Das Weltmodell ist zum neuen Hotspot der verkörperten Intelligenz geworden.

Im Jahr 2026 verlagert sich der Fokus der Robotikbranche vom Roboterkörper auf das „Gehirn“, und Weltmodelle gewinnen rasant an Bedeutung.

Lü Yao, Chefwissenschaftler von Light Elephant Laboratory, erklärte kürzlich in einem Interview mit Medien wie Jiemian News, dass die Bewertung eines Weltmodells nicht nur darauf abzielen sollte, ob das nächste Bild dem Original ähnelt, sondern auch darauf, ob das Modell die Gründe für die Veränderung der Welt korrekt erklären kann, sobald sich die Aktion ändert. Seiner Meinung nach lässt sich von allgemeiner verkörperter Intelligenz erst sprechen, wenn die zugrundeliegenden kausalen Gesetze der physischen Welt erlernt wurden.

Aber nachdem die Welt verstanden ist, gibt es in der Branche noch keine einheitliche Antwort darauf, welche Architektur Roboter nutzen sollen, um Handlungen zu erlernen.

Die Diskussionen über das „Gehirn“ im Bereich der verkörperten Intelligenz drehen sich hauptsächlich um zwei technische Ansätze: VLA und Weltmodelle. Die beiden sind nicht streng gegenseitig ausschließend, weisen aber unterschiedliche Schwerpunkte auf:

Der eine Ansatz ist VLA (Vision-Language-Action, also das Modell für Sehen-Sprache-Handlung), das Eingaben wie Sehen und Sprache mit den Handlungen des Roboters verbindet. Typische Modelle lernen anhand von Demonstrationsdaten von Robotern, wie sie Handlungen basierend auf Beobachtungen und Anweisungen generieren.

Der andere Ansatz ist das Weltmodell (World Model). Ob es sich um das generative Modell repräsentiert durch Sora, das räumliche Intelligenzmodell repräsentiert durch World Labs oder das visuelle Repräsentationsmodell repräsentiert durch JEPA handelt, folgen sie im Wesentlichen demselben Modellierungsparadigma: Sie lernen die statistische Repräsentation der Welt anhand massiver Daten und sagen zukünftige Veränderungen aus Beobachtungen voraus.

Die Debatte über die richtige Vorgehensweise ist nicht neu in diesem Jahr. Auf der Welt-Roboterkonferenz 2025 stellte Wang Xingxing, Gründer von Unitree Robotics, öffentlich Zweifel an dem damals populären VLA-Ansatz auf.

Er ist der Meinung, dass der größte Engpass für die großflächige Anwendung von humanoiden Robotern derzeit im KI-Modell liegt, hinter dem ein Problem der Modellarchitektur steckt – nicht die Hardware oder Daten, auf die die Branche mehr Wert legt. Er bezeichnet VLA zudem als eine „relativ einfache, wenig intelligente Architektur“. Im Vergleich dazu schätzt er die Steuerung von Robotern durch Videogenerationsmodelle oder Weltmodelle höher ein und geht davon aus, dass dieser Ansatz „eine höhere Konvergenzwahrscheinlichkeit hat“.

Ein Jahr später haben Weltmodelle deutlich an Bedeutung gewonnen, die technische Vorgehensweise ist dadurch aber noch nicht konvergiert.

Was den VLA-Ansatz betrifft, ist Lü Yao der Meinung, dass dieser bereits an seine Grenzen gestoßen ist: Vorne steht ein Sprachmodell, hinten ist ein Expertenkopf für Handlungen angeschlossen, es gibt eine Modallücke bei der Abbildung von Sprach-Tokens auf den Handlungsraum, und es ist praktisch unrealistisch, dass VLA durch Training mit extrem großen Datenmengen wirklich verallgemeinerte allgemeine Strategien generieren kann.

Lü Yao erklärte, dass die Branche den ursprünglichen Ansatz neu bewertet, unabhängig davon, ob sie sich aufgrund des harten Wettbewerbs im VLA-Bereich Weltmodellen zuwendet oder in internen Überprüfungen die Engpässe von VLA festgestellt hat.

Der Konsens endet aber ungefähr hier: Das Konzept des Weltmodells fehlt bis heute an einer einheitlichen Definition.

Der direkteste Ausdruck des Fehlens einer einheitlichen Definition ist, dass die „Weltmodelle“, von denen alle sprechen, möglicherweise gar nicht dasselbe sind. Li Feifei und das Team von World Labs haben in diesem Jahr einen speziellen Artikel verfasst, um dieses Konzept zu erörtern, und Weltmodelle nach ihrer Funktion in drei Kategorien unterteilt: Renderer, Simulatoren und Planer (entsprechend renderers, simulators, planners), und erklärten, dass „Weltmodell“ zu einem der wichtigsten und am häufigsten falsch verwendeten Begriffe im aktuellen KI-Bereich geworden ist.

