AI erschafft die Welt, und die Schwierigkeit liegt im zweiten Schritt.

Die Erschaffung einer Welt ist erst der Anfang,

sie dauerhaften Änderungen standzuhalten, ist die eigentliche harte Prüfung.

Generative KI dringt gerade von Text, Bildern und Videos in Bereiche wie Software, Spiele, dreidimensionale Räume und Simulationsumgebungen vor. Die Aufgaben, denen sich die Modelle stellen, verändern sich entsprechend: Objekte müssen ihre Identität behalten, Regeln müssen Operationen standhalten, und die Welt muss sich kontinuierlich an die Ergebnisse von Handlungen anpassen.

Liu Zidong, Gründer von Habitat Technology, ist der Ansicht, dass die KI-„Welterschaffung“ gerade in eine schwierigere zweite Phase eintritt: von der Erzeugung einer sichtbaren Welt hin zur Aufrechterhaltung von Zuständen, der Simulation von Veränderungen und der Planung von Handlungen. World Labs fasst die zugehörigen Fähigkeiten als Renderer, Simulator und Planner zusammen, und die Zustandsschicht, die Simulation und Planung miteinander verbindet, bestimmt, ob eine Welt langfristig stabil betrieben werden kann. 〔1〕

Weiter betrachtet bieten großangelegte echte Interaktionen auch einen praktischen Weg für das rekursive Selbstverbesserungsmodell (RSI): Das System sammelt kontinuierlich Spuren von „Zustand – Handlung – Feedback“, erkennt Fähigkeitslücken und erzeugt neue Trainingsaufgaben. Räumliche Welten verfügen über eindeutige Objekte, ausführbare Handlungen und überprüfbare Ergebnisse, was eine natürliche technische Grundlage für diese Selbstevolution bildet. 〔2〕〔3〕

1. Die Ergebnisse der KI wandeln sich von Inhalten zu Welten

Dreidimensionale Szenen prüfen nicht nur die Generierungseffekte, sondern verlangen auch, dass die Welt in nachfolgenden Operationen Konsistenz bei Objekten, Beziehungen, Regeln und Zuständen wahrt.

1.1 · Dreidimensionale Szenen werden zu umfassenden Belastungstests

Eine Anweisung, um eine lauffähige und spielbare 3D-Welt zu erzeugen

Die programmierbare offene Welt von Kimi K3, die dreidimensionalen Spiele und Unity-Szenen, die von GPT-5.6 und Codex erstellt wurden, sowie Experimente wie Fable 5, Factorio und browserbasiertes CAD bringen das Konzept „eine lauffähige Welt mit einer einzigen Anweisung erzeugen“ an die Spitze der Entwicklung. Dreidimensionale Szenen prüfen gleichzeitig Sprachverständnis, räumliches Schlussfolgern, langfristige Programmierung, Werkzeugaufruf, Asset-Organisation und physische Ausführung; der Ausfall eines einzelnen Glieds kann sich als leere Szene, fehlendes Objekt, Kollisionsfehler oder Zustandsverlust äußern. 〔4〕〔5〕〔6〕

Die wichtigere Veränderung besteht darin, dass Modelle gerade von der „einmaligen Generierung“ zum dauerhaften Betrieb übergehen. Arbeiten wie MiniTown, Material Lab und Voxel Velocity haben bereits gezeigt, dass Modelle mithilfe von Code- und Werkzeugschnittstellen Objekte, Regeln und Feedback kontinuierlich organisieren können; im Unity-Experiment von PlayCo reduzierte der strukturierte Aufruf zudem den Token-Verbrauch und die Iterationsanzahl erheblich. 〔7〕〔5〕〔6〕

Wenn die dreidimensionale Welt die Zeitdimension einbezieht, verändert sich der Kern des Problems: Bleibt die Identität eines Objekts erhalten, nachdem es sich bewegt hat, sind die Wege weiterhin nutzbar, und zerstört eine lokale Änderung nicht andere Beziehungen. Sobald eine Szene dauerhaft betrieben wird, steigt die Zustandspflege von einem Backend-Engineering-Problem zu einem zentralen intelligenten Problem auf.

Die Darstellung der aktuellen Fähigkeitsgrenzen von Modellen basiert auf unterschiedlichen Messgrößen verschiedener Fälle, es wird keine horizontale Leistungsrangfolge vorgenommen. 〔12〕〔17〕

1.2 · Von der Sichtbarkeit zur Lauffähigkeit

Die wahrnehmungsorientierte und die symbolische Linie treffen sich im geschlossenen Handlungskreislauf

Weltmodelle entwickeln sich grob entlang zweier Linien: Die eine erzeugt eine kontinuierliche Welt aus visuellen Repräsentationen, die andere baut eine ausführbare Welt aus Objekten, Code und Regeln auf. Mit dem Eintritt der Systeme in die dauerhafte Interaktion laufen die beiden Linien schnell zusammen. 〔29〕〔30〕〔31〕〔32〕〔33〕〔34〕

• Wahrnehmungsorientierte Linie

Genie 3, World Labs Marble, Odyssey: Erzeugen nachfolgende Beobachtungen aus Pixeln, Videos oder visuellen Latenten, wobei Realismus, Kontinuität und erlebbare Durchwanderung im Vordergrund stehen.

