Glossareintrag

Was bedeutet
Weltmodell bei KI/AI (World Model, World Foundation Model)?

Wir denken. KI tippt mit.

Lesezeit: 9 Minuten
Veröffentlicht: 23.09.2026
Aktualisiert: 27.10.2026

Weltmodell bei KI/AI (World Model, World Foundation Model)

Definition:

Ein Weltmodell (englisch: World Model) ist ein KI-Modell, das aus Daten lernt, wie sich eine Umgebung verhält. Sobald ein Roboter, ein Fahrzeug oder eine Software eine bestimmte Handlung ausführt, sagt es voraus, was als Nächstes passiert. So spielt die Maschine eine Bewegung erst intern durch und führt sie danach aus. Google DeepMind beschreibt Weltmodelle bei der Vorstellung von Genie 3 als KI-Systeme, die ihr Verständnis der Welt nutzen, um Teile davon zu simulieren. Agenten sehen damit voraus, wie sich eine Umgebung entwickelt und wie ihre eigenen Aktionen sie verändern.

Ein World Foundation Model (WFM) ist ein Weltmodell als Basismodell. Nvidia verwendet den Begriff seit der Vorstellung der Cosmos-Plattform auf der CES im Januar 2025. Das Cosmos-Paper von Nvidia nennt es ein Allzweck-Weltmodell, das Entwickler für den eigenen Roboter oder das eigene Fahrzeug nachtrainieren.

Der Unterschied zum Sprachmodell liegt in der Vorhersage. Ein Sprachmodell berechnet das nächste Wort. Ein Weltmodell berechnet den nächsten Zustand der Umgebung (abhängig von einer Aktion). Weltmodelle gehören zum Kern von Physical AI, also von KI in Robotern, Fahrzeugen und Maschinen.

Beschreibung:

Wer einen Ball fängt, rechnet nicht. Das Gehirn schätzt die Flugbahn aus Erfahrung und bewegt die Hand dorthin, wo der Ball gleich sein wird. Ein Weltmodell gibt einer Maschine dieselbe Fertigkeit. Meta nennt bei der Vorstellung von V-JEPA 2 drei Aufgaben: die Beobachtung verstehen, die Folgen einer Handlung vorhersagen und daraus eine Abfolge von Handlungen planen.

Populär wurde die Bauform aus dem Paper „World Models“ von David Ha und Jürgen Schmidhuber (2018). Ein erstes neuronales Netz verdichtet jedes Kamerabild auf wenige Kennzahlen. Ein zweites sagt aus diesen Kennzahlen und der gewählten Aktion den nächsten Zustand voraus. Ein winziges drittes Netz entscheidet, was zu tun ist. Für ein Szenario des Ego-Shooters Doom trainierten die Autoren ihren Agenten komplett in der Vorhersage seines eigenen Weltmodells (im Paper „Traum“ genannt). Zunächst nutzte der Agent die Fehler seines Weltmodells aus. Erst als die Autoren den Traum unberechenbarer einstellten, bestand er auch im echten Spiel.

Der Algorithmus Dreamer hat laut der Dreamer-Studie in Nature (2025) bei mehr als 150 verschiedenen Aufgaben die darauf spezialisierten Verfahren übertroffen. Dafür genügte ihm eine einzige Einstellung. Er sammelte als erster Algorithmus von Grund auf Diamanten in Minecraft, ohne menschliche Beispieldaten und ohne vorgegebene Lernstufen. Die Methode dahinter heißt modellbasiertes Reinforcement Learning (Lernen durch Belohnung, eine Spielart des maschinellen Lernens). Die KI übt in der eigenen Vorstellung statt in der teuren Wirklichkeit.

Die Idee ist mehr als 80 Jahre alt. Der Psychologe Kenneth Craik beschrieb 1943 in „The Nature of Explanation“ ein verkleinertes Modell der Wirklichkeit im Kopf, mit dem ein Lebewesen Alternativen durchspielt. Jürgen Schmidhuber kombinierte 1990 ein steuerndes Netz mit einem vorhersagenden. Richard Sutton schrieb 1991 in der Zusammenfassung seiner Dyna-Architektur bereits wörtlich von „world models“.

