Vom nächsten Wort zum nächsten Zustand
Ein Sprachmodell ist wie ein extrem belesener Gesprächspartner, der nie draußen war: Es kennt Milliarden Texte über Küchen, Straßen und Lagerhallen, hat aber keine davon je betreten. Ein Weltmodell versucht das Gegenteil. Oliver Cameron, CEO des Weltmodell-Labors Odyssey, erklärt es im WIRED-Stück vom Wochenende so: Ein Sprachmodell sagt das nächste Wort voraus, ein Weltmodell bekommt einen visuellen Zustand der Welt – etwa ein Bild – und sagt den nächsten visuellen Zustand voraus. Entscheidend ist der Zusatz, den Wayve-Chefwissenschaftler Jamie Shotton nennt: Das Modell muss auf unsere Aktionen reagieren, also Physik, Ursache und Wirkung abbilden.
Google DeepMind definiert es ähnlich nüchtern: Ein Weltmodell simuliert die Dynamik einer Umgebung und sagt voraus, wie sie sich entwickelt und wie Aktionen sie verändern. Wichtig für die Einordnung: Der Begriff ist weich. Ars Technica zitiert den MIT-Forscher Vincent Sitzmann mit „überladen“; Ben Mildenhall von World Labs sagt, jeder Anbieter werde eine etwas andere Definition geben. TechCrunch beschreibt das Spektrum von Sprachmodellen mit Bildverständnis bis zu Systemen, die eine hochaufgelöste Realität simulieren. Wer „Weltmodell“ im Pitch liest, sollte also immer nachfragen: Was genau wird erzeugt – Video, 3D-Szene, Roboteraktionen?
Was WIRED behauptet – und was davon belegt ist
WIRED-Autor Reece Rogers schreibt, die Software werde in den Alltag „einsickern“, ohne dass wir direkt mit ihr interagieren: Sie trainiert im Hintergrund Roboter und Fahrzeuge. 2027 könnte laut WIRED ein großes Jahr für Heimroboter und fahrerlose Autos werden – eine Einschätzung, keine Messung. Belegt sind die Bausteine drumherum: Niantic, Schöpfer von Pokémon Go, hat das Spiel verkauft und baut mit Niantic Spatial auf seinen Scan-Daten Replikate der realen Welt; Wayve nutzt Dashcam-Aufnahmen, um gefährliche Straßensituationen nachzustellen, die man nicht real testen kann; Tencent investiert im Gaming-Bereich. Und Weltmodelle erzeugen eine neue Arbeitsform: Menschen filmen ihren Haushalt, um Trainingsdaten zu verkaufen – Rogers hat es selbst getan, die Bezahlung nennt er „ziemlich mager“.
Eine Korrektur zu WIRED: Der Text sagt, AMD habe World Labs „in diesem Jahr für über 8 Milliarden Dollar übernommen“. Nach TechCrunch (28.9.2026) ist der Kauf für 8,2 Milliarden Dollar vereinbart, der Abschluss aber erst vor Jahresende und unter Vorbehalt behördlicher Genehmigung erwartet. Fei-Fei Li soll als Chefwissenschaftlerin zu AMD wechseln. Ein Vollzug war in den von uns geprüften Quellen nicht bestätigt.
Der Stand der Anbieter
Google DeepMind. Genie 3 (August 2025) erzeugte per Textbefehl navigierbare Welten in Echtzeit mit 24 Bildern pro Sekunde, 720p und nur wenigen Minuten Konsistenz. Seit Januar 2026 steht es als Project Genie Ultra-Abonnenten in den USA offen – mit 60 Sekunden pro Generierung und bekannten Schwächen bei Realismus und Steuerung. Am 27. Oktober kündigte Google Genie 4 an: native Audiospur, Steuerung per Sprache (Wetter ändern, neue Figuren einführen), Gemini als „Regisseur“ im Hintergrund. Es läuft bislang nur für ausgewählte Tester; Ultra-Nutzer und API-Partner sollen „bald“ folgen. Google nennt selbst Grenzen: Details und Objektkonstanz können bei längeren Sitzungen driften, komplexe Physik und lesbarer Text sind offene Forschungsthemen.
Nvidia. Cosmos 3, im Juni auf der Computex vorgestellt, ist ein offenes Modell, das Videos, Bilder, Ton und – wichtig für Robotik – numerische Aktionsdaten wie Gelenkwinkel und Greiferpositionen erzeugt. Nvidia nennt es Basis für synthetische Trainingsdaten, etwa für seltene Unfallszenarien. Die Ranglistenplätze sind Herstellerangaben.
World Labs und AMD. Das Produkt Marble erzeugt laut Ars Technica aus Bild, Video oder Text eine begehbare 3D-Szene, die sich in klassische 3D-Werkzeuge exportieren lässt – bislang aber statisch. Die Zukunft: dynamische Welten. AMD will damit laut TechCrunch gegen Nvidias offene Cosmos-Modelle aufholen.
Meta und LeCun. Meta veröffentlichte V-JEPA 2 im Juni 2025: ein 1,2-Milliarden-Parameter-Modell, das nicht jeden Pixel vorhersagt, sondern abstrakte Szenenzustände. Nach Meta-Angaben erreichte es im Labor 65 bis 80 Prozent Erfolg beim Greifen und Ablegen unbekannter Objekte in neuen Umgebungen. Yann LeCun verließ Meta im November 2025; sein Startup AMI sammelte laut WIRED über eine Milliarde Dollar bei 3,5 Milliarden Dollar Bewertung ein. Er zielt auf Industriepartner wie Toyota und Samsung – und sagt selbst, die ersten Modelle würden kaum jemand beachten.