Gemäß dieser Einteilung generieren Renderer hauptsächlich Pixelbilder, die für Menschen sichtbar sind, während Simulatoren eine genauere Beschreibung von Geometrie, Physik und dynamischen Veränderungen erfordern, und Planer sind dafür verantwortlich, die nächste Handlung basierend auf Beobachtungen und Zielen zu bestimmen. World Labs klassifiziert VLA ebenfalls in die Kategorie der Planer, was bedeutet, dass VLA und Weltmodelle nicht unbedingt in einem entweder-oder-Verhältnis zueinander stehen.

Die Meinungsverschiedenheiten beschränken sich nicht auf die Definition. Guo Yandong, Gründer und CEO von Zhisquare, erklärte auf dem Beijing Zhiyuan Summit im Juni dieses Jahres, dass Weltmodelle kein Konkurrent von VLA sind, sondern ein zentraler Bestandteil des VLA-Systems.

Neben der Einteilung der Vorgehensweisen gibt es noch weitere praktischere Probleme. Ein Leiter eines Unternehmens, das an Weltmodellen arbeitet, sagte gegenüber dem Reporter von Jiemian News, dass einige Ergebnisse der Videogenerierung auf den ersten Blick gut aussehen, aber die Darstellung physikalischer Eigenschaften wie Reibung immer noch unzureichend ist, sodass sie für die tatsächliche Nutzung bei der Ausführung von Roboteroperationen nicht ausreichen. Ein Teil der relevanten Daten muss derzeit noch von Unternehmen selbst erfasst werden, was nicht geringe Kosten verursacht.

Der Leiter sagte dem Reporter von Jiemian News, dass die Branche bisher noch keinen einheitlichen Standard für die Einstufung der Fähigkeiten von Robotern festgelegt hat. Derzeit können Roboter in Fabriken einige Arbeitsschritte mit klar definierten Grenzen und kurzen Abläufen ausführen, aber bei offenen Aufgaben wie der Reinigung von Wohnungen müssen sie nicht nur die Umgebung erkennen, sondern auch Ziele und kausale Zusammenhänge verstehen und ihre Handlungen ständig an das Ausführungsergebnis anpassen. Es gibt noch eine große Lücke bis zur tatsächlichen Erfüllung solcher Aufgaben.

Light Elephant wählte den Einstieg über die Frage „Wie verändern Handlungen die Welt“. Kürzlich veröffentlichte Light Elephant Technology gemeinsam mit der Forschungsgruppe von Professor Li Shengbo von der Tsinghua-Universität das erste physisch native Weltmodell Phi-WM 1.0 ActEffect, dessen Kern darin besteht, das Weltmodell in einen „Feedbackgeber während des Trainings“ umzuwandeln, damit Roboter lernen, „welche Folgen eine Handlung hat“.

Konkret ist ActEffect in der Lage, auf einmal drei Handlungspläne mit unterschiedlichen Feinheitsgraden zu generieren, jeweils die möglichen Folgen jedes Plans vorherzusagen und durch Vergleich den optimalen Plan auszuwählen. Nach Abschluss des Trainings wird das Weltmodell aus der Inferenzkette entfernt, und bei der Bereitstellung gibt das Strategienetzwerk die Handlung direkt durch eine einzelne Vorwärtsberechnung aus.

Nach der Erklärung von Lü Yao entspricht dies dem „Destillieren“ der Beurteilung der Folgen von Handlungen durch das Weltmodell im Voraus in die Strategiegewichte, um die Inferenzlast während der Bereitstellungsphase zu verringern.

Neben dem Modell ist Daten ein unvermeidbares Problem. In der Branche gibt es ebenfalls keine einheitliche Antwort darauf, ob Weltmodelle den Datenbedarf von Robotern verringern können.

Zu der Aussage, dass „Weltmodelle den Datenbedarf verringern werden“, ist Lü Yao der Meinung, dass dies je nach Fall diskutiert werden muss. Er teilt die Ansicht nicht, dass rein videovorhersagende Weltmodelle den Datenbedarf auf natürliche Weise verringern können: Das Trainieren eines videovorhersagenden Modells mit ausreichender Wiedergabetreue und Verallgemeinerungsfähigkeit erfordert an sich noch immer massive Daten, und es ist nicht unbedingt sinnvoll, darauf zu vertrauen, dass es Daten generiert, um Lücken zu schließen.

„Aber wenn ein Weltmodell die zugrundeliegenden physischen Gesetze, die szenarienübergreifend allgemein gültig sind, aus den Daten extrahieren kann, könnte es den Bedarf an szenarien- und roboterkörperübergreifenden Daten verringern“, sagte Lü Yao.

