Das allgemeine Großmodell rückt näher, wer zahlt für das Weltmodell?

„Wir haben keine speziellen Programme für diese Aktionen geschrieben. Es sieht den Farbteller zum Reinigen der Pinsel daneben, geht selbst hin, reinigt den Pinsel und malt weiter.“ Am 22. Oktober stellte Wang Xingxing, Gründer und Vorsitzender der Unitree Robotics (688836.SH), auf der Weltkonferenz für Physikalische KI 2026 einen internen Test vor, bei dem GPT-6 von OpenAI Roboter ohne spezielle Schulung direkt zum Malen steuerte.

Wang Xingxing äußerte mit Bedauern, dass der Glaube der Menschen an KI eigentlich noch nicht ausreicht, auch bei ihm selbst. Am 4. November erklärte er auf dem Wuzhen-Gipfel der Weltinternetkonferenz 2026 erneut, dass die weltweit führenden multimodalen Großmodelle das Problem der Aufgabenplanung inzwischen sehr gut gelöst haben, und das nächste Jahr wird höchstwahrscheinlich der Wendepunkt für die Roboterbranche und die Robotermodelle sein.

Die multimodalen Großmodelle, von denen Wang Xingxing spricht, beziehen sich hauptsächlich auf allgemeine Großmodelle wie GPT, Gemini und Claude. Solche Modelle waren ursprünglich große Sprachmodelle, die ursprünglich das nächste Wort basierend auf dem vorherigen Text vorhersagen sollten, danach wurden sie schrittweise mit Fähigkeiten zur Bild- und Videoverarbeitung ausgestattet, und die Trainingsdaten stammen hauptsächlich aus dem Internet.

GPT-6 Astra, das OpenAI im September dieses Jahres veröffentlicht hat, erweitert die Fähigkeiten solcher Modelle von der Aufgabenplanung auf die direkte Steuerung von Robotern.

Das Team der Roboterbewertungsplattform RoboDojo wies gemeinsam mit Forschern von Einrichtungen wie der Universität Hongkong und der Tsinghua-Universität in einem am 21. September veröffentlichten Papier darauf hin, dass Astra ohne Feinabstimmung für spezifische Aufgaben eine durchschnittliche Erfolgsrate von 22,48 % bei den Simulationsaufgaben von RoboDojo erreicht, während die vorherige Generation GPT-5.5 nur 0,88 % erreichte. Dieses Ergebnis übertraf zeitweise alle veröffentlichten dedizierten Robotermodelle auf der RoboDojo-Liste.

Das Erscheinen von leistungsstarken allgemeinen Großmodellen wie GPT-6 Astra lässt in gewissem Maße Zweifel aufkommen, ob die Entwicklungsrichtung des Weltmodells (World Model), das speziell dafür ausgelegt ist, KI das Verständnis der physischen Welt zu ermöglichen, bereits widerlegt wurde. Oder anders ausgedrückt: Da allgemeine Großmodelle auch Roboter steuern können, scheint es mit der weiteren Verbesserung der Modellfähigkeiten nicht mehr notwendig zu sein, speziell Weltmodelle zu entwickeln.

Ist das wirklich der Fall?

Was können allgemeine Großmodelle ersetzen

Ein Weltmodell bezieht sich ursprünglich auf ein Modell, das den Zustand der Welt im nächsten Moment basierend auf dem aktuellen Zustand und einer bestimmten Aktion vorhersagen kann, beispielsweise vorhersagen kann, ob ein Wasserbecher vom Tisch fällt, nachdem ein Roboterarm ihn geschoben hat. In den letzten zwei Jahren ist das Weltmodell populär geworden, und seine Bedeutung hat sich mit dem Fortschritt der KI ständig verändert.

Bereits 1943 stellte der britische Psychologe Kenneth Craik die These auf, dass im menschlichen Gehirn ein kleines Modell der realen Welt existiert, mit dem Menschen vor einer Handlung das Ergebnis vorhersehen können.

Vom Ende der 1980er bis Anfang der 1990er Jahre fand dieser Gedanke Eingang in die Forschung neuronaler Netze. Die Forscher David Ha und Jürgen Schmidhuber veröffentlichten 2018 das Papier „World Models“, in dem die KI zuerst die Veränderungsregeln der Umgebung lernen und dann in dem erlernten Modell trainieren lässt. Der Name des Weltmodells verbreitete sich daraufhin schrittweise im Bereich des tiefen Lernens.

