Video-Weltmodelle und neuronale Netze neu denken

Video-Weltmodelle / Neuronale Netze neu denken

{{#ev:youtube|https://www.youtube.com/watch?v=h-TgCHwApf0%7C500%7Ccenter}}

Einleitung

Video-Weltmodelle gehören zu den spannendsten Entwicklungen der aktuellen Künstlichen Intelligenz. Sie verschieben den Blick auf neuronale Netze: Nicht nur das Erkennen einzelner Muster steht im Mittelpunkt, sondern das Lernen von dynamischen Zusammenhängen in einer Welt, die sich über die Zeit verändert. Ein klassisches künstliches neuronales Netz kann zum Beispiel ein Bild klassifizieren, Text erzeugen oder Objekte erkennen. Ein Weltmodell soll darüber hinaus vorhersagen, wie sich eine Umgebung verändert, wenn etwas geschieht: Was passiert, wenn ein Roboter greift? Wie bewegt sich ein Ball nach einem Stoß? Welche Handlung führt in einer Szene wahrscheinlich zum Ziel?

Ein Video-Weltmodell lernt aus Videos und anderen zeitlichen Daten. Es versucht, nicht nur einzelne Bilder zu verstehen, sondern Bewegungen, Ursache-Wirkungs-Beziehungen, räumliche Strukturen, Handlungen und Veränderungen. Dadurch entsteht ein Modell, das eine Art innere Simulation der Welt bilden kann. Diese innere Simulation ist kein perfektes Abbild der Wirklichkeit, sondern eine komprimierte, gelernte Darstellung, die für Vorhersage, Planung und Handlung nützlich sein soll.

Das Thema „Neuronale Netze neu denken“ bedeutet dabei nicht, dass neuronale Netze überflüssig werden. Es bedeutet, dass ihre Rolle erweitert wird. Statt nur Eingaben in Ausgaben zu übersetzen, sollen sie in latenten Räumen Zustände, Bewegungen und mögliche Zukünfte modellieren. Besonders wichtig ist das für Robotik, Autonomes Fahren, Simulation, Reinforcement Learning, Computer Vision, Embodied AI und interaktive generative KI.

Worum geht es in diesem aiMOOC?

In diesem aiMOOC lernst Du, was Video-Weltmodelle sind, warum sie für die Zukunft neuronaler Netze wichtig sind und welche Chancen und Risiken mit ihnen verbunden sind. Du untersuchst, wie aus Videodaten interne Repräsentationen entstehen, wie Modelle mögliche Zukunftszustände vorhersagen und warum diese Fähigkeit für handelnde KI-Systeme entscheidend sein kann. Außerdem arbeitest Du mit ethischen, gesellschaftlichen und technischen Fragen: Wie zuverlässig sind solche Modelle? Wo können sie nützen? Wann werden sie gefährlich? Welche Verantwortung tragen Entwicklerinnen, Entwickler, Unternehmen und Gesellschaft?

Lernziele

Weltmodell: Du kannst erklären, was ein Weltmodell in der KI bedeutet und warum es über reine Mustererkennung hinausgeht.
Video-Weltmodell: Du kannst beschreiben, wie Videodaten genutzt werden, um zeitliche und räumliche Veränderungen zu lernen.
Neuronales Netz: Du kannst zentrale Bausteine neuronaler Netze benennen und auf Weltmodelle übertragen.
Latenter Raum: Du kannst erklären, warum Modelle Informationen komprimieren und in abstrakten Repräsentationen weiterverarbeiten.
Robotik: Du kannst begründen, warum Weltmodelle für Roboter, autonome Fahrzeuge und verkörperte KI relevant sind.
Medienkritik: Du kannst Chancen, Grenzen und Risiken von Video-Weltmodellen kritisch bewerten.
Projektarbeit: Du kannst ein eigenes Lernprodukt, Erklärvideo, Konzeptdiagramm oder Fallbeispiel zu Video-Weltmodellen entwickeln.

Grundbegriffe

Künstliche neuronale Netze

Ein Künstliches neuronales Netz besteht aus vielen miteinander verbundenen künstlichen Neuronen. Diese Neuronen verarbeiten Signale, gewichten Eingaben und geben Ausgaben weiter. Ein einfaches Netz besitzt eine Eingabeschicht, eine oder mehrere verborgene Schichten und eine Ausgabeschicht. Während des Trainings werden Parameter so angepasst, dass das Netz aus Beispielen lernt.

Bei vielen klassischen Anwendungen wird ein Modell darauf trainiert, eine passende Ausgabe zu erzeugen: ein Label für ein Bild, eine Übersetzung für einen Satz, eine Prognose für eine Zahl oder eine Steuerentscheidung für eine Maschine. Moderne KI-Systeme nutzen dafür sehr große Datenmengen, leistungsfähige Grafikprozessoren und spezialisierte Architekturen wie Convolutional Neural Network, Rekurrentes neuronales Netz, Transformer oder Diffusionsmodell.

