Das Weltmodell ist dabei, die nächste „Schiffskarte“ für KI-Unternehmen zu werden.

In den letzten drei Jahren haben große Sprachmodelle die Künstliche Intelligenz dazu gebracht, Fragen zu beantworten, Bilder zu generieren und Code zu schreiben. Aber wenn KI wirklich aus dem Bildschirm austritt und in Autos, Roboter, Fabriken und Haushalte eindringt, reicht es bei Weitem nicht, nur „sprechen zu können“.

Ein Roboter kann genau wiedergeben, „wie man eine Tasse in den Schrank stellt“, aber er könnte die Tasse schließlich auf den Boden fallen lassen, weil er das Gewicht der Tasse, die Position der Schranktür und die Bewegungsbahn des Manipulators nicht beurteilen kann; ein Auto kann das vorausfahrende Fahrzeug erkennen, aber es ist nicht unbedingt in der Lage, die komplexen Interaktionen zwischen Fußgängern, nicht motorisierten Fahrzeugen und anderen Fahrzeugen in wenigen Sekunden zu simulieren.

Große Sprachmodelle lernen die Beziehungen zwischen Symbolen, während Weltmodelle lernen müssen: Wie die Welt funktioniert und welche Folgen Handlungen haben.

Seit dem Jahr 2026 sind Weltmodelle schnell zu einem der am stärksten umkämpften neuen Bereiche der chinesischen KI-Industrie geworden. Nach unvollständigen Branchenstatistiken gibt es im Inland bereits mehr als 30 relevante Unternehmen. Technologieunternehmen wie Tencent, Alibaba, Huawei, Baidu beschleunigen ihre Layouts, Automobilhersteller wie NIO integrieren Weltmodelle in Serienfahrzeuge, und Startups wie Exall Vision, Manifold Space, Daxiao Robotics, Starwise Era, TopEon Intelligence, Inverse Matrix, LiberAI erhalten nacheinander Finanzierungen.

Nach großen Sprachmodellen und Videogenerierungsmodellen beginnen chinesische KI-Unternehmen, sich das nächste „Ticket“ zu sichern: Maschinen dazu zu bringen, nicht nur die Welt zu beschreiben, sondern sie auch zu verstehen, zu simulieren und in der Welt zu handeln.

Den physischen Welt auf vier Wegen erschließen

Ein Weltmodell ist keine feste Modellarchitektur und hat auch keine einheitliche industrielle Definition.

Einfach ausgedrückt muss es intern eine „digitale Repräsentation“ der äußeren Umgebung aufbauen: räumliche Strukturen, Objektbeziehungen und grundlegende physikalische Gesetze verstehen, zukünftige Veränderungen anhand des aktuellen Zustands vorhersagen und die möglichen Ergebnisse verschiedener Handlungen bewerten.

Wenn große Sprachmodelle die Frage „Was ist das nächste Wort?“ lösen, versuchen Weltmodelle die Frage zu beantworten: „Was passiert als Nächstes, wenn ich das tue?“

Gegenwärtig entwickeln chinesische Unternehmen ihre Erkundungen grob entlang vier Pfaden.

Der erste Weg führt von der Videogenerierung zu einer interaktiven Welt.

Videomodelle können bereits realistische Lichtverhältnisse, Figuren und Bewegungen erzeugen, aber ein Video, das echt aussieht, bedeutet nicht, dass das Modell die physische Welt wirklich versteht. Figuren könnten ihren Ort aus dem Nichts ändern, Objekte könnten sich gegenseitig durchdringen, und ein und dasselbe Gebäude würde sich verformen, wenn man die Perspektive wechselt. Weltmodelle müssen auf der Grundlage der Videogenerierung räumliche Konsistenz, Langzeitgedächtnis und Handlungsreaktionsfähigkeit hinzufügen, damit sich das Bild von „anschaubar“ zu „betretbar und steuerbar“ weiterentwickelt.

Die bei Unternehmen wie Kuaishou Keling, ByteDance Seedance, Shengshu Technology Vidu, Sand.ai angesammelten Fähigkeiten zur Videogenerierung werden zu einem wichtigen technischen Reserve in dieser Richtung. Sie verfügen über enorme Videodaten und Technologien zur raumzeitlichen Generierung. Sobald das Modell in der Lage ist, aufeinanderfolgende Bilder in Echtzeit basierend auf den Handlungen des Nutzers zu erzeugen, könnte sich das Videomodell zu einem impliziten Weltsimulator entwickeln.

