Damit verschiebt sich der Schwerpunkt von der sprachlichen Antwort zur vorausschauenden Handlung: Ein System soll nicht nur erklären, wie man einen Roboterarm bewegt, sondern vorab simulieren, was bei einer bestimmten Bewegung geschieht.
Die Forschung ist keineswegs neu. Der KI-Forscher Yann LeCun formulierte seine JEPA-Idee bereits 2022. Die JEPA-Idee (Joint Embedding Predictive Architecture) ist ein Trainingsansatz für Künstliche Intelligenz, bei dem ein System die Welt durch Abstraktion statt durch das Auswendiglernen von Details verstehen soll. Anstatt verlorene Pixel in Bildern oder nächste Wörter in Texten vorherzusagen, prognostiziert das Modell abstrakte Konzepte in einem latenten mathematischen Raum.
Meta veröffentlichte I-JEPA 2023 und V-JEPA 2 im Juni 2025. Google DeepMind stellte Genie 2 im Dezember 2024 und Genie 3 im August 2025 vor. World Labs (USA), das 2024 gegründete Unternehmen von Fei-Fei Li, konzentriert sich auf räumliche Intelligenz und meldete im Februar 2026 eine neue Finanzierung von einer Milliarde US-Dollar. In Europa sorgte AMI Labs (Advanced Machine Intelligence Labs – Frankreich) von Yann LeCun im März 2026 mit einer Finanzierung von 1,03 Milliarden US-Dollar für Aufmerksamkeit. China setzt parallel auf Embodied AI, Robotik und industrielle Verbreitung.
Die Investitionen müssen allerdings sorgfältig verglichen werden. Weltmodell-spezifische Finanzierungsrunden sind selten öffentlich separat ausgewiesen. Als gemeinsame Größenordnung zeigt der Stanford AI Index: Die USA kamen 2024 auf 109,1 Milliarden US-Dollar private KI-Investitionen, China auf 9,3 Milliarden und das Vereinigte Königreich auf 4,5 Milliarden. Die EU bündelt ihre öffentliche Förderung unter anderem in GenAI4EU; aus zunächst 500 Millionen Euro wurden laut Europäischer Kommission inzwischen knapp 700 Millionen Euro geplante Mittel. Diese Zahlen messen nicht dasselbe, markieren aber einen klaren Unterschied zwischen US-Risikokapital, chinesischer Industriepolitik und europäischer öffentlicher Koordination.
Ein internationaler Wettlauf mit unterschiedlichen Startpunkten
Der aktuelle Begriff „Weltmodell“ bezeichnet keine einzelne technische Methode. Gemeinsam ist den Ansätzen die Absicht, aus Beobachtungen eine interne, möglichst handlungsrelevante Darstellung der Welt zu lernen. Ein Weltmodell kann ein Video vorhersagen, die Konsequenzen einer Aktion in einer virtuellen Umgebung simulieren oder die räumliche Struktur eines Gebäudes rekonstruieren. Manche Modelle erzeugen sichtbare Bilder, andere arbeiten in komprimierten Repräsentationen, sogenannten Embeddings oder latenten Zuständen.
| Region | Wichtige Akteure und Beginn | Öffentlich bekannte Größenordnung | Charakter des Ansatzes |
| USA | Google DeepMind: Genie 2 (2024), Genie 3 (2025); Meta: I-JEPA (2023), V-JEPA 2 (2025); World Labs seit 2024 | USA: 109,1 Mrd. US-Dollar private KI-Investitionen 2024; World Labs: 1 Mrd. US-Dollar neue Finanzierung 2026 | Starke Verbindung von Foundation Models, Simulation, Robotik, 3D und Agenten |
| Europa | Forschungsprogramme seit Jahren; AMI Labs seit 2025/2026; EU GenAI4EU ab 2024 | AMI Labs: 1,03 Mrd. US-Dollar 2026; GenAI4EU: knapp 700 Mio. Euro geplante öffentliche Förderung | Wissenschaftliche Stärke, Industriebezug, öffentliche Förderung und regulierter Marktrahmen |
| Asien | China: Embodied-AI- und Robotikoffensive, verstärkt seit 2025; Akteure wie Huawei, SenseTime und XPeng; Japan mit starker Robotikbasis | China: 9,3 Mrd. US-Dollar private KI-Investitionen 2024; China installierte 2023 276.300 Industrieroboter | Skalierung über Fertigung, staatliche Programme, Robotikdaten und industrielle Einsatzfelder |
In den USA entsteht der sichtbarste Kapitalmarkt für Weltmodelle. Stanford beziffert die gesamten privaten KI-Investitionen der Vereinigten Staaten im Jahr 2024 auf 109,1 Milliarden US-Dollar — nahezu zwölfmal so viel wie in China und 24-mal so viel wie im Vereinigten Königreich. [1] Das ist keine Weltmodell-Zahl, sondern umfasst auch LLMs, Chips, Infrastruktur und Anwendungen. Sie erklärt jedoch, warum US-Unternehmen mehrere konkurrierende Forschungsrichtungen parallel finanzieren können.