Vom Erkennen zum Vorhersagen

Video-Weltmodelle verschieben den Schwerpunkt: Die zentrale Frage lautet nicht nur „Was ist auf dem Bild?“, sondern „Was wird als Nächstes passieren?“ Diese Frage ist deutlich anspruchsvoller. Sie verlangt ein Verständnis von Bewegung, Raum, Objekten, Perspektive, Kontakt, Kollision, Absicht, Handlung und möglicher Zukunft. Ein Ball bleibt nicht einfach ein Ball, sondern wird Teil einer Szene, in der Kräfte, Hindernisse und Handlungen eine Rolle spielen. Eine Tür ist nicht nur ein Rechteck im Bild, sondern ein Objekt, das geöffnet, geschlossen oder blockiert werden kann.

Diese Form des Lernens ist für viele Anwendungen entscheidend. Ein Roboter muss nicht nur erkennen, dass ein Glas auf dem Tisch steht. Er muss abschätzen, wie sich das Glas bewegt, wenn er es berührt, wie viel Platz seine Greifbewegung benötigt und welche Handlung wahrscheinlich sicher ist. Ein autonomes Fahrzeug muss nicht nur andere Verkehrsteilnehmende erkennen, sondern deren wahrscheinliche Bewegungen vorhersehen. Ein Assistenzsystem muss nicht nur eine Szene beschreiben, sondern mögliche Folgen von Handlungen abschätzen.

Weltmodell

Ein Weltmodell ist in der KI eine gelernte interne Darstellung einer Umgebung. Es soll einem Agenten helfen, Zustände zu verstehen, zukünftige Zustände vorherzusagen und Handlungen zu planen. Ein Agent kann ein Roboter, ein autonomes Fahrzeug, eine Spielfigur, ein digitales Assistenzsystem oder ein anderes handelndes KI-System sein.

Ein Weltmodell beantwortet vereinfacht drei Fragen:

Wahrnehmung: Was nehme ich in der Umgebung wahr?
Vorhersage: Wie wird sich die Umgebung wahrscheinlich verändern?
Planung: Welche Handlung führt wahrscheinlich zu meinem Ziel?

Bei einem Video-Weltmodell wird diese innere Darstellung vor allem aus Videosequenzen gelernt. Das Modell verarbeitet also zeitliche Folgen von Bildern und versucht, Dynamik zu verstehen. Dabei kann es entweder zukünftige Bilder erzeugen, zukünftige abstrakte Zustände vorhersagen oder Handlungsmöglichkeiten bewerten.

Latenter Raum

Der latente Raum ist eine komprimierte Darstellungsform. Statt jedes Pixel eines Videos vollständig zu speichern, bildet ein Modell eine abstraktere Repräsentation. Diese Repräsentation kann wichtige Informationen über Objekte, Positionen, Bewegungen, Szenenstruktur und mögliche Handlungen enthalten. Der latente Raum ist für Menschen nicht direkt sichtbar, aber er kann mathematisch verarbeitet werden.

Für Video-Weltmodelle ist der latente Raum wichtig, weil Vorhersagen in vollständigen Pixelbildern sehr aufwendig und oft unnötig sind. Ein Modell muss nicht jede Textur perfekt rekonstruieren, wenn es für Planung vor allem wissen muss, dass ein Objekt fällt, eine Hand sich nähert oder ein Hindernis im Weg ist. Deshalb werden in vielen Ansätzen visuelle Daten zunächst durch einen Encoder in latente Repräsentationen übersetzt. Ein Dynamikmodell sagt dann voraus, wie sich diese Repräsentationen verändern.

Embodied AI und Robotik

Embodied AI bedeutet, dass KI nicht nur abstrakte Aufgaben löst, sondern mit einer Umgebung verbunden ist. Diese Umgebung kann physisch sein, etwa bei einem Roboter, oder simuliert, etwa in einer virtuellen Welt. Ein verkörperter Agent nimmt wahr, entscheidet und handelt. Dadurch entsteht ein Kreislauf aus Wahrnehmung, Handlung und Rückmeldung.

In der Robotik ist dieser Kreislauf besonders anspruchsvoll. Ein Roboter muss mit unvollständigen Informationen umgehen, Sensorfehler ausgleichen, mit realen Objekten interagieren und sichere Bewegungen ausführen. Video-Weltmodelle können hier helfen, weil sie mögliche Folgen einer Handlung vorab in einer inneren Simulation abschätzen. Das kann reale Versuche reduzieren, Risiken verringern und Lernen effizienter machen.

Wie funktionieren Video-Weltmodelle?

Wahrnehmung, Verdichtung, Vorhersage, Handlung

Ein typischer Ablauf bei einem Video-Weltmodell kann so beschrieben werden:

Sensorik: Kameras, Lidar, Mikrofone oder andere Sensoren liefern Daten über die Umgebung.
Encoder: Ein neuronales Netz verdichtet die Daten in eine abstrakte Repräsentation.
Dynamikmodell: Das Modell sagt voraus, wie sich der Zustand über die Zeit verändert.
Planung: Ein Agent testet gedanklich verschiedene Handlungen und deren wahrscheinliche Folgen.
Policy: Eine Handlungsstrategie wählt eine konkrete Aktion aus.
Feedback: Die Handlung verändert die Umgebung, neue Daten werden aufgenommen und das Modell kann weiterlernen.