In den folgenden Jahren war das Weltmodell hauptsächlich ein Forschungsrichtung in der akademischen Welt. Der Turing-Preisträger Yann LeCun veröffentlichte 2022 ein Papier, in dem er dafür eintrat, Maschinenintelligenz mit dem Weltmodell als Kern aufzubauen. Nachdem große Sprachmodelle zum Mainstream der Branche geworden waren, kritisierte er öffentlich noch immer, dass solche Modelle kein Verständnis für die physische Welt haben.

Ab 2024 ist die Popularität des Weltmodells deutlich gestiegen, da Videogenerierung, Roboter und autonomes Fahren alle solche Fähigkeiten benötigen.

Im Februar 2024 veröffentlichte OpenAI das Videogenerierungsmodell Sora, dessen technischer Bericht den Titel „Videogenerierungsmodelle als Weltsimulatoren“ trägt. Im September desselben Jahres stellte World Labs, gegründet von der chinesisch-amerikanischen KI-Wissenschaftlerin Li Feifei, öffentlich vor und erhielt eine Finanzierung von 230 Millionen US-Dollar, dessen Ziel es auch ist, KI das Verständnis der dreidimensionalen physischen Welt zu ermöglichen.

Im Januar 2025 veröffentlichte NVIDIA die Weltmodellplattform Cosmos, um Trainingsdaten für Roboter und autonomes Fahren zu generieren. Jensen Huang, Gründer und CEO von NVIDIA, erklärte, dass der „ChatGPT-Moment“ im Roboterbereich kurz bevorstehe.

Daraufhin wurde die Weltmodell-Spur von Kapital begeistert aufgenommen. Nachdem Yann LeCun Ende 2025 Meta verlassen hatte, gründete er das Weltmodell-Unternehmen AMI Labs und kündigte im März dieses Jahres eine Finanzierung von 1,03 Milliarden US-Dollar an. Die These dieses Unternehmens lautet: Echte Intelligenz beginnt nicht mit der Sprache, sondern mit der Welt. Im September kündigte AMD an, World Labs für etwa 8,2 Milliarden US-Dollar übernehmen zu wollen.

Relevante Statistiken des Marktforschungsinstituts VentureTong zeigen, dass es 2025 23 Finanzierungsereignisse im Bereich der physischen KI und der Weltmodelle gab, und seit Anfang 2026 hat die Zahl bereits 100 überschritten.

In einem im Juni dieses Jahres veröffentlichten Artikel erklärte World Labs, dass das Weltmodell einer der Begriffe mit der gemischtesten Bedeutung im aktuellen KI-Bereich ist, und teilte es nach den Ausgaben in drei Kategorien ein: Erstens die Generierung von Bildern, die für Menschen sichtbar sind, zweitens die Simulation physischer Zustände und drittens die Bestimmung der nächsten Aktion.

All diese drei Arten von Arbeiten werden inzwischen von allgemeinen Großmodellen abgedeckt.

Im Hinblick auf die Generierung von Bildern verfügen die von Unternehmen für allgemeine Großmodelle eingeführten Videogenerierungsmodelle bereits über diese Fähigkeit. Dennoch teilte Lin Meibing, Chefanalyst von ICTIME, dem Reporter von Economic Observer mit, dass realistische Bilder nicht gleichbedeutend damit sind, dass das Modell die physikalischen Gesetze versteht. Ein Videogenerierungsmodell, das keine Aktionseingaben akzeptiert, kann streng genommen noch nicht als Weltmodell bezeichnet werden.

Im Hinblick auf die Simulation physischer Zustände greifen allgemeine Großmodelle auf fertige Tools zurück. Ein von Zheshang Securities am 21. Oktober 2026 veröffentlichter Forschungsbericht weist darauf hin, dass Astra bereits die dreidimensionale Software Blender aufrufen kann, um den realen Raum wiederherzustellen, und Googles Gemini 4 Argon Parameter wie die Reibung anpassen kann, bevor die Physik-Engine den Kontakt und die Bewegung berechnet. Das heißt, allgemeine Großmodelle müssen die physikalischen Gesetze nicht unbedingt selbst beherrschen.

Im Hinblick auf die Bestimmung der nächsten Aktion haben sich die Fähigkeiten allgemeiner Großmodelle in letzter Zeit am stärksten verändert. Simulationsprüfungen, die das Roboterlabor von NVIDIA in Seattle im Oktober veröffentlicht hat, zeigen, dass bei 120 Greif- und Platzierungsaufgaben die Erfolgsrate von Astra ohne spezielle Feinabstimmung für Roboter 66,3 % beträgt, das von NVIDIA auf Basis des Weltmodells Cosmos entwickelte Robotermodell 36,8 % erreicht und das von dem amerikanischen Unternehmen PhysicalIntelligence speziell für Roboter trainierte Modell π0.5 nur 28 % erreicht.

