Mehr als 60 Milliarden Yuan wurden in die "nicht klar zu definierende" Technologie gesteckt: Das Kapital zahlt derzeit für die Definition des "Weltmodells".
66,6 Milliarden Yuan wurden heiß in Weltmodelle investiert, das Konzept ist weit verbreitet, die Technologie bleibt weit hinter den Erwartungen zurück.
In den ersten sieben Monaten des Jahres 2026 hat der inländische Primärmarkt 66,6 Milliarden Yuan in das Konzept des „Weltmodells“ investiert. Von 64 „Weltmodell“-Unternehmen haben 58 eine Finanzierung erhalten, die Finanzierungs-Erfolgsquote liegt bei fast 90 %: Jiajie Shijie sammelte in drei Monaten 3,5 Milliarden Yuan ein, und seine Bewertung stieg auf 3 Milliarden US-Dollar; Shengshu Technology verbreitete Nachrichten über einen Börsengang an der Hongkonger Börse; der jährliche wiederkehrende Umsatz von Runway überschritt 200 Millionen US-Dollar, mit einer Bewertung von 5,3 Milliarden US-Dollar. Diese Zahlen haben das Konzept des „Weltmodells“ angeheizt, aber Li Feiwei, Mitbegründer und CEO von World Labs, hat mit einem Satz kalte Wasser geschüttet: Das Weltmodell ist „einer der wichtigsten und gleichzeitig am meisten missbrauchten Begriffe“ im Bereich der KI.
Zwischen dem Finanzierungsvolumen von über 60 Milliarden Yuan und dem technischen Kerninhalt des weit gefassten Konzepts des „Weltmodells“ klafft eine riesige Lücke bei der Definition.
01
Derselbe Korb
nimmt mehrere Arten von Geschäften auf
Wang Zhongyuan, Direktor des Instituts für Intelligenzquellen, hat auf der Konferenz für Intelligenzquellen 2026 die Dinge, die als „Weltmodell“ bezeichnet werden, in vier Kategorien unterteilt: sprachzentriert, pixelzentriert, auf dreidimensionalen Strukturen ausgerichtet und auf visuelle Repräsentationen ausgerichtet. Li Feiweis Einteilung ist prägnanter: Das, was Pixel ausgibt, ist ein Renderer, das, was Zustände der Umgebung ausgibt, ist ein Simulator, das, was Aktionsanweisungen ausgibt, ist ein Planer (manchmal auch als „Entscheider“ bezeichnet). Die beiden Klassifizierungssysteme weisen auf dieselbe Tatsache hin: Marble von World Labs, GWM Worlds 2 von Runway, GigaWorld von Jiajie Shijie und Guanglun Intelligent machen keineswegs dasselbe Ding, sondern werden alle durch dasselbe Konzept definiert: das Weltmodell.
Der kommerzielle Kern von Marble ist ein Inhaltstool, das an Spieleentwicklungs-, Filmeffekt- und VR-Teams verkauft wird: Die Standardversion kostet 20 US-Dollar pro Monat, die Flaggschiffversion 95 US-Dollar pro Monat, beinhaltet 75 Generierungen und gewerbliche Nutzungsrechte. Marble liefer begehbare 3D-Szenen und optionale Kollisionsgitter, die Bewertungsdimensionen sind die Steuerung durch Ersteller und der Exportaustausch, nicht die Erfolgsrate von geschlossenen Regelkreisen. Sein Kernvorteil liegt in hoher 3D-Konsistenz und hoher Geschwindigkeit, der Nachteil ist das Fehlen von physikalischen Simulationen.
Runway geht einen anderen Weg: Im September 2026 veröffentlichte Runway das zweite Generation-Weltmodell GWM Worlds 2, das auf echtzeit-interaktive Weltsimulation abzielt und sich klar von einem „Videoanbieter“ zu einer „Simulationsgrundlage für physikalische KI“ neu positioniert. Es verkauft keine Videoclips, sondern die Simulationsschicht unter den Clips – eine Basis, die physikalische Gesetze aus Videos lernen und zum Trainieren von Robotern und autonomen Fahren verwendet werden kann. Mit einem jährlichen wiederkehrenden Umsatz von 200 Millionen US-Dollar und einem Umsatzmultiplikator von etwa 26,5 handelt es sich um eine Bewertungserzählung eines SaaS-Unternehmens, das zu einem Infrastrukturunternehmen aufsteigt, was kein gleichartiges Geschäft ist wie der Verkauf von Generierungsguthaben nach Abonnementhäufigkeit bei Marble.