Bei Video-Weltmodellen ist die zeitliche Struktur besonders wichtig. Ein einzelnes Bild kann zeigen, wo ein Objekt ist. Ein Video zeigt zusätzlich, wohin es sich bewegt, ob es beschleunigt, ob etwas geschoben wird, ob ein Mensch eine Handlung vorbereitet oder ob eine Szene instabil wird.

Vorhersage in Pixeln oder im latenten Raum

Es gibt verschiedene Strategien, wie Video-Weltmodelle Vorhersagen erzeugen. Manche Modelle erzeugen zukünftige Videoframes. Andere sagen nicht die Pixel selbst voraus, sondern abstrakte Merkmale im latenten Raum. Beide Wege haben Vor- und Nachteile.

Eine pixelgenaue Videovorhersage ist anschaulich und kann für Menschen leicht überprüfbar wirken. Sie ist aber rechenintensiv und kann sich auf visuelle Details konzentrieren, die für eine Handlung gar nicht entscheidend sind. Eine Vorhersage im latenten Raum kann effizienter sein und stärker auf relevante Strukturen zielen. Dafür ist sie weniger direkt interpretierbar. Eine wichtige Forschungsfrage lautet deshalb: Welche Repräsentation enthält genug Weltwissen, um zuverlässig zu planen, ohne unnötige Details zu berechnen?

Selbstüberwachtes Lernen

Viele Video-Weltmodelle nutzen Selbstüberwachtes Lernen. Dabei werden keine vollständig von Menschen beschrifteten Daten benötigt. Das Modell erhält zum Beispiel Videosequenzen und lernt, fehlende oder zukünftige Teile vorherzusagen. Die Struktur der Daten selbst liefert also ein Lernsignal. Wenn ein Modell aus den ersten Sekunden eines Videos die nächsten Sekunden vorhersagen soll, muss es Muster über Bewegung, Objekte und zeitliche Abhängigkeiten lernen.

Selbstüberwachtes Lernen ist besonders wichtig, weil die Welt riesig ist und Menschen nicht jede Szene einzeln beschriften können. Videos enthalten sehr viele Informationen über Alltagsphysik, Handlungen, Materialverhalten, Navigation und soziale Situationen. Allerdings bedeutet viel Video nicht automatisch gutes Weltverständnis. Datenqualität, Perspektivenvielfalt, Datenschutz, Verzerrungen und fehlende Handlungsinformationen bleiben zentrale Herausforderungen.

Handlungskonditionierte Modelle

Ein besonders wichtiger Schritt sind handlungskonditionierte Modelle. Sie sagen nicht nur voraus, was wahrscheinlich als Nächstes passiert, sondern was passieren würde, wenn eine bestimmte Handlung ausgeführt wird. Für einen Roboter ist dieser Unterschied entscheidend. Er muss nicht nur die nächste Beobachtung prognostizieren, sondern die Folgen eigener Handlungen abschätzen.

Ein Beispiel: Ein Modell sieht eine Tasse auf einem Tisch. Eine reine Videovorhersage könnte zeigen, dass die Tasse unverändert stehen bleibt. Ein handlungskonditioniertes Weltmodell kann dagegen verschiedene Möglichkeiten simulieren: Was passiert, wenn der Greifer von links kommt? Was passiert, wenn die Tasse zu stark angestoßen wird? Was passiert, wenn die Hand die Tasse am Henkel fasst? Dadurch wird Planung möglich.

Weltmodelle und Reinforcement Learning

Im Reinforcement Learning lernt ein Agent durch Handlungen und Rückmeldungen. Er erhält Belohnungen oder Kosten und soll eine Strategie entwickeln, die langfristig gute Ergebnisse erzielt. Ohne Weltmodell muss ein Agent oft sehr viele reale oder simulierte Versuche durchführen. Das kann langsam, teuer oder gefährlich sein.

Ein Weltmodell kann die Lernsituation verändern. Der Agent kann in der gelernten inneren Simulation verschiedene Handlungen ausprobieren, bevor er in der echten Umgebung handelt. Dieses Prinzip wird oft als „Planung in Vorstellung“ beschrieben. Es ist jedoch wichtig, die Grenzen zu verstehen: Wenn das Weltmodell falsch ist, kann auch die Planung falsch sein. Deshalb müssen Weltmodelle kontinuierlich überprüft, mit realen Daten abgeglichen und gegen seltene, riskante und ungewohnte Situationen getestet werden.

