Die Fähigkeit, die Welt zu simulieren (Weltmodell), wird von einigen Experten als der nächste große Schritt für die KI angesehen, die physische Welt „wahrzunehmen“ und nachzubilden.
Mehrere Unternehmen oder Labore treiben die weltweiten Modellierungsfunktionen für KI voran. Unter anderem sammelten die World Labs von Professor Fei-Fei Li, einem der Pioniere der KI, 230 Millionen US-Dollar, um ein „großes Weltmodell“ aufzubauen. Google DeepMind beauftragte außerdem Tim Brooks, Leiter des Sora-Teams, und einen weiteren Experten, William Peebles, mit der Entwicklung eines „Weltsimulators“.
„Die Bilder der Welt um uns herum, die wir im Kopf haben, sind nur Modelle. Niemand kann sich die ganze Welt, die Regierung oder das ganze Land im Kopf vorstellen. Menschen wählen einfach Konzepte und die Beziehungen zwischen ihnen aus und verwenden sie, um das reale System darzustellen“, so die Definition des Mentalen Modells in dem 1971 erschienenen Buch „The Counterintuitive Behavior of Social Systems“ von Jay Wright Forrester, einem amerikanischen Computeringenieur, Managementtheoretiker und Systemwissenschaftler.
Illustration der „Welt der KI“. Foto: Novita
Das Weltmodell gilt als Erweiterung des Mentalen Modells. Beide Modelle sind vom menschlichen Gehirn inspiriert. Das Gehirn verarbeitet abstrakte Repräsentationen der Sinne und entwickelt dadurch ein konkretes Verständnis der umgebenden Welt. Die Vorhersagen, die das Gehirn auf Grundlage dieser Modelle trifft, beeinflussen die Wahrnehmung der Welt durch den Menschen.
Die Forscher David Ha und Jürgen Schmidhuber nutzen das Beispiel von Baseballspielern. Diese haben nur Millisekunden Zeit, um zu entscheiden, wie sie den Schläger schwingen – weniger Zeit, als visuelle Signale brauchen, um das Gehirn zu erreichen. Dazu müssen sie vorhersagen, wie der Ball geworfen wird und wohin er fliegt, bevor er ankommt.
„Dies ist der Aspekt, in dem KI das menschliche Niveau erreicht, wenn das Weltmodell angewendet wird“, schrieben Ha und Schmidhuber in einem gemeinsamen Artikel, der auf Github veröffentlicht wurde.
Experten zufolge fallen KIs, die Videos aus Text generieren, wie Sora, in das sogenannte „unheimliche Tal“. Das bedeutet, dass KI-generierte Videos fehleranfällig sind, insbesondere bei schnellen Bewegungen. Dies liegt unter anderem daran, dass der Algorithmus das nächste „Muster“ nicht wie das menschliche Gehirn vorhersagen kann.
Laut TechCrunch können KI-Tools zur Videogenerierung mittlerweile präzise vorhersagen, wie ein Basketball aufspringt, wissen aber nicht genau, warum. Ebenso verstehen Sprachmodelle die Konzepte hinter Wörtern und Phrasen nicht wirklich.
Das Weltmodell verhilft der KI jedoch zu wahrer Intelligenz, indem es „versteht“, warum der Ball springt. Um diese Erkenntnisse zu gewinnen, muss das Weltmodell anhand verschiedener Datentypen wie Bildern, Audio, Video und Text trainiert werden. Ziel ist es, interne Schlussfolgerungen über die Funktionsweise der Welt zu ziehen und die Folgen von Aktionen zu beurteilen.
„Zuschauer erwarten, dass sich das, was sie sehen, so verhält wie in der Realität“, sagte Alex Mashrabov, ehemaliger Leiter der KI-Abteilung bei Snap und CEO des Weltmodellierungsunternehmens Higgsfield, gegenüber TechCrunch. „Eine ausreichend leistungsstarke World Model Engine wird verstehen, wie sich Objekte bewegen, anstatt darauf warten zu müssen, dass der Ersteller die Linien für die Bewegung ‚zeichnet‘.“
Doch die Erstellung besserer Videos ist nur ein Teil der Anwendung des Weltmodells. Führende KI-Forscher wie Yann LeCun, KI-Direktor bei Meta, prognostizieren, dass es eines Tages für anspruchsvolle Prognosen und Planungen sowohl im digitalen als auch im physischen Bereich eingesetzt werden könnte.
Anfang des Jahres beschrieb LeCun, wie das Weltmodell einem KI-System helfen kann, durch Schlussfolgerungen ein gewünschtes Ziel zu erreichen. Ein Modell nimmt eine Ausgangsgeschichte, beispielsweise ein Video eines schmutzigen Raums, gibt ihm das Ziel eines sauberen Raums und eine Abfolge von Aktionen vor, um dieses Ziel zu erreichen, wie z. B. das Reinigen mit einem Staubsauger, das Abwaschen und das Rausbringen des Mülls. Dabei erkennt die KI nicht nur durch ihre Kameras und Sensoren, sondern „weiß“ auch auf einer tieferen Ebene, wie sie von schmutzig zu sauber gelangt.
„Wir brauchen Maschinen, die die Welt verstehen, die sich Dinge merken können, die Intuition und gesunden Menschenverstand haben – die auf dem gleichen Niveau wie Menschen denken und planen können“, sagte LeCun. „Aktuelle KI-Systeme sind zu all dem nicht in der Lage. Sie werden möglicherweise erst in einem weiteren Jahrzehnt verfügbar sein.“
Laut OpenAI kann Sora als primitives Weltmodell betrachtet werden, das Aktionen simuliert, etwa wie ein Maler, der Pinselstriche auf einer Leinwand hinterlässt. Das Unternehmen räumt jedoch ein, dass es noch ein langer Weg ist, bis es diese Funktion vollständig implementieren kann.
Trotz seines großen Potenzials ist der Aufbau eines Weltmodells teuer, da er im Vergleich zur derzeit verfügbaren Rechenleistung enorm viel Rechenleistung erfordert. Schätzungen zufolge kann selbst ein kleines Tool Tausende der leistungsstärksten GPUs für das Training beanspruchen.
Zudem ist die Menge der Eingabedaten für das Weltmodell um ein Vielfaches größer als die bestehender großer Sprachmodelle. „Die Trainingsdaten für das Modell müssen breit genug sein, um ein breites Spektrum an Szenarien abzudecken, aber auch spezifisch genug, damit die KI die Nuancen dieser Szenarien tiefgreifend verstehen kann“, kommentierte Mashrabov von Higgsfield. „Der Mangel an Daten verlangsamt den Fortschritt.“
Cristóbal Valenzuela, CEO von Runway AI, sagte ebenfalls, dass Daten die größte Hürde beim Aufbau eines Weltmodells seien. „Modelle erfordern eine Menge Daten und Ingenieursleistung, um eine konsistente Karte der Umgebung zu erstellen und die Fähigkeit zu haben, in dieser Umgebung zu navigieren und zu interagieren“, schrieb Valenzuela in einem Blogbeitrag.
Mashrabov ist jedoch davon überzeugt, dass World Model, wenn alle diese Barrieren überwunden werden, KI besser mit der realen Welt verbinden kann, insbesondere in Kombination mit Robotern.
„Roboter sind heute in ihrer Arbeitsfähigkeit eingeschränkt, da sie ihre Umgebung nicht wahrnehmen. Das Weltmodell kann ihnen diese Fähigkeit verleihen“, sagte er. „Mit einem fortschrittlichen Modell kann KI jedes Szenario, in das sie hineingestellt wird, individuell verstehen und über mögliche Lösungen nachdenken.“