Aber bei der Ausführungsgeschwindigkeit ist die Reihenfolge der drei Modelle genau umgekehrt: Bei der oben genannten Prüfung benötigt Astra bei der direkten Ausgabe von Aktionen durchschnittlich 18,56 Sekunden pro Aufruf, das Modell von NVIDIA etwa 0,71 Sekunden und π0.5 nur etwa 47 Millisekunden.

Die Robotersteuerung stellt sehr hohe Anforderungen an die Geschwindigkeit. Yao Maoqing, stellvertretender Präsident von Unitree Robotics und Präsident des Embodied-Geschäftssystems, hat dem Reporter von Economic Observer zuvor mitgeteilt, dass das Steuersystem von Unitree in drei Schichten unterteilt ist: Die unterste Schicht kommuniziert mit den Motoren mit 1000 Mal pro Sekunde, die mittlere Schicht ist für die Bewegungsplanung mit 10 bis 20 Mal pro Sekunde verantwortlich, und die oberste Schicht ist für die Aufgabenplanung zuständig. Das heißt, für Roboter kann die Geschwindigkeit allgemeiner Großmodelle nicht mit den beiden unteren Schritten mithalten, und sie eignen sich derzeit eher für die oberste Schicht.

„Die Zeit, die ein Großmodell für einen Denkschritt braucht, kann in der Produktionslinie nicht gewartet werden“, sagte ein Produktmanager eines führenden Roboterunternehmens in Shenzhen dem Reporter von Economic Observer. Bei der spezifischen Vorgehensweise lässt das Unternehmen das Großmodell die Aufgaben verstehen und die Schritte zerlegen, aber die spezifischen Aktionen werden weiterhin von selbst trainierten Aktionsmodellen bearbeitet.

Neben der Geschwindigkeit ist die Betriebspräzision auch eine Schwachstelle allgemeiner Großmodelle. Am 5. November erklärte Wang Xingxing während der 9. China International Import Expo, dass die größte Herausforderung derzeit nicht die unzureichende Verständnisfähigkeit des Modells ist, sondern dass bei der Ausführung in der physischen Welt „es eine größere Abweichung bei den letzten paar Millimetern gibt“.

Bei den von dem unabhängigen Bewertungsteam Robocurve im September dieses Jahres veröffentlichten Prüfungen mit echten Geräten schaffte Astra es, Blöcke in eine Schüssel zu legen, 19 Mal von 20 Versuchen erfolgreich, aber bei dem Einfügen von präzisen Puzzleteilen gelang es nur 2 Mal von 20 Versuchen.

Die Schwachstelle bei der Präzision hängt mit den Trainingsdaten zusammen. „Das Videolernen kann allgemeinen Großmodellen zeigen, dass ein Mensch einen Becher aufhebt, aber es sagt ihnen nicht, wie sich der Roboterarm bewegen soll“, sagte der oben genannte Produktmanager. Die Aktionen des Roboterarms hängen von den Daten echter Geräte ab, also den Daten, die bei der tatsächlichen Bedienung durch den Roboter erfasst werden.

Huang Xiaohuang, Vorsitzender des 3D-Designsoftwareunternehmens Coohom (00068.HK), erklärte auf dem Wuzhen-Gipfel am 3. November, dass der Grund, warum große Sprachmodelle am stärksten sind, darin liegt, dass das Internet riesige Mengen an Textdaten hinterlassen hat, die kostenlos erfasst werden können, aber die Daten der physischen Welt können nur von Menschen oder Robotern erfasst werden, und die Kosten sind nach wie vor sehr hoch.

Eine weitere Schwachstelle allgemeiner Großmodelle besteht darin, die Folgen von Aktionen in der tatsächlichen Bedienung vorherzusehen. Forscher von Einrichtungen wie der Nanjing-Universität, der Nanyang Technologischen Universität und der Peking-Universität wiesen in einem am 20. Oktober veröffentlichten Papier darauf hin, dass es einen deutlichen Unterschied zwischen dem Verständnis von Aufgaben durch Astra und der tatsächlichen Ausführung gibt, wobei die Probleme hauptsächlich bei der Vorhersage der Folgen von Aktionen, der Präzision und der Koordination komplexer Aktionen liegen.

Und das Vorhersagen von Folgen ist genau die Hauptaufgabe des Weltmodells, und selbst Unternehmen für allgemeine Großmodelle entwickeln selbst Weltmodelle.

Am 27. Oktober veröffentlichte Google DeepMind die Vorschauversion der Forschung zum Weltmodell Genie4, wobei das allgemeine Großmodell Gemini für die Zerlegung von Zielen und die Anpassung von Plänen zuständig ist, und Genie4 dafür sorgt, die folgenden Ereignisse zu simulieren. Die beiden arbeiten zusammen, um zu simulieren, dass ein humanoider Roboter Dame spielt.

