Hard-Kr Exklusivmeldung | Der 1999 geborene Associate Professor der Tongji-Universität und ehemaliger Kernmitarbeiter von DJI gründet ein Startup für Weltmodelle und sichert sich eine Finanzierung in Höhe von mehreren zehn Millionen Yuan innerhalb von weniger als einem Monat nach der Gründung.

Hard Krypton erfuhr, dass das Weltmodellunternehmen «WorldMind» kürzlich eine Angel-Finanzierungsrunde in Höhe von mehreren zehn Millionen Yuan abgeschlossen hat. Der Investor ist Yuan Capital. Diese Finanzierung wird hauptsächlich für den Teamaufbau und die Expansion sowie für die Infrastruktur und das Training des Grundmodells verwendet. Stone Capital fungierte als exklusiver Finanzberater des Unternehmens.

WorldMind wurde im September 2026 gegründet. Das Kernteam konzentriert sich auf die Kreuzung von Embodied Intelligence, Weltmodellen und Gehirnforschung. Der Gründer und CEO Ren Yunfan wurde 1999 geboren, war früher ein wichtiger Mitarbeiter für algorithmische Voruntersuchungen bei DJI, promovierte am MaRS Lab der Universität Hongkong und absolvierte anschließend eine Postdoktorandenforschung am RPG der Universität Zürich. Mit 26 Jahren wurde er in die nationale Liste der hochbegabten jungen Fachkräfte aufgenommen und ist derzeit Doktorvater und Tenure-Track-Professor an der Tongji-Universität.

CTO Zhang Qi ist Doktor der Künstlichen Intelligenz an der University of Technology Sydney, nationaler junger Spitzenfachmann und Jugendwissenschaftler des Großprojekts „Gehirnforschung und gehirnähnliche Intelligenz“ des Ministeriums für Wissenschaft und Technologie. Er konzentriert sich seit langem auf die Forschung zur visuellen Gehirndekodierung und gehirnähnlichen Intelligenz und hat die bahnbrechende Reihe von Methoden zur visuellen Gehirncodierung und -dekodierung namens Mind-X entwickelt. Das Team umfasst weitere Doktoren, die an renommierten Universitäten im In- und Ausland absolviert haben und sich seit langem mit Forschungen zu Weltmodellen, Embodied Intelligence und multimodalen Großmodellen befassen, sodass sie über tiefgreifende technische Erfahrungen im Bereich der Weltmodelle verfügen.

In den letzten zwei Jahren ist das Weltmodell zu einem der beliebtesten Schlüsselwörter im Bereich der Embodied Intelligence geworden. Die Branche steht vor einem grundlegenderen Problem als „Roboter dazu zu bringen, Bewegungen auszuführen“: Wie sollen Maschinen die reale Welt überhaupt verstehen? Das Scaling-Law von Sprachmodellen hat bewiesen, dass Fähigkeiten ständig entstehen können, solange Daten, Rechenleistung und Modellumfang ständig erhöht werden. Aber die reale Welt ist kein Satz von Internettexten, der unbegrenzt erfasst werden kann. Sie ist kontinuierlich, multimodal, offen und es gibt immer neue Objekte, neue Szenarien und neue Veränderungen.

Die Einschätzung von WorldMind lautet, dass das, was das Weltmodell wirklich sucht, möglicherweise kein einfacher Scaling-Pfad ist, der Sprachmodelle nachahmt. Im Interview erklärte der Gründer Ren Yunfan, dass sie noch nicht gesehen haben, dass das Scaling-Law von Weltmodellen wirklich validiert wurde. Also stellte er eine andere Frage: Brauchen Roboter wirklich die ganze Welt zu verstehen?

Ren Yunfan ist der Ansicht, dass die Antwort negativ ist. Ein Küchenroboter muss möglicherweise nur eine Küche von mehr als zehn Quadratmetern verstehen. WorldMind nennt diese begrenzte, spezifische und direkt mit dem Intelligenzagenten verbundene Umgebung „Kleine Welt“, wobei das Konzept von „Umweltwelt“ verwendet wird, das von Jakob von Uexküll vorgeschlagen wurde. Dies verwandelt auch ein nicht vollständig aufzählbares Problem in ein Problem, das trainiert, bereitgestellt werden kann und echtes Feedback erhalten kann.