Zhang Tao, Gründer und CEO von Light Elephant Technology, erläuterte anhand eines Beispiels: Wenn man zehn Objekte mit unterschiedlichem Gewicht und unterschiedlicher Form in einen Korb wirft und dies zehn Mal übt, sodass alle hineingehen, muss man das elfte oder hundertste unbekannte Objekt erneut ausprobieren. Nach dieser Logik ist das Wertvollste nicht die erfolgreiche Demonstration, sondern die Daten, die durch umfangreiches Ausprobieren von Fehlern und kontrafaktisches Schließen in der Simulation entstehen.

Dazu schätzt Lü Yao, dass die benötigten kontrafaktischen Fehlversuchsdaten das 10-fache oder sogar 100-fache der tatsächlichen erfolgreichen Demonstrationen betragen können; aber beim anschließenden Training mit echten Geräten an einem bestimmten Arbeitsplatz beträgt die Datenmenge etwa zehn bis mehrere zehn Stunden, maximal nicht mehr als 100 Stunden. Nach dem Konzept von Light Elephant verlagert das Weltmodell mehr Fehlversuche in die Simulationsumgebung mit relativ niedrigeren Kosten, um einen Teil des teuren Bedarfs an echten Gerätedaten zu verringern.

Aber Fabriken achten nicht nur darauf, wie viele Daten das Modell benötigt. In der Phase der kommerziellen Umsetzung wird der Streit um die technische Vorgehensweise schließlich zu einem Streit um den ROI.

Eine von IDC im August dieses Jahres veröffentlichte Studie zeigt, dass der Markt für industrielle Roboter mit verkörperter Intelligenz in China im Jahr 2025 etwa 5,74 Milliarden Yuan betragen hat. Die Nutzerumfrage ergab, dass mehr als 80 % der Fertigungsunternehmen hoffen, dass Projekte für industrielle Roboter mit verkörperter Intelligenz die Investition innerhalb von zwei Jahren wieder hereinholen.

Das bedeutet für industrielle Kunden, dass es nicht so wichtig ist, ob VLA oder Weltmodell genutzt wird. Entscheidend ist, ob das System schnell bereitgestellt werden kann, stabil läuft und die Investition innerhalb des erwarteten Zeitraums amortisiert.

Obwohl die technische Vorgehensweise noch nicht konvergiert, hindert das Kapital nicht daran, schnell zu strömen. Daten von CB Insights zeigen, dass die Investitionen im Zusammenhang mit Weltmodellen von 1,4 Milliarden US-Dollar im Jahr 2024 auf 6,9 Milliarden US-Dollar im Jahr 2025 gestiegen sind, was fast dem Fünffachen des ursprünglichen Werts entspricht.

Im Jahr 2026 gehen große Finanzierungsrunden weiter. Im Februar kündigte World Labs, gegründet von Li Feifei, den Abschluss einer neuen Finanzierung in Höhe von 1 Milliarde US-Dollar an; im März schloss AMI Labs, an dessen Gründung Yann LeCun beteiligt war, eine weitere Finanzierung in Höhe von 1,03 Milliarden US-Dollar ab. World Labs konzentriert sich auf räumliche Intelligenz und Weltmodelle, während AMI Labs die Modellierung, Inferenz und Planung der realen Welt als Kernrichtung ansieht.

Das Kapital hat bereits im Voraus gewettet, aber die Geschwindigkeit, mit der Roboter tatsächlich in reale Szenarien eintreten, ist noch nicht so hoch.

„Die Branche (der verkörperten Intelligenz) wird höchstwahrscheinlich wie das autonome Fahren damals eine große Bereinigung erleben“, urteilte Lü Yao gegenüber Medien wie Jiemian News. Der Kapitalmarkt wird schließlich zur Vernunft zurückkehren, und Unternehmen ohne Kerntechnik-Schutzgraben und echte Lieferfähigkeit werden als Erste aus dem Markt ausscheiden.

Diese Bereinigung könnte nicht mehr weit entfernt sein. Zhang Tao ist der Meinung, dass wenn die Branche ihren aktuellen Zustand beibehält, innerhalb von ein bis zwei Jahren tatsächlich ein harter Winter eintreten könnte, aber das Ergebnis ist nicht bereits festgelegt. Seiner Meinung nach ist die echte Variable, ob bis dahin die erste Anwendung der verkörperten Intelligenz auftaucht, die vom Markt bestätigt wurde, Skalierungspotenzial hat und echten kommerziellen Wert schaffen kann.

Dieser Artikel stammt von „Jiemian News“, Autor: Xu Meihui, veröffentlicht mit Genehmigung von 36Kr.