The Brief
Wie KI funktioniert 4 Min. Lesezeit

World Models: Die KI-Schicht, die unter allem anderen gebaut wird

NAVION

Teilen

Die meiste Berichterstattung über künstliche Intelligenz konzentriert sich auf Chatbots und Textgeneratoren. World Models sind etwas Fundamentales, und sie entwickeln sich im Stillen zu jener Infrastrukturschicht, die Robotik, autonome Fahrzeuge und möglicherweise noch viel mehr antreiben wird. Zu verstehen, was sie sind und wie sie bereits gebaut werden, ist für jeden wichtig, der verstehen will, wohin sich die KI tatsächlich entwickelt.

Von der Wortvorhersage zur Vorhersage der Realität

Um World Models zu verstehen, hilft es, bei dem zu beginnen, was die meisten Menschen bereits kennen: Large Language Models. Ein Sprachmodell nimmt einen Satz und sagt das nächste Wort voraus. Die Logik ist sequenziell, textbasiert und auf geschriebenen menschlichen Output trainiert.

World Models funktionieren auf einer völlig anderen Achse. Wie Oliver Cameron, CEO des KI-Labors Odyssey, erklärt, gibst du dem System einen visuellen Zustand der Welt, ein Bild, und es sagt den nächsten visuellen Zustand der Welt voraus. Der Output ist kein Text. Es ist eine simulierte Umgebung, die Physik, Ursache und Wirkung sowie die Frage berücksichtigen muss, wie Objekte und Menschen auf Handlungen reagieren, die darin ausgeführt werden.

Das ist ein schwierigeres Problem als die Sprachvorhersage. Ein Wort folgt grammatikalischen und semantischen Regeln, die zumindest teilweise konsistent sind. Die physische Welt ist unordentlicher. Objekte fallen, Oberflächen haben Reibung, Menschen reagieren unvorhersehbar. Ein World Model, das mit dieser Dynamik nicht umgehen kann, ist nicht nützlich, um etwas zu trainieren, das in der Realität funktionieren muss.

Das Trainingsgelände, das noch nicht existiert

Das ist es, was World Models praktisch bedeutsam macht: Sie ermöglichen es Maschinen, in Umgebungen zu üben, die noch nicht gebaut wurden, und Szenarien zu proben, die in der realen Welt gefährlich oder unpraktisch zu inszenieren wären.

Brian McClendon, Chief Technology Officer von Niantic Spatial, beschreibt einen Workflow, bei dem jemand den Raum fotografiert, in dem ein Roboter arbeiten soll, aus diesen Bildern ein 3D-Modell erstellt und dann Millionen von Simulationen ausführt, um den Roboter auf die spezifischen Parameter dieser Umgebung zu trainieren. Der Roboter lernt, ohne sich physisch zu bewegen. Er scheitert, passt sich an und verbessert sich in einer digitalen Nachbildung, bevor er jemals eine reale Oberfläche berührt.

Wayve, ein Startup, das World Models für autonome Fahrzeuge entwickelt, nutzt eine ähnliche Logik. Sein generatives World Model wird teilweise durch Dashcam-Aufnahmen angetrieben, die es nutzt, um gefährliche Straßen und unsichere Bedingungen nachzubilden, die in der realen Welt nicht praktisch zu testen wären. Jamie Shotton, Chief Scientist von Wayve, formuliert die Kernanforderung klar: Ein World Model muss in der Lage sein, auf Handlungen zu reagieren, die darin ausgeführt werden, was bedeutet, dass es Physik, Ursache und Wirkung verstehen muss sowie die Art und Weise, wie andere Agenten ihr Verhalten als Reaktion darauf ändern.

Niantic selbst ist ein aussagekräftiges Beispiel. Das Unternehmen hat Pokémon Go entwickelt, ein Spiel, bei dem Hunderte Millionen Spieler ihre physische Umgebung über ihre Smartphones gescannt haben. Diese Umwelsscans, gesammelt über Jahre des Gameplays, stellen einen beträchtlichen Fundus an realen raumbezogenen Daten dar. Niantic hat das Spiel inzwischen verkauft und sich auf World Models ausgerichtet, wobei McClendon direkt erklärte, dass der Fokus des Unternehmens auf der Rekonstruktion der realen Welt liegt. Die durch ein Konsumspiel gesammelten Daten werden nun als Trainingsmaterial für KI-Systeme umfunktioniert, die darauf ausgelegt sind, im physischen Raum zu navigieren.

Der Arbeitsmarkt, über den niemand spricht

Die Investitionsseite von World Models ist bereits beträchtlich. Yann LeCun, der ehemalige Chief AI Scientist von Meta, hat über eine Milliarde Dollar gesammelt, um sein Startup Advanced Machines Intelligence zu finanzieren. Fei-Fei Li, eine Informatikerin aus Stanford, hat 2024 ein Startup namens World Labs gegründet, das von AMD für über 8 Milliarden Dollar übernommen wurde. Unternehmen wie Google und Tencent entwickeln ihre eigenen World-Model-Fähigkeiten. Das Kapital, das in diesen Bereich fliesst, signalisiert, dass grosse Player World Models nicht als Nischenforschungsbereich betrachten, sondern als eine fundamentale Technologie.

Was weniger Aufmerksamkeit erhält, ist die Arbeitsstruktur, die aufgebaut wird, um diese Systeme zu füttern. World Models benötigen Daten über die physische Welt, und diese Daten generieren sich nicht von selbst. Sie erfordern Menschen, die gewöhnliche Umgebungen aufnehmen: Küchen, Wohnzimmer, Hände, die Routineaufgaben ausführen. Dies bringt bereits eine neue Kategorie von Gig-Work hervor, bei der Einzelpersonen stundenlang Videos in ihren eigenen Häusern aufnehmen und dieses Material über Apps verkaufen, oft für eine bescheidene Vergütung. Da mehr Unternehmen darum konkurrieren, bessere World Models zu bauen, wird die Nachfrage nach dieser Art von Datenerhebung wahrscheinlich wachsen.

Darüber lohnt es sich nachzudenken. Die Menschen, die diese Arbeit machen, sind keine KI-Forscher oder Ingenieure. Sie liefern das Rohmaterial, das physische KI-Systeme möglich macht, oft ohne ein klares Verständnis davon, wie dieses Material verwendet wird oder was es schliesslich trainieren wird.

Kurz gesagt

World Models sind KI-Systeme, die physische Realität simulieren, anstatt Text zu generieren. Sie ermöglichen es Robotern und autonomen Fahrzeugen, in digitalen Umgebungen zu trainieren, bevor sie in realen arbeiten. Die technologie zieht beträchtliche Investitionen an, wobei grosse Übernahmen und Finanzierungsrunden bereits verzeichnet sind. Hinter den Kulissen entstehen zudem neue Formen von Datenarbeit, bei denen gewöhnliche Menschen ihre physische Umgebung aufnehmen, um Systeme zu füttern, mit denen sie wahrscheinlich niemals direkt interagieren werden. Die Kluft zwischen denen, die diese Systeme bauen, und denen, die sie beliefern, ist eine der prägenden Spannungen der frühen Entwicklung dieser Technologie.

Basierend auf Berichten von Wired.

Geschrieben von

NAVION