„Aber die Kleine Welt ist keine einsame Insel“, betonte Ren Yunfan. Die Berührungen und Reibungen im Haushalt können in anderer Form in Fabrik- und Lagerszenarien auftreten. Daher dient das Problem, das in einem Szenario gelöst wird, nicht nur dem Szenario selbst, sondern sammelt Wissen für ein größeres Weltmodell. WorldMind hofft, zuerst überprüfbare Modelle in spezifischen Szenarien wie Haushalten, Fabriken, Lagern und im Freien aufzubauen, dann die physikalischen Gesetze zu extrahieren, die in verschiedenen Kleinen Welten gemeinsam existieren, und nach und nach ein größeres Grundgerüst des Weltmodells zu bilden.

Dies ist auch ihr anderes Verständnis von „Scaling“. Scaling bedeutet nicht unbedingt, von Anfang an eine riesige Datenmenge zu besitzen, sondern kann von einer ausreichend guten Kleinen Welt ausgehen. Ren Yunfan ist der Ansicht, dass wenn ein spezifisches Branchenproblem zuerst auf ein ausreichend hohes Niveau gelöst wird, dies gleichbedeutend damit ist, einen guten Ausgangspunkt für das Scaling zu finden. Dann kann das Modell mit der Zunahme von Szenarien, Daten und Branchenerweiterungen tatsächlich entlang einer Kurve nach oben wachsen.

Auf der Grundlage dieses Verständnisses unterteilt WorldMind das Weltmodell in vier Teile: Wissen, Gedächtnis, Ableitung und Kalibrierung. Wissen entspricht relativ stabilen objektiven Gesetzen wie Newtonscher Mechanik, Strömungslehre, Materialien und Beleuchtung. Das Gedächtnis ähnelt eher den eigenen Erfahrungen des Intelligenzagenten und zeichnet auf, was kürzlich passiert ist, wie sich Objekte bewegen und was der Roboter gerade getan hat.

Nach der traditionellen Intuition scheint ein Modell, das gleichzeitig immer mehr Aufgaben bewältigen soll, immer größer werden zu müssen. Aber WorldMind ist der Ansicht, dass das, was wirklich ständig wachsen muss, das Wissen über die Welt ist, nicht das neuronale Ableitungsmodul, das dafür zuständig ist, zu verstehen, „was als Nächstes passieren wird“. „Genau wie eine traditionelle Physik-Engine kann die unterste Ebene darauf zurückgeführt werden, dass es sich um Probleme der Dynamik und Kinematik handelt, egal ob der Roboter die Position eines Fahrzeugs in der nächsten Sekunde vorhersagt oder beurteilt, wie sich eine Flasche bewegt, nachdem sie geschoben wurde.“ Darüber hinaus muss das Modell ständig Feedback aus der realen Welt erhalten und seine Vorhersagen mit neuen Daten korrigieren.

Derzeit hat WorldMind zwei Kerntechnologien eigenständig entwickelt: das gedächtnisverstärkte Weltmodell und das gehirninspirierte Weltaktionsmodell. Das gedächtnisverstärkte Weltmodell führt erstmals den Mechanismus des schnellen und langsamen Systems in den Trainings- und Inferenzprozess des Weltmodells ein. Durch den dynamischen Gedächtnismechanismus und den Mechanismus der raumzeitlichen Doppelstromführung wird eine hochpräzise Umgebungsmodellierung realisiert, die Effizienz der Nutzung von Echtgerätedaten deutlich verbessert und die Kosten für das Training des Weltmodells gesenkt. Das entsprechende Modell belegt den ersten Platz in der offenen Liste des maßgeblichen Bewertungsmaßstabs für Weltmodelle WorldArena 1.0 und steht in mehreren Bewertungsbereichen des neu veröffentlichten WorldArena 2.0 stabil unter den ersten drei Plätzen.

