physische Welt versteht, und er sagte voraus, dass der „ChatGPT-Moment von Physical AI“ bevorsteht.

Auf der Spur der „physischen Welt“ fasste Luo Yihang dies als „allgemeines Modell der physischen Welt“ zusammen: So wie das Scaling Law von Sprachmodellen die Generalisierbarkeit bestätigt hat, wird auch die physische Welt ihren eigenen „ChatGPT-Moment“ erleben. Er schätzt, dass die allgemeine Verkörperung in 3 bis 5 Jahren eintreten wird.

Zhang Zhizhengs Aussage war am prägnantesten – von Digital AI zu Physical AI wird sich das Lernparadigma vom Offline-Learning zum Online-Learning wandeln: „Zuerst lernen, zu interagieren, dann kontinuierlich aus der Interaktion lernen“ – Interaktion ist nicht mehr das Ziel, sondern ein Datenrad, das den Fähigkeitszuwachs antreibt.

Die Wende von Agentic AI zu Physical AI wird von Kapital und Politik neu bewertet.

Das Weltwirtschaftsforum stellte Anfang 2026 fest, dass KI „beginnt, als physisches System in der Realwirtschaft zu wirken“; Deloittes „Technologietrends 2026“ erklärte offen, dass Physical AI für den breiten Einsatz bereit ist. Daten belegen dies auch: Der globale Markt für verkörperte Intelligenz belief sich 2025 auf etwa 4,44 Milliarden US-Dollar und soll bis 2030 23 Milliarden US-Dollar erreichen, wobei Chinas Branchenvolumen bis 2035 voraussichtlich über eine Billion Yuan steigen wird.

Obwohl alle Seiten in der Richtung ein Konsens erzielt haben, bestehen deutliche Unterschiede in den Wegen – der Fokus liegt auf dem „Weltmodell“.

Huang Xiaohuang glaubt, dass die Welt von unsichtbaren Gesetzen wie Schwerkraft und Reibung angetrieben wird und visuelle Eindrücke nur die Oberfläche sind. Daher bevorzugt er die Rückkehr zur physikalischen Simulation, und die aktuellen Forschungen von HomeAI zu Weltmodellen konvergieren allmählich zur räumlichen Intelligenz. Auf der anderen Seite der räumlichen Intelligenz präsentierte Li Feifei mit Marble, dem ersten kommerziellen Weltmodell von World Labs, eine andere Vorstellung – sein Wert stieg in über einem Jahr von 1 Milliarde auf 5 Milliarden US-Dollar. Luo Yihang plädiert für Integration, da jeder einzelne Weg letztendlich an Grenzen stößt; Zhang Zhizheng unterteilt das „Weltmodell“ in drei unverzichtbare Fähigkeiten: die Modellierung von Veränderungen von Zuständen durch Aktionen, die Förderung des Strategielernens durch Modellierung und die Fähigkeit zur allgemeinen Bewertung.

Bei der Umsetzung haben die drei unterschiedliche Schwerpunkte: Huang Xiaohuang betrachtet die „kostengünstige und skalare Digitalisierung von Informationen der physischen Welt“ als größte Herausforderung; Luo Yihang gibt zu, dass aktuelle Modelle und Daten „noch nicht ausreichen“, aber er hat bereits „Vorzeichen“ ähnlich dem Übergang von GPT-2 zu GPT-3.5 erkannt; Zhang Zhizhengs Einschätzung ist am radikalsten – die Logik von Physical AI besteht darin, „in einem begrenzten Bereich nach umfassender Allgemeingültigkeit zu streben“, sodass die Einführung von Physical AI-Agenten viel schneller erfolgen könnte als die von Digital AI.

Die Antwort auf den Paradigmenwechsel wird möglicherweise nicht aus einem im Voraus festgelegten technischen Weg stammen, sondern sich allmählich in dieser andauernden Debatte herausbilden.

Im Folgenden finden Sie das transkribierte Protokoll dieser Podiumsdiskussion, das ohne Änderung des ursprünglichen Sinns angepasst und gekürzt wurde.

01

Das nächste Paradigma der KI

Chen Yu: Vielen Dank für die Einladung von Tencent. Im vergangenen Jahr hat sich die gesamte KI-Entwicklung rasant vollzogen – sowohl die Fortschritte bei den KI-Fähigkeiten selbst als auch die Leistung großer Modellunternehmen auf dem Kapitalmarkt. Aber KI beschränkt sich längst nicht mehr auf Sprachmodelle, sondern erstreckt sich auch auf verkörperte Intelligenz, Videogenerierung und räumliche Intelligenz.

Wir freuen uns sehr, heute die CEOs und Vorsitzenden von Unternehmen einzuladen, die in den Bereichen räumliche Intelligenz, Videogenerierung und verkörperte Intelligenz tätig sind und kurz vor dem Börsengang stehen oder bereits börsennotiert sind, um gemeinsam zu diskutieren: Was ist das nächste KI-Paradigma nach Agentic AI? Bitte stellen Sie sich kurz von links nach rechts vor und antworten Sie in einem Satz: Was ist Ihrer Meinung nach das nächste Paradigma der KI?