Google DeepMind verfolgt einen stark simulationsorientierten Weg. Genie 2, veröffentlicht am 4. Dezember 2024, kann laut eigener Darstellung interaktive 3D-Umgebungen erzeugen und die Folgen von Aktionen wie Springen oder Schwimmen modellieren. [2] Das Modell wird auf Video trainiert und verbindet ein latentes Diffusionsmodell mit einem Transformer-Dynamikmodell. Damit entsteht eine Art generativer Spielplatz, in dem Agenten trainiert und getestet werden können, bevor sie in die physische Welt gelangen. Genie 3 verschiebt diesen Ansatz 2025 in Richtung allgemeiner interaktiver Umgebungen. [3]
Meta verfolgt mit JEPA eine andere Philosophie. I-JEPA aus dem Jahr 2023 und V-JEPA 2 vom 11. Juni 2025 sollen nicht primär jedes Pixel möglichst fotorealistisch erzeugen, sondern abstrakte Zustände der Welt vorhersagen. [4] V-JEPA 2 wurde nach Meta mit mehr als einer Million Stunden Video und einer Million Bildern vortrainiert. In einer zweiten Phase wurden Aktionsdaten von Robotern genutzt. Das Modell konnte anschließend Kandidaten für Greif- und Platzierbewegungen bewerten und laut Meta bei neuen Objekten in unbekannten Umgebungen Erfolgsraten von 65 bis 80 Prozent erreichen. Solche Ergebnisse sind Forschungsdemonstrationen, keine Garantie für robuste Haushalts- oder Fabrikroboter.
World Labs steht für die räumliche Seite des Trends. Das Unternehmen beschreibt seine Modelle als Systeme, die 3D-Welten wahrnehmen, erzeugen und mit ihnen interagieren können. Im Februar 2026 meldete World Labs eine neue Finanzierung von einer Milliarde US-Dollar; zu den genannten Investoren gehören AMD, Autodesk, Emerson Collective, Fidelity, NVIDIA und Sea. [5] Das Produkt Marble erzeugt aus Bild, Video oder Text räumlich konsistente und persistente 3D-Welten. Für die Entwicklung von Robotern ist diese Persistenz entscheidend: Ein Raum sollte nicht bei jedem Blickwechsel seine Geometrie, Objekte oder Zugänge verlieren.
Europa verfügt über starke Forschung in Robotik, Computer Vision und probabilistischer Modellierung, ist bei privaten Mega-Runden aber kleiner. Ein spektakuläres Gegenbeispiel ist AMI Labs: Das von Yann LeCun nach seinem Ausscheiden bei Meta gegründete Unternehmen nahm im März 2026 1,03 Milliarden US-Dollar bei einer Pre-Money-Bewertung von 3,5 Milliarden US-Dollar auf. [6] AMI will Systeme für Schlussfolgern, Planung und Weltmodelle entwickeln und adressiert zunächst Hersteller, Automobil-, Luftfahrt-, Biomedizin- und Pharmaunternehmen. Die Runde zeigt, dass europäische Standorte durchaus globale Kapitalströme anziehen können; sie bedeutet jedoch nicht, dass Europa insgesamt mit den US-Investitionen gleichgezogen hat.
Die Europäische Kommission setzt stärker auf koordinierte öffentliche Förderung. GenAI4EU begann 2024 mit einer Zusage von 500 Millionen Euro und umfasst inzwischen laut Kommission knapp 700 Millionen Euro geplante Mittel aus Horizon Europe, dem Digital Europe Programme und dem Europäischen Innovationsrat. [7] Gefördert werden unter anderem multimodale Daten, Medizin, Robotik, industrielle Automation, virtuelle Welten und Foundation Models in der Wissenschaft. Europas Chance liegt somit weniger in einem einzelnen hyperskalierenden Plattformunternehmen als in der Verbindung von Forschung, Industrie, vertrauenswürdiger Datenverarbeitung und regulatorischer Qualität.
Asien wiederum bringt eine andere Stärke ein: die physische Produktions- und Robotikbasis. China verfolgt laut MERICS mit den Programmen „Robot+“ und „AI + Manufacturing“ das Ziel, Robotik in die Industrie zu integrieren, Pilotlinien für humanoide Roboter aufzubauen und die Roboterdichte bis 2030 zu verdoppeln. [8] Unternehmen wie Huawei, SenseTime und XPeng arbeiten an relevanten Bausteinen. China installierte 2023 nach Angaben des Stanford AI Index 276.300 Industrieroboter — 51,1 Prozent der weltweiten Installationen.1 Das ist keine direkte Messung von Weltmodell-Forschung, aber ein strategischer Vorteil: Wer viele Roboter, Fabriken und Produktionsdaten kontrolliert, kann Embodied-AI-Systeme schneller in realen Umgebungen testen.