Das letztere baut durch die Einführung des Mechanismus der Kopie der Gehirnausgabe und der egozentrischen 4D-Weltwissensarchitektur eine hierarchische gemeinsame Architektur namens „Weltableitung – Raumplanung – Aktionsgenerierung“ und ein einheitliches gemischtes Expertenmodell auf, das den ersten Platz in der globalen Simulations-Open-Source-Liste der Weltaktionsmodelle belegt. In der realen Welt wird dann die Online-Selbstkalibrierung des Weltmodells auf Echtgeräten wie Drohnen realisiert, sodass das Modell und die Strategie in der realen Welt gleichzeitig lernen und sich ständig weiterentwickeln.

Daher ist das Produkt, das sie jetzt entwickeln, kein einfaches „Robotermodell“, sondern eine vollständige Kette von der Weltvorhersage über die Aktionsausführung bis hin zum Feedback aus der realen Welt.

Im Folgenden finden Sie Auszüge aus dem Interview mit Ren Yunfan, dem Gründer von WorldMind:

Hard Krypton: Sie betonen, von der Kleinen Welt aus zu beginnen. Wie wird die gemeinsame Nutzung zwischen verschiedenen Kleinen Welten konkret realisiert?

Ren Yunfan: Wir sind der Ansicht, dass die Langschwanzprobleme, die in jeder Kleinen Welt existieren, im Wesentlichen oft eine Projektion der einheitlichen physikalischen Gesetze in diesem Szenario sind.

Zum Beispiel kann ein Haushaltsdienstroboter möglicherweise nur 80 % der Fälle durch Daten aus Haushaltszenarien abdecken. Die restlichen 20 % der Langschwanzprobleme können physikalische Gesetze wie Kontaktmechanik und Reibung betreffen. Diese Gesetze können jedoch in Fabriken, Lagern oder anderen Szenarien eine häufigere Datenverteilung aufweisen. Wir können diese physikalischen Gesetze aus anderen Szenarien lernen und sie dann verwenden, um die Langschwanzprobleme in Haushaltszenarien zu ergänzen.

Daher ist die Kleine Welt keine einsame Insel. Jede Kleine Welt kann gemeinsam ein gemeinsames Grundmodell des großen Weltmodells pflegen, und das große Weltmodell kann wiederum vollständigere Modelle und physikalische Gesetze an jede nachgeschaltete Kleine Welt weitergeben, sodass eine Interaktion von Daten und Wissen in beide Richtungen entsteht.

Hard Krypton: Was ist der größte Unterschied zwischen Ihrer Weltmodellarchitektur und anderen Weltmodellen?

Ren Yunfan: Ein Standard-Weltmodell sagt normalerweise den nächsten Zustand auf der Grundlage des aktuellen Zustands und der bevorstehenden Aktion voraus. Unser Modell extrahiert Wissen und Gedächtnis separat aus dem Zustand. Das heißt, unsere Vorhersage für den nächsten Moment hängt nicht nur vom aktuellen Zustand ab, sondern auch vom Verständnis des Modells für die Welt, also vom Weltwissen, sowie von den gerade ausgeführten Aufgaben und historischen Erinnerungen.

Nach dieser Zerlegung besteht ein Vorteil darin, dass die vom Modell erlernten physikalischen Gesetze nicht mehr implizit im Zustandsraum verwickelt sind, sondern eine relativ klare physikalische Bedeutung haben. Wir können Wissen und Gedächtnis explizit pflegen, die gemeinsame Nutzung von Wissen und die Extraktion von Gedächtnis besser durchführen und auch mit einem kleineren Modell bessere Ergebnisse in einem vertikalen Bereich erzielen.

Hard Krypton: Aus welchen Szenarien wollen Sie zuerst die Umsetzung realisieren?

Ren Yunfan: Aus der Perspektive der Praktikabilität und der Unternehmensentwicklung in der Anfangsphase werden wir möglicherweise einige „harte Nüsse“ auswählen, wie z. B. die derzeit schwer zu lösenden Haushaltsdienstszenarien und die Küchenszenarien mit hoher Vielfalt. Einerseits kann dies die Forschungs- und Entwicklungsstärke des Unternehmens unter Beweis stellen, andererseits hoffen wir, die Umsetzung wirklich zu realisieren.