Neuronale Netze neu denken

Von statischen Daten zu dynamischen Welten

Klassische Datensätze bestehen häufig aus einzelnen Bildern, Texten oder Tabellen. Die Welt ist jedoch dynamisch. Menschen lernen sehr viel aus Bewegung: Ein fallendes Glas, ein sich öffnender Fahrstuhl, ein Mensch, der nach einem Werkzeug greift, oder ein Fahrzeug, das seine Spur wechselt. Video-Weltmodelle machen diese Dynamik zum zentralen Lerngegenstand.

Das verändert auch die Frage, was ein gutes neuronales Netz leisten soll. Ein gutes Modell soll nicht nur statistisch passende Ausgaben erzeugen. Es soll stabile, überprüfbare und handlungsrelevante Repräsentationen bilden. Es soll zwischen wichtigen und unwichtigen Details unterscheiden. Es soll Zustände über Zeit verfolgen und mögliche Folgen abschätzen. Dadurch rücken Begriffe wie Kausalität, Kontinuität, Objektpermanenz, Planung, Robustheit und Generalisation stärker in den Mittelpunkt.

Von Sprache zu Weltbezug

Große Sprachmodelle können Texte verarbeiten und erzeugen. Sie sind für viele Aufgaben sehr leistungsfähig, aber Sprache allein enthält kein vollständiges physisches Weltmodell. Ein Satz über einen fallenden Gegenstand ist nicht dasselbe wie die Fähigkeit, den Fall in einer Szene zuverlässig vorherzusagen. Video-Weltmodelle ergänzen sprachbasierte KI, indem sie visuelle und zeitliche Erfahrungen einbeziehen.

In Zukunft könnten hybride Systeme entstehen: Ein Sprachmodell versteht Aufgaben, Ziele und Anweisungen. Ein Video-Weltmodell simuliert mögliche Folgen in einer Umgebung. Eine Handlungsstrategie setzt ausgewählte Aktionen um. Für Robotik, Assistenzsysteme und autonome Systeme könnte diese Kombination besonders wichtig werden.

Von Modellleistung zu Systemverantwortung

Video-Weltmodelle sind nicht nur eine technische Entwicklung. Sie werfen auch Fragen nach Verantwortung auf. Ein Modell, das in virtuellen Welten plausibel wirkt, kann in der realen Welt dennoch gefährliche Fehler machen. Ein autonomes Fahrzeug darf nicht nur in Standardsituationen funktionieren. Ein Roboter darf Menschen nicht gefährden. Ein Simulationssystem darf keine falsche Sicherheit erzeugen.

Deshalb müssen Video-Weltmodelle als Teil eines Gesamtsystems verstanden werden. Dazu gehören Datensätze, Training, Tests, Sicherheitsmechanismen, menschliche Aufsicht, rechtliche Regeln, Energieverbrauch, Transparenz und gesellschaftliche Folgen. „Neuronale Netze neu denken“ bedeutet also auch, KI nicht nur als Modell, sondern als sozio-technisches System zu betrachten.

Forschungsbeispiele und Entwicklungslinien

World Models nach Ha und Schmidhuber

Ein wichtiger Impuls kam durch die Arbeit „World Models“ von David Ha und Jürgen Schmidhuber. Die Grundidee war, dass ein Agent eine komprimierte zeitliche Repräsentation seiner Umgebung lernen kann und diese Repräsentation zur Steuerung nutzt. Besonders bekannt wurde die Vorstellung, dass ein Agent teilweise in der eigenen gelernten Vorstellung trainieren kann. Damit wurde deutlich: Ein Modell der Umwelt kann nicht nur beschreiben, sondern aktives Lernen und Handeln unterstützen.

{{#ev:youtube|https://www.youtube.com/watch?v=dPsXxLyqpfs%7C500%7Ccenter}}

Dreamer und Lernen durch Vorstellung

Die Dreamer-Familie von Verfahren zeigte, wie ein Agent aus Bilddaten ein Weltmodell lernen und darin Handlungen planen kann. Der Begriff „latent imagination“ beschreibt, dass zukünftige Zustände nicht zwingend als vollständige Pixelbilder, sondern in einem kompakten latenten Raum simuliert werden. Das ist für Lernprozesse effizient, weil viele mögliche Zukunftsverläufe schneller berechnet werden können.

{{#ev:youtube|https://www.youtube.com/watch?v=BDxRNnhPTlU%7C500%7Ccenter}}

Generative interaktive Umgebungen

Neuere generative Weltmodelle können interaktive Umgebungen aus Bildern, Skizzen oder Textbeschreibungen erzeugen. Solche Ansätze sind für Spiele, Simulation, Robotiktraining und kreative Medien interessant. Entscheidend ist dabei nicht nur die visuelle Qualität, sondern die zeitliche Konsistenz: Objekte sollten ihre Position behalten, Bewegungen sollten plausibel bleiben und Handlungen sollten nachvollziehbare Folgen haben.