Was unterscheidet ein Weltmodell von einem LLM?
Ein LLM ist im Kern ein Vorhersagemodell für Token. Es erhält eine Folge aus Wörtern, Bildteilen, Audiosignalen oder anderen diskreten Einheiten und schätzt, welches Element als Nächstes plausibel ist. Diese Fähigkeit kann erstaunlich vielseitig wirken, weil Sprache Wissen über Fakten, Verfahren und soziale Situationen komprimiert. Doch ein LLM besitzt nicht automatisch ein stabiles räumliches Koordinatensystem, ein dauerhaftes Gedächtnis für Objekte oder ein verlässliches Modell physischer Kausalität.
Ein Weltmodell versucht, genau solche Strukturen zu lernen. Es beobachtet beispielsweise einen Ball, der auf einen Tisch rollt, und speichert nicht nur Bildfolgen, sondern Beziehungen: Der Ball hat eine Position, der Tisch eine Oberfläche, die Bewegung eine Richtung und eine Aktion mögliche Konsequenzen. Wird das Modell mit „Greife den Ball“ oder einer Roboterbewegung konfrontiert, soll es mehrere Zukunftsverläufe simulieren und den erfolgversprechendsten auswählen. Das Modell wird dadurch zu einem Baustein für Planung, nicht bloß für Antwortgenerierung.
| Aufgabe | LLM-orientierte Lösung | Weltmodell-orientierte Lösung |
| Frage nach einem Robotergriff | Beschreibt sprachlich eine mögliche Vorgehensweise | Simuliert mehrere Greifbewegungen und bewertet ihre Folgen |
| Navigation | Erzeugt eine Text- oder Aktionssequenz aus Instruktionen | Hält Karte, Geometrie, Hindernisse und erwartete Bewegungen zusammen |
| Training | Lernt aus Text, Code und beschrifteten Beispielen | Lernt zusätzlich aus Video, Sensorik, Simulation und Aktionen |
| Fehlerbehandlung | Korrigiert sich über neue Eingaben oder Regeln | Vergleicht erwartete und tatsächliche Weltzustände und plant neu |
| Output | Text, Code, Bild oder Entscheidungsvorschlag | Zustandsprognose, Simulation, Bewegungsplan oder Handlung |
In der Praxis werden LLMs und Weltmodelle deshalb eher zusammenwachsen, als dass das eine das andere vollständig ersetzt. Ein LLM kann eine natürliche Anweisung interpretieren und Hintergrundwissen bereitstellen. Ein Weltmodell kann anschließend prüfen, ob die vorgeschlagene Handlung räumlich und physikalisch plausibel ist. Ein Roboter könnte also mit dem LLM kommunizieren, aber seine eigentliche Bewegung über ein Weltmodell planen.
Die Vorteile: Planung statt bloßer Reaktion
Der größte Vorteil ist die Fähigkeit zur vorausschauenden Planung. Ein rein reaktives System sieht einen Hindernisblock und sucht unmittelbar nach einer neuen Aktion. Ein Weltmodell kann mehrere Wege innerlich ausprobieren, ohne sie alle real auszuführen. In der Robotik spart das Zeit, Material und möglicherweise gefährliche Fehlversuche. In der Industrie lassen sich Produktionsabläufe zunächst in simulierten Fabriken testen. In der Medizin könnten digitale Modelle biologische oder klinische Szenarien vergleichen — allerdings nur unter strengen Validierungsbedingungen.
Ein zweiter Vorteil ist die Datenökonomie. Reale Roboterdaten sind teuer, langsam und riskant zu sammeln. Ein generatives Weltmodell kann Millionen Varianten einer Umgebung erzeugen, in denen Agenten trainieren. DeepMinds Genie demonstriert diesen Gedanken für virtuelle 3D-Welten; World Labs zielt auf räumlich persistente Szenarien. Die Simulation ersetzt die Realität nicht, kann aber die Zahl der real benötigten Experimente reduzieren.
Drittens können Weltmodelle Robustheit gegenüber neuen Situationen verbessern. Ein LLM kann eine neue Formulierung oft sprachlich verarbeiten, weil sie bekannten Mustern ähnelt. Ein Roboter braucht zusätzlich die Fähigkeit, ein unbekanntes Objekt als physisches Objekt zu erkennen und seine Greifstrategie anzupassen. V-JEPA 2 zeigt, in welche Richtung die Forschung geht: visuelle Zustände, Aktionen und kurzfristige Folgen werden in einer gemeinsamen Planungsschleife verbunden.