Die konkrete Umsetzungsrichtung hängt von mehreren Branchenpartnern ab, mit denen wir derzeit kommunizieren. Dazu gehören im Großen und Ganzen einige Branchenszenarien, industrielle Szenarien sowie To-B-Werke und Produktionslinien. Die Geräte in diesen Szenarien sind oft sehr nicht standardisiert. Wir hoffen, dass Roboter mit einem einheitlichen Modell Aufgaben in verschiedenen Szenarien erledigen und die Veränderungen der Szenarien vorhersagen können. Zum Beispiel hat das Weltmodell im Baustellenszenario zwei Verwendungszwecke. Erstens kann es als Trainingsplatz für Roboter dienen, um Trainingsfähigkeiten für „große Embodied“-Geräte wie Bagger bereitzustellen, und es kann auch für die VLA-Datenerfassung oder das verstärkende Lernen verwendet werden, um einige Probleme zu lösen, die die Embodied Intelligence noch nicht gelöst hat. Zweitens kann es die Veränderungen der gesamten Baustelle vorhersagen, wie z. B. die Auswirkungen von Betontrocknung und Wetter auf das Szenario, um die Planung von Bauzeiten oder Entwürfen zu unterstützen.

Wir hoffen, zuerst ein oder zwei geschlossene Szenarien zu definieren, Branchenpartner zu suchen und den gesamten geschlossenen Kreislauf aus Datenerfassung, Modelltraining, praktischer Anwendung und Datenrückfluss in realen Szenarien zu realisieren. Dies ist die umsetzbare Umsetzungsrichtung, der wir große Aufmerksamkeit schenken.

Hard Krypton: Was ist derzeit die größte technische Herausforderung bei der Umsetzung?

Ren Yunfan: Dieses Problem ist sicherlich schwierig, sonst gäbe es bis jetzt keine allgemeine Lösung. Aber unsere Methode zur Lösung des Problems besteht darin, den Umfang einzugrenzen. Wir versuchen nicht, die Probleme der gesamten Branche auf einmal zu lösen, sondern zunächst ein spezifisches Szenario und eine Aufgabe vollständig zu erledigen und das System für den Datenrückfluss aufzubauen.

Derzeit haben wir einige Überprüfungen in kontrollierten Szenarien wie dem Labortisch durchgeführt. Wenn wir in der nächsten Phase in reale Szenarien eintreten, werden wir auf verschiedene unerwartete Fälle stoßen. To-B-Szenarien sind insgesamt relativ kontrollierbar, aber viel komplexer als das Labor. Was wirklich technische Fähigkeiten erfordert, ist, wie man den gesamten Ablauf von Wissen, Gedächtnis und Datenrückfluss realisieren kann. Wir sind sehr zuversichtlich in Bezug auf die Algorithmen, aber im technischen Bereich müssen wir mehr Zeit und Energie investieren.

Solange die Umgebung ausreichend kompakt definiert ist und das Szenario ausreichend geschlossen definiert ist, sind die Ober- und Untergrenze dieser Angelegenheit sehr klar. Der schlimmste Fall ist die Umsetzung der Umgebungsableitung und Aktionsausführung in einer Aufgabe, was mit den derzeitigen Methoden bereits möglich ist. Was wir wirklich erforschen und durchbrechen wollen, ist die Obergrenze, d. h. dass sich diese Welt von einem Tisch und einer Produktionslinie allmählich auf die gesamte Fabrik ausdehnen kann.

Daher zweifeln wir nicht daran, dass der gesamte Ablauf umgesetzt werden kann. Solange das Szenario ausreichend klar definiert ist, kann eine Produktionslinie oder eine Aufgabe mit guten Ergebnissen realisiert werden. Was uns wirklich interessiert, ist, ob es eine bessere Generalisierung von klein nach groß erreichen kann.