OpenAI. Hier ist die Lage dünn: OpenAI hatte Videogenerierung 2024 als „Weltsimulator“ beschrieben, doch laut der Sora-2-Seite ist das Sora-Produkt seit dem 26. April 2026 nicht mehr verfügbar. Einen eigenen Weltmodell-Launch konnten wir in den geprüften Quellen nicht belegen.
Wo die Technik heute wirklich nützlich ist
Robotik. Das Kernproblem: Für Roboterhände gibt es kaum Trainingsdaten. Selbstfahrende Autos haben Millionen Stunden Dashcam-Material; Haushaltsroboter nicht. Weltmodelle können synthetische Erfahrung liefern – und Strategien testen, bevor ein teurer Roboter etwas zerbricht. TechCrunch nennt synthetische Daten aus Weltmodellen zentral für die Pläne von Tesla und Figure.
Fahrzeuge und Industrie. Seltene Gefahrensituationen nachstellen (Wayve, Nvidia), digitale Zwillinge für Fabriken und Smart Cities. LeCun nennt als Beispiel ein realistisches Modell eines Flugzeugtriebwerks zur Optimierung von Effizienz und Emissionen – ein Zielbild, kein Produkt.
Games, Film, Design. Google-Tester nutzen Genie 4 als „Entwurfsmodus“: Szenen und Spielideen in Sekunden prototypen, bevor Engine-Code entsteht. Das ist der heute greifbarste Nutzen – ein schneller Skizzenblock, kein Ersatz für Produktion.
Die Grenzen – und der Praxistest
Ein Weltmodell ist vergleichbar mit einem begabten Zeichner, der Physik aus Bildern gelernt hat: Es sieht plausibel aus, muss aber nicht stimmen. Ars Technica fasst es nüchtern: Ihre Zuverlässigkeit als allgemeine Physiksimulatoren ist unbewiesen; synthetische Daten können die falsche Lektion lehren, wenn Reibung oder Kontaktkräfte falsch dargestellt werden, und kleine Abweichungen können Roboterstrategien brechen. Dazu kommen hohe Rechenkosten – bildweise Echtzeit-Generierung ist laut Ars sehr teuer – und das Gedächtnisproblem: Wer einen Raum verlässt und zurückkehrt, findet ihn womöglich verändert vor. Sitzmann nennt Videomodelle ausdrücklich eine „Wette“ und glaubt nicht, dass sie Embodied Intelligence allein lösen. Und Demos zeigen laut Ars oft sorgfältig gewählte Umgebungen und Aufgaben.
Der richtige Maßstab laut Ars: Verbessert das Modell Training oder Bewertung bei unbekannten Aufgaben, in nicht abgestimmten Umgebungen, inklusive Fehlschlägen – und schlägt es einfache Baselines wie klassische Simulatoren?
Was Entscheider jetzt tun sollten
Nicht warten, aber nicht umbauen. Wer im Gaming, in Film, Design oder Architektur arbeitet, kann Genie, Marble oder Cosmos für Ideation und Prototypen heute testen. Wer Roboter, Logistik oder Fahrzeuge verantwortet, sollte Pilotprojekte mit klaren Messgrößen (reale Erfolgsquote vs. Simulation) aufsetzen.
Lieferantenlandkarte pflegen. Hardware-Hersteller kaufen Modell-Know-how (AMD/World Labs), Nvidia bietet offene Gewichte, Google vermarktet über Abos und API. Unsere Einschätzung: Das spricht für Abhängigkeiten zwischen Chip-, Modell- und Cloud-Anbieter – prüfen Sie Lizenzbedingungen, Exportierbarkeit der Ergebnisse und Exit-Optionen.
Daten als Vermögenswert. Wer Betriebsvideos, Sensor- oder Scandaten besitzt, hat plötzlich Trainingsmaterial. Klären Sie früh Datenschutz, Beschäftigteninteressen und Rechte, bevor jemand Ihre Fabrikhalle als Trainingsdatensatz entdeckt – WIRED zeigt, dass ein Markt für solche Aufnahmen bereits entsteht.
Kosten einplanen. Echtzeit-Simulation ist rechenintensiv; passend zu unserer Reihe über Kapazität und Token-Budgets: Bauen Sie keine Roadmap, die an unbegrenzte GPU-Zeit glaubt.
Hype entkoppeln. „Weltmodell“ ist ein Marketingbegriff mit echtem Kern. Fragen Sie jeden Anbieter nach Ausgabeformat, Benchmark gegen klassische Simulation und Fehlerfällen – nicht nach dem schönsten Demo-Video.
- WIRED: World Models Will Soon Be Inescapable. Here's What You Need to Know (8.11.2026)
- WIRED: Yann LeCun Raises $1 Billion to Build AI That Understands the Physical World (10.3.2026)
- Ars Technica: Simulating everything, sort of – The promise and limits of world models (13.7.2026)
- TechCrunch: AMD will acquire Fei-Fei Li's World Labs for $8.2B (28.9.2026)
- Google DeepMind: Genie 4 – A new generation of world simulation (27.10.2026)
- Google: Project Genie – Experimenting with infinite, interactive worlds (29.1.2026)
- NVIDIA Blog: How Cosmos 3 Helps Physical AI Think Before It Acts (1.6.2026)
- Meta AI: Introducing the V-JEPA 2 world model and new benchmarks for physical reasoning (11.6.2025)
- OpenAI: Sora 2 is here (Hinweis zur Einstellung des Sora-Produkts)