Zwei Bauweisen konkurrieren:

  • Generative Weltmodelle erzeugen die Zukunft als Bild oder Video. Genie 3 von Google DeepMind baut aus einem Textbefehl eine begehbare Welt in 720p mit 24 Bildern pro Sekunde. Das Ergebnis dient außerdem als synthetisches Trainingsmaterial für Roboter und Fahrzeuge.
  • JEPA-Modelle (Joint Embedding Predictive Architecture) sagen eine abstrakte Beschreibung der Szene voraus statt einzelner Pixel. Der Turing-Preisträger Yann LeCun begründet das im Meta-Beitrag zu seiner KI-Architektur mit dem Autofahren. Ein Fahrer muss ahnen, was die Autos um ihn herum tun. Die Lage einzelner Blätter an den Bäumen muss er nicht vorhersagen. V-JEPA 2 lernte aus mehr als einer Million Stunden Video und einer Million Bildern. Nach nur 62 Stunden Roboterdaten steuerte es Roboterarme in unbekannten Umgebungen. Beim Aufnehmen und Ablegen neuer Objekte lag die Erfolgsquote mit bildlichen Zwischenzielen bei 65 bis 80 Prozent.

Die Stanford-Informatikerin und World-Labs-Gründerin Fei-Fei Li sortiert das Feld in ihrer Taxonomie der Weltmodelle nach dem Zweck. Renderer erzeugen Bilder für das menschliche Auge. Simulatoren bilden Geometrie und Physik korrekt nach. Planner geben Handlungen aus.

Wichtige Weltmodelle (Stand September 2026):

  • Nvidia Cosmos 3: Das am 31.05.2026 vorgestellte Cosmos 3 versteht und erzeugt Text, Bilder, Video, Umgebungsgeräusche und Roboteraktionen. Die Modelle stehen laut der Cosmos-Produktseite von Nvidia unter der offenen Lizenz OpenMDW 1.1 der Linux Foundation (Open Weights).
  • Google DeepMind Genie 3: Seit Januar 2026 können Abonnenten von Google AI Ultra in den USA das Modell über Project Genie ausprobieren. Die Erzeugung ist dort auf 60 Sekunden begrenzt. Am 27. Oktober 2026 stellte DeepMind den Nachfolger Genie 4 vor, der erstmals Ton und sprechende Figuren erzeugt und sich per Textzeile live umbauen lässt.
  • Waymo World Model: Das Modell baut auf Genie 3 auf und erzeugt Kamera- und Lidar-Daten. Laut der Ankündigung des Waymo World Model bereitet Waymo seine Fahrsoftware damit auf Situationen vor, die sich im Straßenverkehr kaum sammeln lassen (Tornados, Überflutungen, ein Elefant auf der Fahrbahn).
  • World Labs Marble und Atlas: Marble erzeugt aus Text, Fotos oder Video eine dauerhaft begehbare 3D‑Welt. Das am 01.09.2026 vorgestellte Basismodell Atlas verarbeitet Text, Bild, Video und 3D in einem Modell. Es soll künftige Marble-Versionen antreiben und ist bisher nur für ausgewählte Partner zugänglich.
  • Wayve GAIA-4: Das britische Unternehmen simuliert mit GAIA-4 Kamera- und Radardaten. Es prüft damit, wie der eigene Fahr-Computer ohne den Eingriff des Sicherheitsfahrers reagiert hätte.
  • Runway GWM-1: Das Video-KI-Unternehmen stellte im Dezember 2025 mit GWM-1 drei Varianten für begehbare Welten, sprechende Avatare und Robotertraining vor.
  • AMI Labs: Yann LeCun hat Meta verlassen und baut mit dem Pariser Start-up Weltmodelle nach dem JEPA‑Prinzip. Im März 2026 sammelte AMI Labs 1,03 Milliarden US-Dollar ein.