Die Differenzierung im Inland ist ebenso stark. GigaWorld-1 von Jiajie Shijie erzielte in der WorldArena-Bewertung einen Gesamtwert von über 60 Punkten und übertraf damit Google, Nvidia und Alibaba. Gleichzeitig brachte das Unternehmen den Roboter-Körper Maker H01 auf den Markt, die Erzähllogik besteht darin, das Weltmodell in das „Gehirn“ der verkörperten Intelligenz zu integrieren. Shengshu Technology sammelte in zwei Monaten 2,6 Milliarden Yuan ein, die Bewertung nach der Finanzierung übersteigt 12 Milliarden Yuan. Sein Weg besteht darin, sich von der Videogenerierung an das „Weltmodell“ anzunähern, zuerst die Kommerzialisierung zum Laufen zu bringen und dann das Konzept zu aktualisieren. Zhixiang Future sammelte in drei Monaten über 2,1 Milliarden Yuan ein, stützt sich ebenfalls auf die durch Videogenerierung gesammelten Vorerfahrungen und ernährt sich zuerst mit Szenen wie Film und Marketing, die bereit sind, für „Generierungsergebnisse“ zu zahlen, anstatt gleich zu Beginn die harte Nuss der physikalischen Simulation zu knacken, deren Validierung drei bis fünf Jahre dauert. Außerdem gibt es Guanglun Intelligent: Es entwickelt keine Weltmodelle direkt, sondern liefert Simulationsdaten und Bewertungsinfrastruktur für Weltmodell-Teams. Alle drei weltweit führenden Weltmodell-Teams arbeiten mit ihm zusammen, über 80 % der Simulationsressourcen der weltweit führenden Teams für verkörperte Intelligenz stammen von ihm. Dieses Unternehmen wurde im März 2026 zum ersten Einhorn im globalen Bereich für verkörperte Daten, im Wesentlichen verkauft es „Schaufeln“ statt die Geschichte des Goldschürfens.
02
Die Genauigkeit des Renderings steigt
Die Punktzahl für physikalisches Verständnis bleibt unverändert
Die Hitze auf der Finanzierungsseite und die Kälte auf der technischen Seite bilden eine wenig ansehnliche Gegenüberstellung.
Der S-Lab der Nanyang Technological University veröffentlichte im Juli 2026 den Apple-π-Benchmark, das erste Bewertungstool für Videomodelle mit physikalischen Gesetzen als Kern. Es testet nicht, ob das Bild gut aussieht, sondern ob das Modell physikalische Größen wahrnehmen, die herrschenden Gesetze formulieren und die nachfolgende Bewegung ableiten kann, die den Gesetzen entspricht. 11 repräsentative Modelle nahmen teil, die beste Punktzahl betrug nur 0,473, die Schlussfolgerung lautet, dass das physikalische Bewegungsschlussfolgern der Hauptengpass ist. Ein Paper der WACV 2026 geht noch direkter vor: Eine Reihe aktueller Modelle wie Sora von OpenAI, Runway, Pika von Pika Labs und Lumiere von Google Research hat „äußerst begrenztes“ physikalisches Verständnis, und diese Einschränkung hat nichts mit der visuellen Realitätsnähe zu tun: Je realistischer das Bild ist, desto leichter lässt man sich täuschen, dass das Modell „versteht“, aber ob es aussieht wie das Original und ob es wirklich versteht, sind zwei verschiedene Dinge.
Konkretere Probleme treten bei Weltmodellen mit Aktionsbedingungen auf. Der gemeinsam von der Princeton University, der University of Texas at Austin, Nvidia und Zhiyuan vorgeschlagene WorldOracle-Benchmark vergleicht die Vorhersagen des Modells mit den Aufzeichnungen echter Roboteroperationen und entdeckt ein fast schwarz-humoristisches Muster: Der Bewegungspfad des mechanischen Arms wird ziemlich genau vorhergesagt, aber ob das Objekt gegriffen wurde und wohin es nach dem Greifen gebracht wurde, „erfindet“ das Modell oft als erfolgreich, was sehr an den „Geist von Ah Q“ erinnert. Bei IRASim von ByteDance beträgt die Punktzahl des mechanischen Arms 78,8, die für das betriebene Objekt nur 29,1; bei Cosmos 3 von Nvidia liegt der Wert bei 89,4 gegenüber 45,4. Wenn die Vorhersagezeit verlängert wird, sinkt die Punktzahl von DreamDojo, einem anderen Modell von Nvidia, von 50,56 auf 27,08, und die von Cosmos 3 sinkt von 53,99 auf 26,60, fast halbiert. Zwischen einem Modell, das im Video den Roboter „so aussehen lässt, als habe er die Aufgabe erledigt“, und einem Modell, das den echten mechanischen Arm dazu bringen kann, auf einem unübersichtlichen Tisch nicht ins Leere zu greifen und keine Tasse umzustoßen, klafft eine ganze technische Lücke, die aus physikalischer Simulation, Langzeitstabilität und Validierung an echten Geräten besteht.