{{#ev:youtube|https://www.youtube.com/watch?v=PDKhUknuQDg%7C500%7Ccenter}}

Chancen von Video-Weltmodellen

Effizienteres Lernen

Video-Weltmodelle können helfen, Lernprozesse effizienter zu machen. Wenn ein Agent mögliche Handlungen in einer gelernten Simulation testen kann, braucht er möglicherweise weniger reale Versuche. Das ist besonders wichtig, wenn reale Versuche teuer, langsam oder riskant sind. In der Robotik kann ein fehlgeschlagener Versuch Hardware beschädigen. Im Verkehr kann ein Fehler gefährlich sein. In der Medizin oder Pflege sind Sicherheitsanforderungen besonders hoch.

Bessere Planung

Ein System mit Weltmodell kann verschiedene Zukunftsverläufe vergleichen. Es kann zum Beispiel abschätzen, ob ein geplanter Griff stabil ist, ob ein Fahrzeug rechtzeitig bremsen kann oder ob ein Roboterarm ein Hindernis berührt. Planung wird dadurch nicht magisch perfekt, aber sie kann informierter werden. Gute Weltmodelle ermöglichen eine Art „mentalen Probelauf“, bevor gehandelt wird.

Lernen aus Beobachtung

Menschen lernen viel durch Beobachtung. Auch Video-Weltmodelle nutzen die Idee, aus beobachteten Handlungen und Szenen zu lernen. Das kann Robotern helfen, Alltagsaufgaben besser zu verstehen. Ein Roboter muss nicht jede Handlung durch direkte Programmierung lernen, sondern kann aus vielen Beispielen Muster erkennen: Wie öffnet man Schubladen? Wie bewegt man fragile Objekte? Wie interagieren Menschen mit Werkzeugen?

Simulation und Sicherheitstests

Weltmodelle können seltene Situationen simulieren. Für autonome Fahrzeuge sind seltene Ereignisse besonders wichtig: ein plötzlich auftauchendes Hindernis, ungewöhnliches Wetter, Baustellen oder unvorhersehbares Verhalten anderer Verkehrsteilnehmender. In Simulationen können solche Situationen häufiger getestet werden als in der Realität. Trotzdem muss jede Simulation kritisch geprüft werden, weil sie die Wirklichkeit nur annähert.

Grenzen und Risiken

Fehlerhafte Vorhersagen

Ein Video-Weltmodell kann plausibel wirkende, aber falsche Vorhersagen erzeugen. Das ist besonders gefährlich, wenn Menschen der Simulation zu stark vertrauen. Eine Szene kann visuell überzeugend aussehen, obwohl physikalische Details, soziale Regeln oder seltene Ereignisse falsch modelliert sind. Für sicherheitskritische Anwendungen reicht es nicht, dass Vorhersagen „gut aussehen“. Sie müssen zuverlässig, überprüfbar und robust sein.

Datenverzerrung und blinde Flecken

Ein Modell lernt aus Daten. Wenn bestimmte Situationen, Menschen, Umgebungen oder Perspektiven in den Daten fehlen, kann das Modell dort schlechter funktionieren. Auch Videodaten können Verzerrungen enthalten. Ein Modell, das vor allem in bestimmten Städten, Haushalten oder Fabriken trainiert wurde, versteht andere Kontexte möglicherweise schlechter. Deshalb sind Datenauswahl, Dokumentation und Evaluation entscheidend.

Datenschutz und Urheberrecht

Videos können personenbezogene Informationen enthalten: Gesichter, Stimmen, Orte, Verhaltensmuster oder private Räume. Für das Training von Video-Weltmodellen müssen daher Datenschutz, Einwilligung, Anonymisierung und Zweckbindung beachtet werden. Auch Urheberrechte spielen eine Rolle, wenn Videos aus dem Internet verwendet werden. Eine verantwortliche KI-Entwicklung braucht klare Regeln für Datenherkunft und Nutzung.

Dual Use und Missbrauch

Technologien, die Simulation, Vorhersage und Handlung verbessern, können nützlich und gefährlich sein. Video-Weltmodelle können Robotik, Bildung, Wissenschaft und Barrierefreiheit unterstützen. Sie können aber auch für Überwachung, Manipulation, militärische Anwendungen oder automatisierte Täuschung missbraucht werden. Deshalb gehört ethische Reflexion von Anfang an zum Thema.

Energie und Ressourcen

Große Video-Modelle benötigen viel Rechenleistung. Training und Betrieb können hohe Kosten und Energieverbrauch verursachen. Für die Bewertung einer KI-Technologie zählen daher nicht nur Leistungswerte, sondern auch Nachhaltigkeit, Effizienz und gesellschaftlicher Nutzen. Ein kleineres, gut angepasstes Modell kann in manchen Anwendungen sinnvoller sein als ein riesiges allgemeines Modell.

Didaktische Vertiefung: Ein Denkmodell

Stell Dir einen Roboter vor, der einen Tisch decken soll. Ohne Weltmodell erkennt er vielleicht Teller, Glas und Besteck. Mit einem Weltmodell kann er zusätzlich abschätzen, was passiert, wenn er ein Objekt an einer bestimmten Stelle greift, ob ein Glas kippen könnte, wie ein Teller auf einer Kante reagiert und wie viel Platz seine Bewegung braucht. Er denkt nicht wie ein Mensch, aber er nutzt gelernte Vorhersagen, um Handlungen zu bewerten.

