World Model

Wenn du einen Ball auf einen Tisch rollst, weißt du ungefähr, wo er landen wird. Du musst das nicht ausprobieren. In deinem Kopf steckt eine Vorstellung davon, wie sich Dinge bewegen, fallen und zusammenstoßen. Ein World Model ist der Versuch, genau so etwas in einem Computerprogramm nachzubauen. Das Programm bekommt sehr viele Beispiele gezeigt, etwa Millionen Videobilder, und lernt daraus Regelmäßigkeiten. Danach kann es eine Frage beantworten, die für Maschinen erstaunlich schwer ist: Was passiert als Nächstes, wenn ich diese Handlung ausführe?

Warum Maschinen eine Vorstellung von Folgen brauchen

Die meisten heutigen KI-Systeme reagieren nur. Sie bekommen eine Eingabe und liefern eine Ausgabe. Eine Vorstellung davon, was ihre Ausgabe in der Welt bewirkt, haben sie nicht. Für einen Chatbot ist das oft verkraftbar. Für einen Roboterarm, der ein rohes Ei greifen soll, ist es ein echtes Problem.

Ein World Model erlaubt Planung im Voraus. Das System kann verschiedene Handlungen gedanklich durchspielen, bevor es sich für eine entscheidet. Das ist ungefähr das, was ein Schachspieler tut, wenn er drei Züge vorausdenkt. Der entscheidende Vorteil: Fehler passieren in der Simulation und nicht in der Realität. Ein Auto, das in der Vorstellung gegen eine Wand fährt, kostet nichts.

Dazu kommt ein praktischer Grund. Echte Trainingsdaten für Roboter sind teuer, weil jemand echte Hardware bewegen muss. Ein gutes World Model kann beliebig viele Übungsdurchläufe erzeugen, ohne dass sich in der Werkstatt etwas rührt. Manche Forscher halten Weltmodelle deshalb für den Weg zu Systemen, die wirklich verstehen und nicht nur auswendig lernen. Bewiesen ist das nicht, aber viel Geld fließt in diese Wette.

Vorhersagen im komprimierten Raum

Ein World Model besteht meistens aus zwei Teilen. Der erste Teil presst die Beobachtung zusammen. Aus einem Kamerabild mit Millionen Bildpunkten wird eine kompakte Beschreibung aus vielleicht ein paar hundert Zahlen. Diese Beschreibung enthält nur, was wichtig ist: wo Objekte sind, wie sie sich bewegen. Farbe der Tapete und einzelne Grashalme fallen weg.

Der zweite Teil ist der eigentliche Vorhersager. Er bekommt die komprimierte Beschreibung und die geplante Handlung und berechnet daraus den nächsten Zustand. Diesen Schritt kann man wiederholen und so mehrere Sekunden in die Zukunft rechnen. Das Modell träumt dann sozusagen einen Ablauf, ohne die echte Umgebung anzufassen.

Trainiert wird das Ganze durch stures Vergleichen. Das Modell sagt voraus, wie das nächste Bild aussieht, danach wird das echte nächste Bild gezeigt. Die Abweichung ist der Fehler, und dieser Fehler wird schrittweise kleiner gemacht. Ein typischer Irrtum ist die Annahme, das Modell kenne Physikformeln. Es kennt keine einzige. Es hat nur oft genug gesehen, dass losgelassene Dinge nach unten fallen.

Von Videogeneratoren bis zum Lagerroboter

Am sichtbarsten sind Weltmodelle in Videogeneratoren. Wenn ein System aus einem Satz ein Video erzeugt, in dem Wasser plausibel spritzt, steckt darin eine gelernte Vorstellung von Physik. Genau deshalb reden Firmen wie OpenAI, Google DeepMind oder Nvidia bei solchen Systemen von Weltmodellen und nicht bloß von Videowerkzeugen. Man sieht die Grenzen aber auch: Gegenstände verschwinden, Hände bekommen sechs Finger.

In der Industrie werden Weltmodelle als Trainingsumgebung genutzt. Ein Lagerroboter übt Millionen Griffe in einer simulierten Halle und wird erst danach in die echte Halle gestellt. Ähnliches gilt für Fahrassistenzsysteme, die gefährliche Situationen tausendfach virtuell durchspielen. Auch Spiele-KIs, die Strategiespiele meistern, arbeiten mit solchen inneren Simulationen.

Für Anleger und Beobachter ist der Begriff vor allem ein Signal. Taucht er in einer Ankündigung auf, geht es meist um Robotik, autonomes Fahren oder Videosynthese. Abzugrenzen ist er von einem Sprachmodell, das Texte fortsetzt, und von einer klassischen Simulation, die ein Mensch mit Formeln programmiert hat. Ein World Model hat seine Regeln selbst aus Daten abgeleitet.