Die gemessenen Rückmeldungen von Marble bestätigen dieselbe Sache: Die Licht- und Schattenübergänge bei kurzen Bewegungen sind kohärent, die Innenraumszenen sehen gut aus, aber bei großräumigen Bewegungen treten Verzerrungen auf, in Außenszenen ist das Erlebnis „ziemlich negativ“. Ein Entwickler äußerte sich auf Hacker News offen: „Als ‚Weltmodell‘ scheint es nicht wirklich zu verstehen, was ein physischer Raum ist.“ Dies ist kein einzelner Mangel von Marble. Die überwiegende Mehrheit der Produkte, die derzeit unter dem Namen „Weltmodell“ eingeordnet werden, macht rasche Fortschritte bei der „Generierung von Dingen, die vernünftig aussehen“, während die Fortschritte bei der „Vorhersage des physikalisch wirklich Richtigen“ langsam sind. Und letzteres ist genau der gesamte Wert von Simulatoren und Planern (Entscheidern).
03
Das Kapital setzt im Rhythmus der Branchenspuren
Die Technologie klettert im Rhythmus der Disziplinen
Die Signale auf der politischen Seite sind klar, aber die Wortwahl ist bemerkenswert: Der „15. Fünfjahresplan“ listet das „Weltmodell“ als voranzutreibende Spitzentechnologie auf, die Staatliche Verwaltung für Marktregulierung arbeitet eifrig an der Entwicklung nationaler Standards und will klar „schnell einen Branchenkonsens herbeiführen“. Derzeit existiert der Konsens noch nicht. Mit den Worten von Wang Zhongyuan: „Was genau die Definition des Weltmodells ist, darüber haben sich die Beteiligten noch nicht geeinigt.“ In einem Bereich, dessen Grenzen und Definitionen noch nicht festgelegt sind, strömen jedoch zuerst 66,6 Milliarden Yuan und 58 finanzierte Unternehmen ein. Die Filterkosten werden an die nachgelagerten Parteien verlagert – Automobilhersteller, Roboterunternehmen und Fabriken. Sie müssen unter dem Etikett „Weltmodell“ selbst unterscheiden, ob das vorliegende Produkt ein nützliches Rendering-Tool, eine noch ungenaue Simulationsumgebung oder ein echtes Entscheidungsmodul ist, das den Arm zur Ausführung von Aktionen steuern kann.
Der jährliche wiederkehrende Umsatz von Runway ist real, die Bewertungspunkte von Jiajie Shijie sind real, und die 0,473 von Apple-π sind ebenfalls real. Das Problem liegt nicht darin, dass jemand sein Produkt „verschönert“, sondern dass nachdem verschiedene Arten von Produkten in dasselbe Bewertungskoordinatensystem gesteckt wurden, ein versetztes Zeitfenster zwischen dem Exit-Rhythmus des Kapitals und dem Reifegrad der Technologie entstanden ist. Renderer können mit Abonnements innerhalb von zwei Jahren eine schöne jährliche Umsatzkurve erzielen, der Wert von Simulatoren muss drei bis fünf Jahre lang durch Akkumulation von Daten an echten Geräten validiert werden, und die Kommerzialisierung von Entscheidern wird zwangsläufig noch später stattfinden. Wenn alle drei das Etikett „Weltmodell“ und dieselbe Erzählung von der „nächsten Generation der allgemeinen KI-Infrastruktur“ teilen, wird die Art, die zuerst den Umsatz realisiert, zuerst die Markterwartung an den Preis des Konzepts „Weltmodell“ definieren, während die Art, die wirklich an physikalischem Verständnis arbeitet, stattdessen in einem angehobenen Bewertungsrahmen beweisen muss, dass sie diese Zahl wert ist.
Die Zahl von 66,6 Milliarden Yuan kauft keine Technologie mit klarer Definition, sondern eine Definitionsmacht, um die derzeit gekämpft wird. Der Kampf um die Definitionsmacht ist nie nur eine akademische Debatte – Wer das Recht hat, zu sagen, was ein „Weltmodell“ ist, hat auch das Recht, den Bewertungsanker für die nächste Finanzierungsrunde festzulegen. Was die Zeit betrifft, zu der die Fähigkeit zum physikalischen Verständnis die Rendergenauigkeit einholt: Die 0,473 von Apple-π wird nicht automatisch zu 0,8, nur weil hinter dem Finanzierungsbetrag eine zusätzliche Null steht. Dies ist ein Ingenieur- und Wissenschaftsproblem, und Ingenieurwesen und Wissenschaft nehmen nicht an Roadshows teil. Diese Versetzung wird auch nicht automatisch verschwinden, sobald die nächste Finanzierung eingegangen ist.
Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „Caineng Quan“ und wird von 36Kr mit Genehmigung veröffentlicht.