Ein Videogenerator ist nicht automatisch ein Weltmodell. OpenAI nannte Videomodelle 2024 im technischen Bericht zu Sora einen vielversprechenden Weg zu allgemeinen Simulatoren der physischen Welt. Derselbe Bericht gesteht ein, dass Sora einfache Vorgänge wie zerspringendes Glas nicht korrekt abbildet. Ein Team rund um Google DeepMind prüfte mit dem Benchmark Physics-IQ mehrere Videomodelle, darunter Sora und Runway. Das Physik-Verständnis der Modelle war gering und hing nicht damit zusammen, wie echt die Videos aussahen.

Auch der digitale Zwilling und das BIM-Modell sind etwas anderes. Beide bilden ein bestimmtes Gebäude oder eine bestimmte Anlage ab. Ihren Aufbau legen Menschen fest, der Zwilling erhält seinen aktuellen Zustand zusätzlich laufend aus Messdaten. Auch die Regeln der Physik-Engine eines Simulators programmieren Entwickler. Ein Weltmodell lernt seine Regeln aus Daten und gilt für viele Umgebungen. Nvidia verwischt die Grenze und nennt das World Foundation Model im Cosmos-Paper einen digitalen Zwilling der physischen Welt.

Ob Sprachmodelle wie ChatGPT, Gemini oder Claude nebenbei ein Weltmodell lernen, ist offen. Ein nur mit Othello-Zügen trainiertes Modell bildete intern das Spielbrett ab, obwohl ihm niemand die Regeln gezeigt hatte. Wes Gurnee und Max Tegmark fanden in Llama-2 Koordinaten für Orte und Zeitpunkte. Sie sprechen vorsichtig von Grundzutaten eines Weltmodells. Ein mit Taxifahrten aus Manhattan trainiertes Modell sagte Abbiegungen fast immer gültig voraus. Die Studie von Keyon Vafa und Kollegen rekonstruierte daraus den Stadtplan im Modell und fand Straßen mit unmöglichen Richtungen und Überführungen, die es nicht gibt. Schon kleine erzwungene Umwege ließen die Routenplanung einbrechen.

Grenzen heutiger Weltmodelle:

  • Fehler summieren sich. Jede Vorhersage baut auf der vorherigen auf. Kleine Abweichungen wachsen mit jedem Schritt. Modellbasierte Verfahren planen deshalb oft nur kurze Strecken im Modell und gleichen danach mit echten Daten ab.
  • Kurze Dauer. Genie 3 hält eine Welt laut DeepMind einige Minuten stabil, das visuelle Gedächtnis reicht rund eine Minute zurück. Die Interaktion ist auf wenige Minuten begrenzt, nicht auf Stunden ausgelegt.
  • Lückenhafte Physik. Im Test IntPhys 2 von Meta erkennen Menschen physikalisch unmögliche Szenen fast fehlerfrei. Aktuelle Videomodelle liegen auf Zufallsniveau oder knapp darüber.
  • Lücke zur Praxis. Der Benchmark BEHAVIOR-1K bildet 1.000 Haushaltsaufgaben in einer Simulation ab. Selbst das beste Team der BEHAVIOR Challenge 2025 löste laut dem Technik-Kapitel des Stanford AI Index 2026 nur 12,4 Prozent solcher Aufgaben vollständig.

World Labs meldete im Februar 2026 eine Finanzierung über 1 Milliarde US-Dollar, unter anderem von Nvidia, AMD und Autodesk. Yann LeCun hält das Lernen von Weltmodellen für den möglichen Schlüssel zu einer KI auf menschlichem Niveau (oft AGI genannt).

Weltmodell bei KI/AI (World Model, World Foundation Model) für Unternehmen und Handwerker:

Ein Weltmodell ist für Handwerksbetriebe und lokale Unternehmen heute kein Werkzeug, das man bucht wie einen Chatbot. Es steckt in der Entwicklung der Roboter und Fahrzeuge, die später im Betrieb ankommen. Die Roboter, die heute schon auf Baustellen arbeiten, folgen einem gezeichneten Plan. Der Bohrroboter Hilti Jaibot setzt seine Löcher nach BIM-Daten, also nach einem Modell, das Menschen erstellt haben.