Der zweite Weg führt über 3D-Generierung und räumliche Rekonstruktion.

Tencent veröffentlichte und machte 2025 das Hunyuan 3D-Weltmodell HunyuanWorld 1.0 quelloffen, das durch Text oder Bilder begehbare, bearbeitbare und exportierbare 3D-Räume erzeugen kann. Anschließend wurde Voyager vorgestellt, das native 3D-Rekonstruktion und Fernwanderung unterstützt. Spielszenen, für die Modellierungsteams früher wochenlang gearbeitet haben, werden nun in Minuten erzeugt.

Unternehmen wie Core Tech, VAST verfügen über Erfahrungen in den Bereichen Inneneinrichtung, Architekturdesign und 3D-Inhaltsproduktion. Im Vergleich zu Videos, die nur „echt aussehen“, legt dieser Weg mehr Wert auf geometrische Strukturen, räumliche Beziehungen und Objekteigenschaften. Sein kommerzieller Wert ist auch direkter: Spielunternehmen können schnell Karten erstellen, Filmunternehmen können virtuelle Szenen generieren, und Roboter können im Voraus in digitalen Wohnungen und digitalen Fabriken trainiert werden.

Der dritte und am stärksten von Startups genutzte Weg ist die Kombination von Weltmodellen mit Embodied Intelligence.

Der zentrale Engpass für Roboter ist nicht, dass sie Anweisungen nicht verstehen, sondern dass ihnen nicht genügend hochwertige Daten zur physischen Interaktion fehlen. Sprachmodelle können Billionen von Texten aus dem Internet abrufen, aber Roboter müssen echte Geräte zur Datenerfassung verwenden: Wenn ein Manipulator ein Objekt einmal greift, entsteht nur eine einzige Bewegungsbahn, was hohe Kosten, langsamen Fortschritt, Geräteverschleiß und Sicherheitsrisiken mit sich bringt.

Ein Weltmodell entspricht dem Aufbau eines unbegrenzt vervielfältigbaren „virtuellen Trainingsplatzes“ für Roboter. Roboter versuchen wiederholt in der vom Modell generierten Umgebung, bevor sie die erlernten Strategien auf echte Geräte übertragen, was die Kosten für Datenerfassung und Versuch und Irrtum erheblich senken kann.

Exall Vision baut ein Full-Stack-Layout rund um das GigaWorld-Weltmodell, das GigaBrain Embodied-Basismodell und Roboter-Geräte auf; Manifold Space hat die WorldScape-Serie vorgestellt, die versucht, die Wahrnehmung, Vorhersage und Handlung von Robotern direkt durch Weltmodelle zu unterstützen; Daxiao Robotics integriert Verstehen, Generierung, Vorhersage und Entscheidungsfindung in eine einheitliche Architektur; Starwise Era schlägt ein Welt-Handlungs-Modell vor; TopEon Intelligence wählt den Vision-World-Action-Ansatz, damit das Modell in kontinuierlichen physischen Räumen Vorhersagen treffen und planen kann; LiberAI versucht, menschliche Betriebsvideos, durch UMI erfasste Daten und physikalische Prioritäten zu kombinieren.

Die von der Beijing Academy of Artificial Intelligence veröffentlichten Plattformen der „Wujie“-Serie wie RoboBrain und RoboOS sind ebenfalls quelloffen und arbeiten mit mehreren Embodied-Intelligence-Unternehmen zusammen, um der Branche Embodied-Gehirne und ein Kooperationsframework für Hard- und Software bereitzustellen.

Der vierte Weg führt über das autonome Fahren.

Autos sind wahrscheinlich derzeit die Träger von Weltmodellen, die der kommerziellen Reife am nächsten kommen. Automobilhersteller verfügen über große Mengen an echten Fahrdaten, die Fahrzeuge selbst sind mit Sensoren, Rechenplattformen und Ausführungsmechanismen ausgestattet, und Sicherheit, Effizienz und Nutzererfahrung können in klare Produktwerte umgewandelt werden.