Dieses Beispiel zeigt den Kern: Video-Weltmodelle verbinden Wahrnehmung und Handlung. Sie machen aus einem neuronalen Netz nicht automatisch ein verständiges Wesen, aber sie können KI-Systemen helfen, dynamische Umgebungen besser zu modellieren. Die zentrale Herausforderung bleibt, aus statistischer Vorhersage zuverlässige, verantwortliche und überprüfbare Handlungssysteme zu bauen.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was beschreibt ein Weltmodell in der Künstlichen Intelligenz am besten? (Eine gelernte interne Darstellung einer Umgebung zur Vorhersage und Planung) (!Eine Liste aller Trainingsdaten in alphabetischer Reihenfolge) (!Ein Programm ohne lernbare Parameter) (!Eine reine Datenbank für fertige Antworten)

Was ist an Video-Weltmodellen besonders wichtig? (Sie lernen zeitliche Veränderungen aus Bildfolgen) (!Sie ignorieren Bewegungen in Szenen) (!Sie verarbeiten ausschließlich einzelne Tabellen) (!Sie ersetzen jede Form von Sensorik)

Warum wird häufig ein latenter Raum genutzt? (Um wichtige Informationen kompakt darzustellen) (!Um alle Daten absichtlich zu verlieren) (!Um Bilder nur manuell zu beschriften) (!Um Rechenprozesse ohne Modell auszuführen)

Welche Frage steht bei Video-Weltmodellen besonders im Mittelpunkt? (Was wird wahrscheinlich als Nächstes passieren) (!Wie heißt jede Datei im Datensatz) (!Welche Schriftart hat ein Text) (!Wie viele Pixel hat ein Bildschirm)

Warum sind handlungskonditionierte Weltmodelle für Roboter wichtig? (Sie können Folgen möglicher Aktionen abschätzen) (!Sie verhindern jede Bewegung eines Roboters) (!Sie speichern nur die Farbe von Objekten) (!Sie funktionieren nur ohne Umweltkontakt)

Was bedeutet Embodied AI? (KI-Systeme nehmen wahr und handeln in einer Umgebung) (!KI-Systeme bestehen nur aus Wörterbüchern) (!KI-Systeme dürfen keine Sensoren nutzen) (!KI-Systeme erzeugen ausschließlich Musik)

Welche Rolle kann Reinforcement Learning bei Weltmodellen spielen? (Ein Agent lernt Handlungen durch Rückmeldungen und Vorhersagen) (!Ein Agent löscht seine Erfahrungen nach jeder Handlung) (!Ein Agent vermeidet jede Form von Belohnung) (!Ein Agent arbeitet nur mit statischen Fotos)

Welche Gefahr besteht bei plausibel aussehenden Simulationen? (Sie können überzeugend wirken und trotzdem falsch sein) (!Sie sind immer identisch mit der Wirklichkeit) (!Sie machen Tests grundsätzlich überflüssig) (!Sie enthalten niemals Verzerrungen)

Warum ist Datenschutz bei Video-Weltmodellen relevant? (Videos können personenbezogene Informationen enthalten) (!Videos enthalten grundsätzlich keine Informationen) (!Datenschutz betrifft nur gedruckte Bücher) (!Modelle dürfen keine Daten verarbeiten)

Was bedeutet Neuronale Netze neu denken in diesem Thema? (Neuronale Netze als dynamische Vorhersage und Planungssysteme verstehen) (!Neuronale Netze vollständig abschaffen) (!Nur noch Taschenrechner im Unterricht verwenden) (!Videos grundsätzlich aus der KI entfernen)

Memory

Weltmodell	Innere Simulation
Encoder	Verdichtung von Eingaben
Latenter Raum	Kompakte Repräsentation
Policy	Handlungsstrategie
Reinforcement Learning	Lernen durch Rückmeldung
Embodied AI	Verkörpertes Handeln
Vorhersage	Möglicher Zukunftszustand
Feedback	Rückmeldung aus der Umwelt

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Sensorik	Wahrnehmung der Umgebung
Encoder	Umwandlung in eine kompakte Darstellung
Dynamikmodell	Vorhersage zeitlicher Veränderungen
Planung	Vergleich möglicher Zukunftsverläufe
Aktion	Ausführung einer gewählten Handlung

Kreuzworträtsel

Weltmodell	Wie nennt man eine gelernte interne Darstellung einer Umgebung?
Encoder	Welcher Baustein verdichtet Eingaben in eine Repräsentation?
Planung	Wie nennt man das Vergleichen möglicher Handlungsfolgen?
Robotik	In welchem technischen Feld sind handelnde Maschinen zentral?
Latentraum	Wie nennt man einen kompakten abstrakten Darstellungsraum?
Feedback	Wie nennt man Rückmeldung aus der Umgebung?

