Viele Menschen haben den wahren großen Trend der nächsten KI-Welle noch nicht erkannt.

In den letzten zwei Jahren habe ich fast alle Aktualisierungen im Bereich der KI sofort nach ihrer Veröffentlichung ausprobiert. Agenten, Multimodalität, immer wieder neue Iterationen von Modellen – um ehrlich zu sein, die meisten davon beeindrucken mich kaum noch. Ihre Fähigkeiten steigen zwar an, aber sie bewegen sich alle noch auf der Linie, „Inhalte realistischer zu gestalten“, die Richtung hat sich nicht geändert. Erst in diesem Monat, als ich Astra, Atlas und Cosmos nacheinander getestet habe, bin ich zum ersten Mal wirklich zum Stillstand gekommen.

Nicht weil die von ihnen erzeugten Inhalte schöner sind, sondern weil ich zum ersten Mal spüre: Die KI überschreitet gerade eine weitere Grenze – von „Inhalten erzeugen“ hin zu „die Welt verstehen und bereit sein, Handlungen auszuführen“. Ich ziehe vorerst dieses Fazit: Die nächste echte Wertverlagerung findet nicht im Wettbewerb um die Anzahl der Modellparameter statt, sondern darin – dass die dreidimensionale Welt gerade zu einer Schnittstelle umgeschrieben wird, die von KI gelesen, simuliert und bedient werden kann. Wenn man dies nur auf der Ebene versteht, dass „die Nachfrage nach 3D-Inhalten steigen wird“, verpasst man die gesamte Ersetzung der zugrunde liegenden Logik. Diese Aussage klingt sehr gewagt. Aber nachdem ich diese drei Schritte durchgegangen bin, kann ich mich nicht davon überzeugen, dass dies nur ein Zufall ist.

1/ Astra: Als Erstes bricht die Kostenstruktur zusammen

Ich habe GPT-6 Astra angewiesen, eine Innenszene eines Wohnhauses zu erzeugen. Früher war eine solche Ausgabe, so gut sie auch aussah, nach dem Import in eine Modellierungssoftware nutzlos – alle Strukturinformationen gingen verloren, man konnte nicht weiterarbeiten.

Dieses Mal ist es anders. Es liefert direkt Vermögenswerte mit vollständiger Struktur: Sie können in Blender weiter bearbeitet werden und nach dem Import in Unreal Engine 5 ist eine Echtzeit-Erkundung der Szene möglich.

Jeder, der schon mit 3D-Arbeitsabläufen gearbeitet hat, weiß, wie teuer dieser Prozess ist – Modellierung, Materialien, Beleuchtung, Rendering, Nachbearbeitung, jeder Schritt muss manuell in professioneller Software nacheinander ausgeführt werden, die Fehlertoleranz ist extrem gering und der Zeitaufwand ist sehr hoch.

Und jetzt? Die natürliche Sprache ist der Zugang.

Bilder und Videos haben dieses Szenario bereits durchgespielt – sobald die Kosten für Werkzeuge gesenkt werden, wird die Nachfrage nicht verringert, sondern freigesetzt. Spiele, E-Commerce, Architektur, Werbung, Industriedesign – alle stehen Schlange dahinter. Das ist keine Spekulation, es passiert gerade.

2/ Atlas: Von „Objekten erzeugen“ zu „Räume verstehen“

Wenn Astra mich auf die Veränderung aufmerksam gemacht hat, dann hat Atlas, das von World Labs im September veröffentlicht wurde, mir wirklich klar gemacht, wie weit diese Runde reichen kann.

Denken Sie an diesen Unterschied: Wenn Sie eine Tasse erzeugen, interessiert Sie nur, ob ihre Form stimmt; aber um eine Küche zu verstehen, muss das Modell wissen, wo die Tasse steht, wie hoch die Arbeitsplatte ist, aus welcher Richtung die Hand am natürlichsten ausgestreckt wird und was im nächsten Moment im Raum passieren sollte.

Das Erste ist das Erzeugen von Objekten, das Zweite ist das Verstehen von Räumen. Dazwischen liegt nicht nur eine höhere Auflösung, sondern eine ganze Dimension. Ein Satz von World Labs habe ich mehrmals gelesen: „3D wird zur universellen Schnittstelle für Räume.“

Text war einst die Schnittstelle zwischen Mensch und Maschine. Wenn 3D zum Medium wird, in dem Menschen und KI gemeinsam Räume erzeugen, bearbeiten und simulieren, dann ist 3D nicht mehr nur eine Designdatei, sondern ein neuer Träger für Berechnungen. Diese Einschätzung klingt noch etwas weit weg, aber nach meinen praktischen Tests spüre ich, dass sie immer konkreter wird.

3/ Cosmos: Von „verstehen“ zu „Handlungen ausführen wagen“

Bei Nvidias Cosmos bin ich mir ziemlich sicher, dass meine vorherige Wahrnehmung keine Überinterpretation war.

Aktuelle visuelle Modelle können sehr genau beantworten, „was im Bild zu sehen ist“. Aber die eigentliche Schwierigkeit bei Robotern und autonomen Fahren war nie die Erkennung, sondern die Vorhersage, „was als Nächstes passieren wird“.