NIO veröffentlichte 2024 das NIO WorldModel, und 2025 begann die erste Version, auf mehr als 400.000 Fahrzeugen der Banyan-Plattform ausgespielt zu werden, für Szenen wie aktive Sicherheit, Hochgeschwindigkeits-Navigation, städtische Navigation und Einparken. Das ADFM von Baidu Apollo, das Welt-Handlungs-Modell von Huawei sowie die End-to-End-Fahrmodelle mehrerer Automobilhersteller integrieren in unterschiedlichem Maße Vorhersage und Simulation zukünftiger Zustände.

Daraus ergibt sich die grundlegende Landschaft der chinesischen Weltmodell-Industrie: Videounternehmen treten über Pixel ein, 3D-Unternehmen über Räume, Roboterunternehmen über Handlungen und Automobilunternehmen über Straßenszenen. Obwohl die technischen Wege unterschiedlich sind, ist das Ziel hochgradig einheitlich – KI kontinuierliche Wahrnehmungs- und Handlungsfähigkeit für die physische Welt zu verleihen.

Wo werden Weltmodelle zuerst profitabel?

Die ultimative Vorstellung von Weltmodellen ist sehr groß, aber ihre Kommerzialisierung wird nicht auf einmal erreicht.

Kurzfristig werden die ersten Einnahmen nicht durch „allgemeine Roboter“ erzielt, sondern durch Tools, die sofort die Kosten für Inhaltsproduktion, Datenerfassung und Tests senken können.

Die erste Kategorie kommerzieller Szenen ist die Produktion von Spielen, Filmen und virtuellen Räumen.

Die traditionelle 3D-Inhaltsproduktion erfordert die Zusammenarbeit mehrerer Glieder wie Konzeptkunst, Modellierung, Materialien, Beleuchtung und Animation, was hohe Kosten und lange Zyklen mit sich bringt. Weltmodelle können vollständige Räume anhand von Text, Bildern oder sogar einem Video generieren, sodass Ersteller darin wandern, sie modifizieren und neu anordnen können.

Für Spielunternehmen kann es zur Konzeptvalidierung, Kartengenerierung, Levelgestaltung und NPC-Training verwendet werden; für Filmunternehmen kann es für virtuelle Produktion, Storyboard-Vorschau und den Aufbau digitaler Szenen genutzt werden; für E-Commerce-, Tourismus- und Immobilienunternehmen können virtuelle Ausstellungsräume, digitale Sehenswürdigkeiten und interaktive Musterwohnungen generiert werden.

Das Geschäftsmodell in dieser Phase ähnelt dem des aktuellen generativen KI, einschließlich Aufrufen von Modell-APIs, Gebühren für Cloud-Rechenleistung, Software-Abonnements und kundenspezifischen Lösungen für Unternehmen. Unternehmen wie Tencent, die über ein eigenes Spielgeschäft verfügen, können das Modell zuerst in ihren internen Produktionsabläufen validieren, bevor sie es schrittweise für Entwickler öffnen.

Die zweite Kategorie von Szenen sind Simulation und Sicherheitstests für autonomes Fahren.

Auf echten Straßen lassen sich Extremfälle nur schwer wiederholen: plötzlich überquerende Fußgänger, verdeckte nicht motorisierte Fahrzeuge, defekte Fahrzeuge bei starkem Regen gehören alle zu den seltenen, aber hochriskanten Ereignissen. Das Ansammeln dieser Daten durch Fahren mit echten Fahrzeugen ist nicht nur langwierig, sondern kann auch enorme Sicherheitskosten verursachen.

Weltmodelle können in großen Mengen Langschwanzszenen generieren, die aus unterschiedlichen Kombinationen von Wetter, Straßen und Verkehrsteilnehmern bestehen, sodass Fahrsysteme im virtuellen Welt Belastungstests unterzogen werden. Im Vergleich zur direkten Gebührenerhebung gegenüber Verbrauchern eignet sich dieser Markt besser für die Abrechnung nach Softwareplattform, genutzter Rechenleistung, zurückgelegter Teststrecke oder Projektlizenz.

Simulationsplattformen könnten auch zu einer Infrastruktur für die Branche des autonomen Fahrens werden: Ein Ende verbindet die von Automobilherstellern angesammelten echten Daten, das andere Ende verbindet Modelltraining, Systemvalidierung und regulatorische Zertifizierung. Institutionen wie China Automotive Engineering Research Institute haben ebenfalls groß angelegte synthetische Daten, Weltmodell-Simulationen und Langschwanzszenentests in das Simulationssystem für autonomes Fahren integriert.