• Symbolische Linie

Kimi K3, GPT-5.6/Codex, Fable 5: Erzeugen Objekte, Code, Regeln und Engine-Zustände, die anschließend ausgeführt, gerendert und dauerhaft modifiziert werden.

Der Fokus der Branche verlagert sich auch gerade von der Frage „Wie wird die Welt dargestellt?“ zu „Kann die Welt dauerhaft betrieben werden?“. Zukünftige Systeme müssen einen geschlossenen Kreislauf aus Beobachtung, Zustand, Handlung und Feedback bilden. 〔1〕

Die Beobachtung ist für die Darstellung zuständig, der Zustand für die Berechnung.

Derselbe Tisch, zwei Arten der Kompression: Die wahrnehmungsbezogene Repräsentation speichert das kontinuierliche Aussehen; die strukturierte Zustandsrepräsentation pflegt Teile, Verbindungen und Aufgabenstrukturen.

1.3 · Die technische Kette hinter der Generierung mit einer Anweisung

Eine Welt wird durch eine langfristig betriebene technische Kette aufrechterhalten

Die „Generierung mit einer Anweisung“ ist nur der Einstieg. Im Inneren des Systems müssen Objekte, Beziehungen, Geometrie, Regeln und Betriebszustände kontinuierlich gepflegt werden: Das LLM versteht Ziele und Einschränkungen, das räumliche Modell führt die Lösung durch, die Engine führt die Ergebnisse aus, und die Zustandsschicht schreibt die Änderungen zurück in die Welt. Jede Änderung erbt den vorhandenen Zustand, anstatt alles neu zu generieren.

Dieser Mechanismus lässt sich als R–T–V vereinfachen:

• R · Representation:

Beschreibt Objekte, Beziehungen und Zustände der aktuellen Welt.

• T · Transition:

Beschreibt, wie sich die Welt verändert, nachdem eine Handlung stattgefunden hat.

• V · Verification / Value:

Prüft, ob der neue Zustand gültig ist und weiter betrieben werden kann.

Das LLM entscheidet „was man will“, das spezielle räumliche Modell berechnet „wo es platziert wird und wie es gültig ist“, und die Zustandsinfrastruktur ist für Speicherung, Lösung und Überprüfung zuständig.

Ob die Welterzeugung von der Demonstration zum Produkt wird, hängt weitgehend davon ab, ob diese technische Kette langfristig stabil betrieben werden kann.

Sprache, Zustand, Lösung, Ausführung und Überprüfung arbeiten gemeinsam an derselben Welt.

Nach der Code-Generierung überprüfen Regeln und VLM die Szene weiter.

2. Technische Engpässe: Nach der Welterzeugung lassen sich Geschwindigkeit und Zustand nur schwer aufrechterhalten

Aktuelle Weltmodelle können bereits beeindruckende dreidimensionale Ergebnisse erzeugen, aber die Produktivsetzung steckt noch bei zwei grundlegenderen Problemen fest: Wie lange dauert es, bis das Ergebnis zum ersten Mal wirklich nutzbar ist, und behält die Welt nach aufeinanderfolgenden Änderungen dieselben Objekte, Beziehungen und Regeln bei.

2.1 · Gemeinsame Zustandslücke der beiden Linien

Das Ergebnis kann gültig sein, aber die Welt muss nicht dauerhaft gültig bleiben

Zwei Arten von Weltmodellen zeigen nach dem Eintritt in den dauerhaften Betrieb unterschiedliche Formen von Zustandsdrift.

• Wahrnehmungsorientierte Linie

Die Bilder können realistisch und kontinuierlich bleiben, aber echte Maßstäbe, Objektidentitäten und verdeckte Bereiche fehlen oft an stabilen Einschränkungen. Wenn die Kamera gedreht wird, man nach dem Verlassen zurückkehrt oder die Szene weiter ausbaut, kann der Maßstab driften, und der Raum außerhalb des Sichtfelds wird allmählich unscharf und verzerrt.

Typische Fehler von Pixel-Weltmodellen: Maßstabsdrift, Räume außerhalb des Sichtfelds werden unscharf und instabil.

• Symbolische Linie

Obwohl Objekte, Koordinaten und Codes explizit vorhanden sind, sind Kollisionen, Grenzen, Ausrichtungen, Topologien und Beziehungen zwischen Objekten oft auf verschiedene Skripte und Werkzeuge verteilt. Nach lokalen Änderungen existieren die Objekte noch, können aber bereits die Grenzen überschreiten, sich überlappen oder ursprüngliche Beziehungen zerstören. 〔34〕〔36〕〔37〕

Typischer Fehlerfall von LayoutGPT: Die erfolgreiche Generierung von Objekten bedeutet nicht, dass die räumlichen Beziehungen gültig sind.

Beide Arten von Fehlern weisen letztendlich auf dieselbe Lücke hin: Dem System fehlt eine unabhängige, überprüfbare und inkrementell aktualisierbare Weltzustandsschicht. Bewert