Die Risiken: Eine Simulation ist noch kein Verständnis
Der wichtigste Einwand lautet, dass ein Weltmodell nur so gut ist wie seine Daten und seine physikalische Abdeckung. Ein System kann in einer Simulation überzeugend aussehen und außerhalb ihrer Verteilung scheitern. Kleine Fehler in Geometrie, Reibung, Beleuchtung oder Objektzustand können bei einem Roboter große Folgen haben. Der Übergang von „real zu simuliert und zurück zu real“ — oft als sim-to-real bezeichnet — bleibt eine zentrale technische Hürde.
Hinzu kommt das Problem falscher Sicherheit. Ein LLM produziert eine plausible Formulierung; ein Weltmodell produziert möglicherweise eine plausible Zukunft. In beiden Fällen kann Plausibilität mit Wahrheit verwechselt werden. Wenn ein Modell eine nicht vorhandene Brücke, eine falsche Medikamentenwirkung oder eine sichere Greifbewegung „imaginiert“, kann der Schaden größer sein als bei einer falschen Textantwort, weil die Ausgabe direkt in eine Handlung übersetzt wird.
Weltmodelle können außerdem Überwachung und militärische Anwendungen verstärken. Systeme, die Räume, Personenbewegungen und Handlungsfolgen modellieren, sind für autonome Drohnen, Sicherheitsanalyse oder taktische Simulationen interessant. Die gleiche Fähigkeit, die einem Rettungsroboter hilft, durch ein eingestürztes Gebäude zu navigieren, kann zur automatisierten Zielauswahl missbraucht werden. Deshalb müssen Zugriffsrechte, Auditierbarkeit, menschliche Freigaben und Tests in realistischen Grenzfällen von Anfang an eingeplant werden.
Auch die Daten- und Machtkonzentration wächst. Für leistungsfähige Weltmodelle sind Videos, 3D-Daten, Robotersensorik, Chips und Rechenzentren erforderlich. Unternehmen mit Zugriff auf globale Plattformdaten und Milliardenbudgets erhalten einen strukturellen Vorsprung. China kann mit Fertigung und Robotik skalieren, die USA mit Kapital und Cloud-Infrastruktur, Europa mit Forschung und Regulierung. Für alle Regionen stellt sich die Frage, wer die Daten besitzt, wer von ihnen profitiert und wie Menschen aus den Trainingsumgebungen entfernt oder geschützt werden.
Nicht das Ende der LLMs, sondern ihre Einbettung in ein größeres System
Der Übergang von LLMs zu Weltmodellen ist weniger eine Ablösung als eine Erweiterung des KI-Paradigmas. LLMs bleiben äußerst wertvoll für Sprache, Programmierung, Wissenszugang und Mensch-Maschine-Kommunikation. Weltmodelle ergänzen diese Fähigkeiten um Zustände, Raum, Zeit, Kausalität und Handlungsfolgen. Der wahrscheinlich leistungsfähigste Agent der nächsten Jahre wird daher weder ein reines Sprachmodell noch ein isoliertes Simulationsmodell sein, sondern ein System, das beide Ebenen verbindet.
Der internationale Vergleich zeigt drei unterschiedliche Strategien. Die USA kombinieren enormes privates Kapital mit Cloud-, Chip- und Plattformmacht. China verbindet staatliche Industriepolitik mit Fertigung und Robotik im großen Maßstab. Europa setzt auf öffentliche Forschungsförderung, industrielle Anwendungsfelder und Vertrauenswürdigkeit — und hat mit AMI Labs zugleich ein Beispiel für private globale Ambition. Entscheidend wird nicht sein, wer den Begriff „Weltmodell“ am lautesten verwendet, sondern wer verlässliche Modelle baut, die ihre Unsicherheit erkennen, in der Realität bestehen und unter menschlicher Verantwortung handeln.
Quellen:
[1] Stanford HAI: The 2025 AI Index Report — Economy
[2] Google DeepMind: Genie 2: A large-scale foundation world model
[3] Google DeepMind: Genie 3: A new frontier for world models
[4] Meta AI: Introducing the V-JEPA 2 world model and new benchmarks for physical reasoning
[5] World Labs: World Labs Announces New Funding
[6] Reuters: Ex-Meta AI chief Yann LeCun’s AMI raises $1.03 billion for alternative AI approach
[7] European Commission: GenAI4EU — Funding opportunities to boost Generative AI made in Europe
[8] MERICS: Embodied AI: China’s ambitious path to transform its robotics industry
Hinweis: Blogbeitrag erstellt mit Manus.im/Deepai.org – redaktionell bearbeitet von sengoo.de.