Huang Xiaohuang: Hallo zusammen, ich bin Huang Xiaohuang, Mitbegründer und Vorsitzender von HomeAI. Unser Unternehmen konzentriert sich auf räumliche Intelligenz. Als ich anfing, habe ich GPU-Cluster für die räumliche Darstellung verwendet, später mit der Entwicklung der Zeit begann ich mit der „Umkehrrechnung“ – aus Darstellungsergebnissen oder realen Ergebnissen strukturierte Daten abzuleiten, und so bin ich „zufällig“ in diesen Bereich eingetreten.

In den letzten Jahren habe ich immer über eines nachgedacht: Große Sprachmodelle sind zu einem superkapitalintensiven Wettbewerb geworden, also frage ich mich oft: Welche Modelle liegen außerhalb der Reichweite großer Sprachmodelle?

Nach über einem Jahr der Beobachtung der Entwicklung großer Modelle habe ich das Gefühl: Reine Agenten, die nur reine Software ohne Branchenhintergrund sind, werden ihre Wettbewerbsvorteile immer mehr verlieren. Denn große Modelle können Software oder Agenten direkt nachbilden, und mit bloßen Werkzeugen lässt sich kein langfristiger Wettbewerbsvorteil aufbauen. Meine vorläufige Einschätzung ist, dass in Zukunft Werkzeuge, Hardware, Daten und große Modelle tief integriert werden müssen.

Also wohin sollen wir in dieser Zeit gehen?

Ich habe zwei bis drei Jahre damit verbracht, nachzudenken und zu forschen, und bin zu dem Schluss gekommen: Wir müssen große Modelle entwickeln, aber außerhalb der Reichweite großer Sprachmodelle. Deshalb haben wir zuerst vier oder fünf verschiedene Modelle trainiert, bis wir uns auf räumliche Intelligenz konzentrierten – wie man eine interaktive Welt erzeugt, die sich nicht genau mit Worten beschreiben lässt. Das ähnelt einigermaßen Li Feifeis Marble, aber wir denken, dass rein statische Szenen nicht ausreichen, sie müssen auch in gewissem Maße interagieren können.

Zusammengefasst geht es darum, dass große Modelle eine „interaktive Welt“ erzeugen – das ist die Richtung, die wir gewählt haben, und zumindest liegt sie außerhalb der Reichweite großer Sprachmodelle.

Luo Yihang: Hallo zusammen, ich bin Luo Yihang, Mitbegründer und CEO von Genesis AI. Wir beschäftigen uns mit multimodaler Generierung und Weltmodellen. Was ist das nächste Paradigma? Ich denke, es muss ein Punkt sein, an den heute niemand denkt, der noch nicht konvergiert und auf den es keinen Konsens gibt. Meine Antwort lautet: das allgemeine Modell der physischen Welt.

Warum? Erstens ist das Kernparadigma der aktuellen Modelle das Scaling Law. Sprachmodelle haben ihre Allgemeingültigkeit und Generalisierbarkeit bestätigt, und ich bin überzeugt, dass es in der physischen Welt auch ein ähnliches Modell wie Sprachmodelle geben wird, um Interaktionen und allgemeine Probleme in der physischen Welt zu lösen. Es muss zwei Dinge erfüllen: Generalisierung und Logik. Erstens wird es Innovationen bei der Architektur geben – so wie Transformer bei Sprachmodellen, erforschen wir auch gemischte Architekturen wie Diffusion Transformer oder MoE für Weltmodelle. Zweitens wird es Innovationen bei Daten geben. Die alleinige Nutzung aktueller Daten von verkörperten Robotern ist meiner Meinung nach kein guter Weg.

In Zukunft können wir uns vorstellen, dass Roboter mit verschiedenen Formen und Architekturen in der physischen Welt genauso wie Agenten oder WorkBuddy in der digitalen Welt sind – sie können selbstständig planen, zusammenarbeiten und langfristige Aufgaben erledigen, als Erweiterung von Agenten in der physischen Welt. Die Formen dieser Roboter werden vielfältig sein, aber ihre Intelligenz wird relativ allgemein gültig sein.

Wir sind überzeugt, dass Weltmodelle ihren eigenen „ChatGPT-Moment“ erleben werden, der diese Allgemeingültigkeit und Generalisierbarkeit hervorbringt. Wenn das verkörperte Weltmodell eine gewisse Intelligenz erreicht und sich gleichzeitig die Roboter und ihre Steuerungssysteme weiterentwickeln, glaube ich, dass der Moment der allgemeinen Verkörperung in 3 bis 5 Jahren eintreten wird.

Zhang Zhizheng: Hallo zusammen, ich bin Zhang Zhizheng von Galaxy Universal Robotics, Mitbegründer und Leiter großer Modelle. Wenn es um die nächste Veränderung der KI geht, denke ich, dass sie ganz klar ist: Der Wandel von Digital AI zu Physical AI – von einem KI-Modell, das eine digitale Welt aufbaut, zu einem Modell, das mit der physischen Welt interagieren kann. Das ist auch der Grund, warum verkörperte Intelligenz in Wissenschaft und Wirtschaft heute so viel Aufmerksamkeit erhält.