Die dritte Kategorie von Szenen sind industrielle Roboter, Lagerhaltung und kommerzielle Dienstleistungen.

Im Vergleich zu Haushalten sind die Umgebungen in Fabriken und Lagern strukturierter, die Aufgabengrenzen klarer und der Return on Investment leichter zu berechnen. Nachdem Roboter Aufgaben wie Sortieren, Be- und Entladen, Transport, Prüfung und Montage erledigt haben, können Unternehmen direkt messen, wie viel Arbeitskräfte eingespart und wie viel Effizienz gesteigert wurde.

Daher werden Unternehmen für Weltmodelle höchstwahrscheinlich zuerst industrielle Kunden in Form von „Modell + Roboter + Szenenlösung“ bedienen, anstatt nur ein Basismodell zu verkaufen. Modellunternehmen müssen tief mit Roboter-Geräten, Sensoren, industriellen Steuerungssystemen und Produktionsabläufen zusammenarbeiten und sich durch Felddaten ständig optimieren.

Das ist auch der Grund, warum Unternehmen wie Exall Vision, Manifold Space und Daxiao Robotics sich zu Full-Stack-Anbietern entwickeln: Ohne Geräte und Kundenszenen lässt sich mit nur einem Modell kein Datenkreislauf bilden; ohne sich ständig weiterentwickelndes Modell gerät man mit nur Roboter-Hardware leicht in einen Wettbewerb um billige Fertigung.

Die vierte Kategorie von Szenen sind Haushaltsroboter, die aber wahrscheinlich am spätesten reif werden.

Die häusliche Umgebung scheint einfach zu sein, ist aber in Wirklichkeit komplexer als eine Fabrik. Die Grundrisse, Möbel, Gegenstände und Lebensgewohnheiten jedes Haushalts sind unterschiedlich, und ältere Menschen, Kinder und Haustiere bringen viele unvorhersehbare Faktoren mit sich. Roboter müssen nicht nur Aufgaben verstehen, sondern auch die Absichten von Menschen erkennen und langfristige Operationen in unbekannten Umgebungen sicher ausführen.

Das bedeutet, dass Haushaltsroboter nicht ein Modell brauchen, das das Falten von Kleidung vorführen kann, sondern ein System, das neue Wohnungen schnell erkennen, die Folgen von Handlungen vorhersagen, Fehler beheben und ständig lernen kann. Obwohl der kommerzielle Raum riesig ist, wird sich der Markt vor dem Erreichen der Schwellenwerte für Zuverlässigkeit und Kosten hauptsächlich auf Premium-Produkte, Forschungsplattformen und Geräte mit spezifischen Funktionen beschränken.

Den Daten-Flywheel der physischen Welt aufbauen

Weltmodelle erleben derzeit einen ähnlichen Boom wie die großen Sprachmodelle in ihrer Frühphase: Die Anzahl der Unternehmen steigt schnell, die Grenzen des Konzepts erweitern sich ständig, und Finanzierungen und Bewertungen wachsen vor den Einnahmen.

Aber Weltmodelle lassen sich nicht einfach als „fortgeschrittenere Videogenerierungsmodelle“ verstehen. Je realistischer ein Video aussieht, desto besser versteht es nicht unbedingt die physikalischen Gesetze. Ein wirklich kommerzialisierbares Weltmodell muss mindestens vier Schwellen überschreiten.

Die erste Schwelle ist die physikalische Konsistenz.

Das Modell muss nicht nur das Bild einer fallenden Tasse generieren, sondern auch verstehen, warum die Tasse herunterfällt; es muss nicht nur die Kurvenfahrt eines Autos wiedergeben, sondern auch die Einschränkungen zwischen Geschwindigkeit, Straßenkrümmung und Reifenzustand kennen. Andernfalls könnte es umso schwerwiegendere Fehlertrainings für Roboter und Autos verursachen, je mehr Daten es generiert.

Die zweite Schwelle ist die Langzeitkonsistenz.

Aktuelle Modelle können die Szenenstabilität nur für kurze Zeit aufrechterhalten. Sobald sich die Aufgabenlänge verlängert, neigen Objektpositionen, räumliche Strukturen und Kausalzusammenhänge zum Driften. Wenn Roboter Räume aufräumen oder Autos komplexe Stadtgebiete durchqueren, sind sie eine stabile Erinnerung und Vorhersage erforderlich, die mehrere Minuten oder sogar länger anhält.

Die