Zumindest vorerst muss das Vorhersagen von Folgen noch von Weltmodellen erledigt werden.

Der Druck auf reine Weltmodell-Unternehmen „steigt täglich“

Die Fähigkeit, Folgen vorherzusehen, hat ihren Wert, aber es scheint nicht viele Käufer zu geben, die speziell für Weltmodelle bezahlen.

Das Ausprobieren mit Fehlern in der physischen Welt unterscheidet sich von dem in der digitalen Welt: Wenn ein Großmodell falschen Code schreibt, kann er korrigiert und erneut ausgeführt werden; wenn ein Roboterarm einen Wasserbecher umstößt, kann der Fehler nicht rückgängig gemacht werden. Je höher die Kosten für das Ausprobieren mit Fehlern sind, desto größer ist der Wert der Vorhersage im Voraus.

Aber diese Fähigkeit muss nicht unbedingt von einem spezialisierten Weltmodell-Unternehmen bereitgestellt werden: Roboterunternehmen und Automobilhersteller entwickeln sie meist selbst oder nutzen offene Modelle; Chipunternehmen geben die Modelle frei, um die Nachfrage nach Rechenleistung zu steigern.

Eine gängige Vorgehensweise in der Roboterbranche ist es, das Weltmodell in das selbst trainierte Aktionsmodell zu integrieren. Guo Yandong, Gründer und CEO des Roboterunternehmens Robosquare, hat beispielsweise erklärt, dass die Reihenfolge der Schritte beim Aufbrühen von Tee von dem Sprachmodell abhängt, und Vorhersagen wie dass ein Wasserbecher, der nah an der Tischkante steht, herunterfallen könnte, hängen von dem Weltmodell ab. Ohne die Integration des Weltmodells lassen sich viele Aufgaben überhaupt nicht erledigen.

Derzeit nutzen Roboterunternehmen Weltmodelle hauptsächlich für zwei Dinge: Erstens die Simulation möglicher Auswirkungen vor der Ausführung von Aktionen, und zweitens die Generierung von Simulationsdaten. Bei beiden Anwendungen ist das Weltmodell nur ein Teil des gesamten Modellsystems des Roboterunternehmens.

Der oben genannte Produktmanager sagte, dass es auf dem Markt bereits kostenlose Weltmodelle gibt, und das Unternehmen zieht es vor, Gelder in Daten und Modell-Feinabstimmung zu investieren, anstatt speziell Weltmodelle zu kaufen.

Einer der Anziehungspunkte des Weltmodells besteht darin, kostengünstige Videodaten zu nutzen, um die Menge der erfassten Daten von echten Geräten zu reduzieren, aber nach umfassender Berechnung sind die Kosten nicht unbedingt niedriger.

Nach Angaben des oben genannten Produktmanagements gibt es zwei Vorgehensweisen: Die eine besteht darin, das Weltmodell zuerst mit Internetvideos zu trainieren, was Daten in der Größenordnung von Millionen von Stunden erfordert, und dann mit hochwertigen Roboter-Daten von Dutzenden bis zu Hunderten von Stunden feinabzustimmen. Die andere besteht darin, das Aktionsmodell direkt zu trainieren, was insgesamt Tausende von Stunden an Daten erfordert, von denen die meisten Daten von echten Geräten sind, mit Kosten von etwa 300 bis 1000 Yuan pro Stunde. Ersteres hat einen niedrigen Einzelpreis, aber einen großen Verbrauch, letzteres hat einen hohen Einzelpreis, aber einen kleinen Verbrauch, und die Gesamtkosten der beiden Vorgehensweisen können ähnlich sein.

Im Vergleich zu Videodaten legen Roboterunternehmen mehr Wert auf Daten von echten Geräten. Mo Lei, Vizepräsident von Robosquare, sagte kürzlich in einem Interview mit dem Reporter von Economic Observer, dass Daten von echten Geräten für die anschließende Leistungssteigerung des Modells entscheidender sind: „Die Vielfalt der Daten ist wichtiger als die Menge der Daten“.

Die Situation bei Automobilherstellern ist ähnlich: Die führenden Unternehmen im Bereich intelligente Autos entwickeln sie meist selbst oder entwickeln sie auf Basis offener Modelle weiter.

Das von XPeng Motors (09868.HK) im April dieses Jahres veröffentlichte Weltmodell X-World wurde auf Basis des quelloffenen Videogenerierungsmodells WAN2.2 von Alibaba (09988