In diesem Prozess wird sich das Lernparadigma grundlegend ändern. Als wir GPT und große Modelle für die digitale Welt aufbauten, verwendeten wir meist Offline-Learning. Aber wenn wir ein Modell bauen wollen, das zuverlässig mit der physischen Welt interagieren kann, müssen wir zuerst vom Offline-Learning zum Online-Learning wechseln – zuerst lernen, zu interagieren, dann kontinuierlich aus der Interaktion lernen.

In diesem Paradigma ist Interaktion nicht das endgültige Ziel des Lernens, sondern ein Mittel, das unsere KI zu einem Datenrad aus Fähigkeiten und Daten macht, das sich stetig vorwärtsbewegt.

Angetrieben von diesem Datenrad glaube ich, dass wir von den heute weit verbreiteten digitalen Agenten zu physischen Agenten gelangen werden, die uns auch in der physischen Welt bei verschiedenen Aufgaben unterstützen. Das wird die gesamte Branche – ob bei der Entwicklung oder Nutzung – sowie unsere Art zu leben und zu arbeiten tiefgreifend verändern.

02

„Weltmodell“: Der Streit zwischen dreidimensionaler Simulation und reinem Videotraining

Chen Yu: Sie haben alle gerade erwähnt, dass Physical AI das nächste Entwicklungsparadigma der KI sein könnte, und auch das Weltmodell angesprochen. Ich werde das Thema Weltmodell einfach etwas vorziehen.

Heute gibt es viele unterschiedliche Meinungen zu Weltmodellen. Ich bekomme vielleicht fünf Geschäftspläne zu Weltmodellen pro Tag, aber jeder versteht und definiert das Weltmodell anders. Wie verstehen Sie das Weltmodell? Was ist es eigentlich?

Huang Xiaohuang: Ich fange an. Wir erforschen das Weltmodell intern schon lange und stellen fest, dass es im Grunde zwei Wege gibt: Der eine ist die traditionelle dreidimensionale Simulation über strukturierte Daten, der andere das reine Videotraining.

Die erste Gruppe glaubt, dass die Funktionsweise der Welt jenseits des Visuellen liegt – die Bewegung von Objekten entsteht durch Wechselwirkungen von Kräften wie Schwerkraft und Reibung oder durch Wechselwirkungen von bestimmten „Ursachen“. Daher besteht die Welt aus unsichtbaren Faktoren, und reine visuelle Methoden sind ihrer Meinung nach unzuverlässig, da das Visuelle nur „die Menschen täuscht“.

Die zweite Gruppe hingegen glaubt, dass solange die Datenmenge groß genug ist und die Trainingsalgorithmen verbessert werden, reine Videomodelle funktionieren sollten – so wie die Menschen die Welt hauptsächlich über das Sehen wahrnehmen.

Unsere bisherigen Erfahrungen liegen auf parametrischen Modellen und strukturierten Daten.

Ich kann derzeit nicht beweisen, welcher Weg richtig oder falsch ist – beide sind möglich, aber wir bevorzugen den ersten. Wir glauben, dass die Welt aus unzähligen physikalischen Gesetzen und Einschränkungen besteht. Um letztendlich zu verstehen, wie die Welt funktioniert, müssen wir zur physikalischen Simulation zurückkehren und die physikalischen und dreidimensionalen Eigenschaften der Welt „erraten“, um sie genau vorhersagen zu können.

Deshalb verfolgen wir den Weg der physikalischen Simulation, leugnen aber nicht die Machbarkeit reiner Videomodelle. Das ist unsere Meinung während der Forschung.

Chen Yu: Aber ein wichtiger Grund, warum viele Videomodelle verwenden, ist, dass Videodaten relativ leicht zu beschaffen sind. Glauben Sie, dass der erste Weg technisch schwieriger zu realisieren ist?

Huang Xiaohuang: Viele unserer zugrundeliegenden Daten stammen auch aus Videos. Aber bei der endgültigen Berechnung gibt es einen wesentlichen Unterschied: Ob man auf Videomodellen oder auf physikalischen Zahlen basiert – das heißt nicht, dass man keine Informationen aus Videodaten beziehen kann. Ich denke, dass bei beiden Methoden etwa 80 % der Arbeit ähnlich sind, und nur die letzten 20 % voneinander abweichen.

Sogar in unserem Unternehmen gibt es immer noch Streit zwischen den beiden Denkweisen: Wenn große Sprachmodelle skaliert werden und die Datenmenge unbegrenzt ist – warum kann man dann nicht die Schwerkraft von 9,8 m/s² nachbilden? Eine Gruppe meint, dass die Schwerkraft von 9,8 nur mit einem physikalischen Parameter gelöst werden kann, während man dafür Millionen von Videos zum Trainieren bräuchte.

Daher gibt es unterschiedliche Meinungen. Außerdem habe ich eine persönliche Einschätzung: Reine Videomodelle sind eher „etwas für Großkonzerne“, und wir trauen uns nicht, das zu