LearningApps

Lückentext

Ein

ist eine gelernte interne Darstellung einer Umgebung. Video-Weltmodelle verarbeiten zeitliche Folgen von

. Ein Encoder verdichtet Eingaben häufig in einen

. Ein Dynamikmodell sagt mögliche zukünftige

voraus. Für Roboter sind handlungskonditionierte Vorhersagen wichtig, weil sie Folgen von

abschätzen. Reinforcement Learning nutzt Rückmeldungen aus der Umgebung als

. Embodied AI verbindet Wahrnehmung, Entscheidung und

. Kritische Bewertung ist nötig, weil Simulationen plausibel wirken und trotzdem

sein können.

Offene Aufgaben

Leicht

Begriffskarte: Erstelle eine Begriffskarte zu Weltmodell, Latenter Raum, Encoder, Policy und Embodied AI mit kurzen Erklärungen in eigenen Worten.
Alltagsbeispiel: Beschreibe eine Alltagssituation, in der Menschen ein inneres Weltmodell nutzen, etwa beim Fahrradfahren, Kochen oder Ballfangen.
Videoanalyse: Schau Dir das eingebettete Video an und notiere fünf zentrale Aussagen, die für das Verständnis von Video-Weltmodellen wichtig sind.
Skizze: Zeichne einen einfachen Kreislauf aus Wahrnehmung, Vorhersage, Planung, Handlung und Feedback.

Standard

Vergleich: Vergleiche ein klassisches Bilderkennungsmodell mit einem Video-Weltmodell und erkläre die Unterschiede anhand eines Beispiels.
Fallstudie Robotik: Entwickle ein Szenario, in dem ein Haushaltsroboter ein Weltmodell benötigt, und beschreibe mindestens drei mögliche Fehlerquellen.
Ethik-Check: Erstelle eine Checkliste mit Datenschutz-, Sicherheits- und Fairnessfragen für das Training eines Video-Weltmodells.
Konzeptdiagramm: Gestalte ein Diagramm, das Sensorik, Encoder, Latentraum, Dynamikmodell, Planung und Aktion miteinander verbindet.

Schwer

Transfer Autonomes Fahren: Analysiere, wie ein Video-Weltmodell seltene Verkehrssituationen simulieren könnte, und bewerte Nutzen und Grenzen.
Forschungsdebatte: Schreibe eine argumentative Stellungnahme zur Frage, ob Video-Weltmodelle ein Schritt zu allgemeinerer KI sind.
Prototyp-Konzept: Entwirf ein Konzept für ein Bildungsprojekt, in dem Lernende ein einfaches Weltmodell ohne Programmierung nachvollziehen können.
Risikoanalyse: Untersuche ein mögliches Missbrauchsszenario und entwickle Gegenmaßnahmen auf technischer, rechtlicher und pädagogischer Ebene.

Lernkontrolle

Systemverständnis: Erkläre anhand eines selbstgewählten Beispiels, warum ein Video-Weltmodell mehr leisten muss als reine Bilderkennung.
Transfer Robotik: Beschreibe eine Roboteraufgabe und analysiere, welche Teile der Aufgabe Wahrnehmung, Vorhersage, Planung und Handlung betreffen.
Bewertung Simulation: Beurteile, wann eine Simulation für sicherheitskritische Tests nützlich ist und wann sie gefährliche Scheinsicherheit erzeugen kann.
Datenkritik: Entwickle Kriterien, mit denen Du beurteilen kannst, ob ein Videodatensatz für ein Weltmodell geeignet und verantwortbar ist.
Vergleich KI-Systeme: Vergleiche ein Sprachmodell und ein Video-Weltmodell hinsichtlich Eingaben, Ausgaben, Stärken und Grenzen.
Ethische Entscheidung: Entscheide für ein konkretes Anwendungsszenario, ob der Einsatz eines Video-Weltmodells vertretbar ist, und begründe Deine Entscheidung.

Lernnachweis

Für einen überzeugenden Lernnachweis zu diesem Thema solltest Du zeigen, dass Du nicht nur Begriffe wiedergeben kannst, sondern Zusammenhänge verstehst. Wichtig sind:

Fachbegriffe: Sichere Verwendung von Begriffen wie Weltmodell, Video-Weltmodell, Latenter Raum, Encoder, Policy, Reinforcement Learning und Embodied AI.
Erklärkompetenz: Fähigkeit, den Unterschied zwischen Mustererkennung, Vorhersage und Planung verständlich zu erklären.
Transferleistung: Anwendung des Wissens auf ein neues Beispiel aus Robotik, Autonomes Fahren, Simulation, Bildung oder Medienproduktion.
Kritische Reflexion: Bewertung von Chancen, Grenzen, Fehlerquellen, Datenschutzfragen und Missbrauchsrisiken.
Visualisierung: Erstellung eines eigenen Modells, Diagramms, Erklärvideos, Posters oder interaktiven Lernprodukts.
Argumentation: Begründete Stellungnahme zur Frage, wie neuronale Netze durch Weltmodelle neu gedacht werden können.