Cosmos sorgt dafür, dass das Modell zunächst ein internes Simulationssystem für den Zustand der Welt aufbaut – es simuliert die möglichen Ergebnisse jeder Handlung und wählt dann den optimalen Pfad aus. Das bedeutet, dass die KI mit einem funktionsfähigen internen Simulator ausgestattet wird.

Ohne es kann die Maschine nur den gegenwärtigen Moment wahrnehmen; mit ihm bekommt die Maschine die Fähigkeit, „vor der Ausführung einer Handlung diese erst einmal zu simulieren“. Die Bedeutung dieses Schritts für Physical AI ist meiner Meinung nach nicht weniger bedeutend als der damalige Durchbruch der großen Modelle bei der Schlussfolgerungsfähigkeit.

4/ Der entscheidende Wettbewerbsfaktor: Synthetische Daten

Daten aus der realen Welt sind sehr teuer.

Sprachmodelle können massenhaft Texte aus Webseiten durchsuchen, aber Roboter können nicht aus Webseiten lernen, wie man eine Tasse greift; und für autonomes Fahren lassen sich auch nicht alle extremen Szenarien durch echte Straßentests abdecken. Gerade die wichtigsten Trainingsdaten – extremes Wetter, plötzliche Unfälle, seltene Verkehrssituationen – sind am schwierigsten zu beschaffen.

Aber wenn die 3D-Rekonstruktion zusammen mit dem Weltmodell ausgereift ist, ändert sich die Logik: Zuerst baut man ein digitales Referenzszenario mit begrenzten echten Daten auf, dann ändert man systematisch das Wetter, die Positionen, die Eigenschaften von Objekten und die Beleuchtung in der virtuellen Welt – aus einer Gruppe von Ausgangsdaten entstehen massenhaft Trainingsbeispiele.

Daher geht die Analyse von US Stock Investment Network davon aus, dass sich die Wettbewerbsdimensionen von Physical AI verlagern:

Früher wurde verglichen, wer mehr echte Daten besitzt, künftig wird verglichen: Qualität der echten Daten × Fähigkeit zur Raumrekonstruktion × Simulationsgenauigkeit × Effizienz der Erzeugung synthetischer Daten.

Profitierende US-Unternehmen

Ich habe sie nach dem „Grad des direkten Nutzens“ in vier Ebenen eingeteilt: Je weiter vorne, desto sicherer der Nutzen, je weiter hinten, desto größer die Flexibilität und desto konzentrierter ist der Nutzen: Erste Ebene · Infrastruktur: NVDA

Egal welches Roboterunternehmen und welches Unternehmen für autonomes Fahren am Ende gewinnt, alle brauchen Rechenleistung, Simulation, synthetische Daten und Trainingsplattformen. Und NVIDIA verfügt gleichzeitig über GPU, Omniverse, Isaac und Cosmos – es verkauft längst nicht mehr nur Chips, sondern die gesamte Basisplattform, „die Maschinen dazu bringt, die reale Welt zu erlernen“. Das ist die Position, die am wenigsten von einem einzelnen Gewinner abhängig ist. Zweite Ebene · 3D-Rekonstruktion und digitale Zwillinge: PTC, ADSK

Um die reale Welt zu einer digitalen Welt zu machen, in der KI trainieren kann, muss zuerst jemand die industrielle 3D-, digitale Zwillings- und Designarbeitsabläufe aufbauen. Sie sind die „Datenzugangspunkte“, über die die reale Welt in das Modell gelangt. Dritte Ebene · Raumwahrnehmung: OUST, MBLY

Lidar, maschinelles Sehen – sie sind dafür verantwortlich, die physische Umgebung in von Maschinen lesbare Raumdaten umzuwandeln. Ohne diese Ebene ist alles andere ein Luftschloss; aber dieser Bereich ist auch am stärksten umkämpft, hier zählen vor allem Kosten und Konsistenz. Vierte Ebene · Endgeräte und praktische Umsetzung: TSLA, SYM

Diejenigen, die KI wirklich in der realen Welt einsetzen. Die Flexibilität ist am größten, aber das Risiko ist auch am konzentriertesten: Dass das Modell laufen kann, bedeutet nicht, dass Roboter in großem Maßstab ausgeliefert werden können; dass die Simulation funktioniert, bedeutet nicht, dass sie problemlos auf die reale Welt übertragen werden kann. In der nächsten Zeit sollten Sie nicht nur darauf achten, wie beeindruckend die Demonstrationsvideos sind, sondern auf diese drei Dinge: Ob die Simulation das Training vor Ort wirklich verringert, ob synthetische Daten die Erfolgsrate der Modelle wirklich erhöhen und ob Kunden bereit sind, dafür dauerhaft zu zahlen. Bei der letzten KI-Revolution wurde das menschliche Wissen in Token umgewandelt. Die nächste Runde wird möglicherweise die gesamte reale Welt in berechenbare, simulierbare und trainierbare Daten umwandeln.

Sprache hat die KI dazu gebracht, Menschen zu verstehen; und 3D wird die KI möglicherweise dazu bringen, wirklich in diese Welt einzutreten.

Dieser Artikel stammt aus „US Stock Investment Network“ und wird von 36Kr mit Genehmigung veröffentlicht.