Bei der Raumvisualisierung lässt sich die Technik heute selbst ausprobieren. Marble von World Labs erzeugt aus einem Foto oder einer Beschreibung einen Raum, durch den sich der Kunde am Bildschirm oder mit der VR-Brille bewegt. Das Ergebnis lässt sich als 3D-Datei (Gaussian Splats oder Mesh) exportieren. In der Fallstudie von World Labs zu Architektur und Innenarchitektur schreibt das Unternehmen, eine begehbare Visualisierung entstehe in Minuten statt in Stunden oder Tagen. Bei der dort gezeigten App Interior AI fotografiert der Nutzer einen Raum, wählt einen Stil und begeht das Ergebnis in 3D. Im Badstudio, beim Küchenbauer oder im Innenausbau steht der Kunde so im neuen Raum, bevor die erste Fliese fällt. Die veröffentlichten Beispiele stammen bisher aus Architektur- und Designbüros, nicht aus dem Handwerk. Eine solche Welt ersetzt weder das Aufmaß noch die Badplanung mit Herstellerdaten. Die aktuellen Tarife stehen auf der Preisseite von Marble.

Wichtig: Fotos aus Kundenwohnungen sind personenbezogene Daten. Wer sie bei einem US-Anbieter hochlädt, benötigt vorher die Einwilligung des Kunden.

Mittelbar profitieren Betriebe über die Maschinen. Ein Roboter, der im Weltmodell übt, benötigt weniger teure Versuche in der Wirklichkeit. Was in der Simulation klappt, scheitert in der echten Welt allerdings oft noch an der Sim-to-Real-Gap. Nvidia gibt in der Pressemitteilung zu Cosmos 3 an, dass sich Trainings- und Testzyklen für Physical AI von Monaten auf Tage verkürzen. Hersteller von Schweiß-Cobots, Malerrobotern oder autonomen Baumaschinen können ihren Geräten neue Aufgaben und neue Umgebungen damit künftig schneller beibringen. Laut der Bitkom-Umfrage zu Physical AI in der Industrie (April 2026) setzen 6 Prozent der Industrieunternehmen Physical AI ein, 28 Prozent planen es. Befragt wurden 555 Industrieunternehmen ab 100 Beschäftigten, kleine Betriebe und das Handwerk also nicht. Das Fraunhofer IPA erwartet die eigentlichen Umbrüche der KI-Robotik in der Tiefe der Wertschöpfungskette (bei Foundation Models, Sensorik und Aktuatorik, Simulation und Datenplattformen sowie bei Integratoren). Handwerk und Bau nennt die Mitteilung nicht.

Beim Roboterkauf lohnt die Frage, wie das Gerät eine neue Aufgabe lernt (durch Vormachen vor Ort, durch klassische Programmierung oder durch Training in der Simulation). Die Antwort entscheidet, wie schnell sich ein Cobot an wechselnde Werkstücke und Baustellen anpasst.

Alexandre LeBrun, Chef von AMI Labs, sagte im März 2026 gegenüber TechCrunch voraus, „World Model“ werde das nächste Schlagwort. In sechs Monaten nenne sich jedes Unternehmen so, um an Investorengeld zu kommen. Ein Weltmodell sagt vorher, was nach einer bestimmten Handlung passiert. Kann ein Produkt das nicht, ist es ein Videogenerator oder ein 3D-Werkzeug.

Automation Intelligence im Handwerk - Glossareintrag
Lexikon für künstliche Intelligenz und Automation - Glossar für Handwerker und Handwerksbetriebe
Handwerk transformieren durch Artificial Intelligence und Automation Intelligence

Webinar Release

Webinar Release

Sie haben eine Frage?

Sie haben eine Frage