Was ein Weltmodell anders macht
Ein Sprachmodell sagt das nächste Wort voraus (siehe „Wie ‚denkt‘ ein Sprachmodell wirklich?“). Ein Weltmodell versucht etwas fundamental anderes: vorherzusagen, wie sich die physische Welt als Reaktion auf eine Handlung verändert – etwa was passiert, wenn ein Arm ein Objekt greift und bewegt. Die Forschung trainiert solche Modelle meist mit riesigen Mengen an Videomaterial, um physikalische Regelmäßigkeiten wie Schwerkraft, Reibung und Objektpermanenz implizit zu lernen.
Warum das für Robotik entscheidend ist
Klassische Robotik-Programmierung braucht für jede neue Aufgabe explizite Regeln. Ein gutes Weltmodell könnte stattdessen selbst vorhersagen, was eine geplante Handlung bewirkt, bevor sie ausgeführt wird – eine Art interne Simulation. Erste Forschungsprototypen zeigen das bereits bei einzelnen, gut abgegrenzten Aufgaben, etwa dem Greifen bekannter Objekttypen.
Die Sim-to-Real-Lücke
Das zentrale ungelöste Problem: Modelle, die in Simulationen oder auf Videodaten trainiert wurden, versagen oft in der echten, unvorhersehbaren physischen Welt – Reibung, Beleuchtung und Materialeigenschaften unterscheiden sich von der Simulation. Diese „Sim-to-Real-Lücke“ ist seit Jahren eines der hartnäckigsten Robotik-Probleme.
Realistische Einordnung
Für eng definierte, kontrollierte Umgebungen – etwa Lager mit standardisierten Objekten – gibt es heute schon einsetzbare Systeme. Für offene, unvorhersehbare physische Umgebungen wie Privathaushalte oder Baustellen ist verlässliche Reife nicht in wenigen Jahren zu erwarten – sie hängt davon ab, ob die Sim-to-Real-Lücke grundlegend geschlossen wird, nicht nur von größeren Modellen.
Warum das für dich als Entscheider zählt
Reine Software-Automatisierung (siehe „AI vs. Automatisierung: Was passt wofür?“) bleibt für die meisten Unternehmen der relevante Hebel. Physische Automatisierung lohnt sich aktuell vor allem dort, wo die Umgebung schon heute standardisiert und kontrolliert ist – nicht als allgemeine Erwartung für „Roboter, die alles können“.