OERs zum Thema

Links

Video-Weltmodelle

aiMOOC-Projekte

Schulfach+

Prüfungsliteratur 2026
Bundesland	Bücher	Kurzbeschreibung
Baden-Württemberg	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck Mittlere Reife Der Markisenmann - Jan Weiler oder Als die Welt uns gehörte - Liz Kessler Ein Schatten wie ein Leopard - Myron Levoy oder Pampa Blues - Rolf Lappert	Abitur Dorfrichter-Komödie über Wahrheit/Schuld; Roman über einen Ort und deutsche Geschichte. Mittlere Reife Wahllektüren (Roadtrip-Vater-Sohn / Jugendroman im NS-Kontext / Coming-of-age / Provinzroman).
Bayern	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Lustspiel über Machtmissbrauch und Recht; Roman als Zeitschnitt deutscher Geschichte an einem Haus/Grundstück.
Berlin/Brandenburg	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Der Biberpelz - Gerhart Hauptmann Heimsuchung - Jenny Erpenbeck	Abitur Gerichtskomödie; soziales Drama um Ausbeutung/Armut; Komödie/Satire um Diebstahl und Obrigkeit; Roman über Erinnerungsräume und Umbrüche.
Bremen	Abitur Nach Mitternacht - Irmgard Keun Mario und der Zauberer - Thomas Mann Emilia Galotti - Gotthold Ephraim Lessing oder Miss Sara Sampson - Gotthold Ephraim Lessing	Abitur Roman in der NS-Zeit (Alltag, Anpassung, Angst); Novelle über Verführung/Massenpsychologie; bürgerliche Trauerspiele (Moral, Macht, Stand).
Hamburg	Abitur Der zerbrochne Krug - Heinrich von Kleist Das kunstseidene Mädchen - Irmgard Keun	Abitur Justiz-/Machtkritik als Komödie; Großstadtroman der Weimarer Zeit (Rollenbilder, Aufstiegsträume, soziale Realität).
Hessen	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Heimsuchung - Jenny Erpenbeck Der Prozess - Franz Kafka	Abitur Gerichtskomödie; Fragmentdrama über Gewalt/Entmenschlichung; Erinnerungsroman über deutsche Brüche; moderner Roman über Schuld, Macht und Bürokratie.
Niedersachsen	Abitur Der zerbrochene Krug - Heinrich von Kleist Das kunstseidene Mädchen - Irmgard Keun Die Marquise von O. - Heinrich von Kleist Über das Marionettentheater - Heinrich von Kleist	Abitur Schwerpunkt auf Drama/Roman sowie Kleist-Prosatext und Essay (Ehre, Gewalt, Unschuld; Ästhetik/„Anmut“).
Nordrhein-Westfalen	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Komödie über Wahrheit und Autorität; Roman als literarische „Geschichtsschichtung“ an einem Ort.
Saarland	Abitur Heimsuchung - Jenny Erpenbeck Furor - Lutz Hübner und Sarah Nemitz Bahnwärter Thiel - Gerhart Hauptmann	Abitur Erinnerungsroman an einem Ort; zeitgenössisches Drama über Eskalation/Populismus; naturalistische Novelle (Pflicht/Überforderung/Abgrund).
Sachsen (berufliches Gymnasium)	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Irrungen, Wirrungen - Theodor Fontane Der gute Mensch von Sezuan - Bertolt Brecht Heimsuchung - Jenny Erpenbeck Der Trafikant - Robert Seethaler	Abitur Mischung aus Klassiker-Drama, sozialem Drama, realistischem Roman, epischem Theater und Gegenwarts-/Erinnerungsroman; zusätzlich Coming-of-age im historischen Kontext.
Sachsen-Anhalt	Abitur (keine fest benannte landesweite Pflichtlektüre veröffentlicht; Themenfelder)	Abitur Schwerpunktsetzung über Themenfelder (u. a. Literatur um 1900; Sprache in politisch-gesellschaftlichen Kontexten), ohne feste Einzeltitel.
Schleswig-Holstein	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Recht/Gerechtigkeit und historische Tiefenschichten eines Ortes – umgesetzt über Drama und Gegenwartsroman.
Thüringen	Abitur (keine fest benannte landesweite Pflichtlektüre veröffentlicht; Orientierung am gemeinsamen Aufgabenpool)	Abitur In der Praxis häufig Orientierung am gemeinsamen Aufgabenpool; landesweite Einzeltitel je nach Vorgabe/Handreichung nicht einheitlich ausgewiesen.
Mecklenburg-Vorpommern	Abitur (Quelle aktuell technisch nicht abrufbar; Beteiligung am gemeinsamen Aufgabenpool bekannt)	Abitur Land beteiligt sich am länderübergreifenden Aufgabenpool; konkrete, veröffentlichte Einzeltitel konnten hier nicht ausgelesen werden.
Rheinland-Pfalz	Abitur (keine landesweit einheitliche Pflichtlektüre; schulische Auswahl)	Abitur Keine landesweite Einheitsliste; Auswahl kann schul-/kursbezogen erfolgen.