World Models - KI simuliert die Welt im Kopf

Einleitung

World Models sind ein wichtiger Ansatz in der modernen Künstlichen Intelligenz. Die Grundidee lautet: Ein KI-Agent soll nicht nur unmittelbar auf Eingaben reagieren, sondern ein inneres Modell seiner Umgebung lernen. Dieses innere Modell kann zukünftige Zustände vorhersagen, Handlungsfolgen gedanklich durchspielen und dadurch bessere Entscheidungen treffen. Vereinfacht gesagt: Die KI „simuliert die Welt im Kopf“.

{{#ev:youtube|https://www.youtube.com/watch?v=21QM50qVWco%7C500%7Ccenter}}

Das Video „World Models: KI simuliert die Welt im Kopf / Neuronale Netze neu denken“ führt in ein Zukunftsthema der neuronalen Netze ein. Es behandelt die Frage, wie künstliche neuronale Netze über reine Mustererkennung hinauswachsen können: hin zu Systemen, die Wahrnehmung, Gedächtnis, Vorhersage, Planung und Handlung miteinander verbinden. Damit stehen World Models an der Schnittstelle von Deep Learning, bestärkendem Lernen, Robotik, Simulation, autonomem Fahren und kognitiven Architekturen.

Ein World Model ist kein einzelner fest definierter Algorithmus, sondern ein Forschungsparadigma. Gemeint sind lernende Systeme, die aus Beobachtungen eine verdichtete innere Darstellung der Welt ableiten und daraus mögliche Zukunftsverläufe berechnen. Besonders bedeutsam ist dies für modellbasiertes Reinforcement Learning, weil ein Agent dann nicht jede Handlung in der echten Welt ausprobieren muss. Stattdessen kann er in einer gelernten inneren Simulation testen, welche Handlung wahrscheinlich zu welchem Ergebnis führt.

Was sind World Models?

Ein World Model ist in der KI ein gelerntes Modell einer Umgebung. Es beschreibt nicht die gesamte Welt vollständig, sondern bildet diejenigen Aspekte ab, die für eine Aufgabe relevant sind. Ein autonomes Fahrzeug benötigt zum Beispiel kein vollständiges Wissen über jedes Atom der Straße, aber es braucht ein brauchbares Modell von Fahrspuren, anderen Fahrzeugen, Fußgängerinnen und Fußgängern, Ampeln, Geschwindigkeit, Abstand und möglichen Risiken. Ein Roboterarm muss nicht die gesamte Physik des Universums kennen, aber er muss vorhersagen können, wie sich ein Objekt bewegt, wenn er es greift, schiebt oder fallen lässt.

Grundidee: Handeln durch Vorhersage

Beim klassischen bestärkenden Lernen interagiert ein Agent mit einer Umgebung. Er beobachtet einen Zustand, wählt eine Handlung, erhält eine Rückmeldung und versucht langfristig eine möglichst hohe Belohnung zu erreichen. Ein World Model erweitert diesen Ablauf: Der Agent lernt zusätzlich ein Modell der Umgebungsdynamik. Dadurch kann er fragen: „Was würde vermutlich passieren, wenn ich diese Handlung ausführe?“ Genau diese gedankliche Vorwegnahme macht Planung möglich.

Die entscheidende Idee lautet: Eine intelligente Handlung entsteht nicht nur aus einer direkten Reaktion auf einen Reiz, sondern aus einer inneren Simulation möglicher Folgen. Menschen nutzen im Alltag ständig solche mentalen Modelle. Wenn Du einen Ball wirfst, eine Straße überquerst oder einen Schachzug planst, stellst Du Dir mögliche Entwicklungen vor. World Models versuchen, eine ähnliche Funktion in künstlichen Systemen technisch nutzbar zu machen.

Warum neuronale Netze neu denken?

Viele erfolgreiche künstliche neuronale Netze sind sehr gut darin, Muster in Daten zu erkennen: Sie klassifizieren Bilder, erzeugen Texte, übersetzen Sprachen oder erkennen Objekte. World Models verschieben den Schwerpunkt. Sie fragen nicht nur: „Was ist auf diesem Bild?“ oder „Welches Wort kommt als Nächstes?“, sondern: „Wie verändert sich die Situation, wenn ein Agent handelt?“ Damit werden neuronale Netze stärker als dynamische Modelle gedacht.

Das ist besonders wichtig, wenn KI-Systeme in der realen Welt handeln sollen. Ein Large Language Model kann sehr gut mit Sprache umgehen, hat aber nicht automatisch ein verlässliches Modell von physikalischer Stabilität, Kollisionen, Kräften oder räumlicher Orientierung. Ein World Model soll solche Strukturen aus Beobachtungen und Interaktionen lernen. In der Praxis werden Sprachmodelle und World Models künftig vermutlich oft kombiniert: Sprache kann Ziele beschreiben, während ein Weltmodell Handlungen, Räume und Folgen simuliert.

Zentrale Fachbegriffe

Agent, Umgebung und Zustand

Ein Agent ist ein System, das Entscheidungen trifft und Handlungen ausführt. Die Umgebung ist alles, womit dieser Agent interagiert. Der Zustand beschreibt die aktuelle Situation in einer Form, die für das Lernen oder Handeln relevant ist. In einem Computerspiel kann der Zustand aus Pixeln, Spielfigurposition, Punktestand und Hindernissen bestehen. In der Robotik können Kamerabilder, Sensordaten, Gelenkwinkel und Objektpositionen dazugehören.

Handlung, Policy und Belohnung

Eine Handlung ist das, was der Agent tut. Eine Policy ist die Strategie, nach der ein Agent Handlungen auswählt. Die Belohnung ist ein Rückmeldesignal, das angibt, ob eine Handlung oder eine Handlungsfolge im Sinne des Ziels nützlich war. Eine gute Policy wählt nicht einfach kurzfristig angenehme Handlungen, sondern berücksichtigt langfristige Folgen. Genau dafür sind World Models hilfreich, weil sie Zukunftsverläufe abschätzen können.

Latenter Raum und Repräsentation

Ein World Model arbeitet häufig nicht direkt mit allen Rohdaten. Statt jedes Pixel einzeln zu planen, werden Beobachtungen in einen latenten Raum übersetzt. Ein latenter Raum ist eine verdichtete innere Darstellung. Sie enthält im Idealfall die für die Aufgabe wichtigen Informationen und lässt unwichtige Details weg. Bei einem Rennspiel könnten etwa Straßenverlauf, Fahrzeugposition und Kurvenrichtung wichtiger sein als jedes einzelne Pixel der Textur.

Dynamikmodell und Vorhersage

Das Dynamikmodell beschreibt, wie sich ein Zustand unter einer bestimmten Handlung verändert. Es lernt also Übergänge: Aus aktuellem Zustand plus Handlung entsteht ein vermuteter nächster Zustand. Diese Vorhersage kann im Pixelraum, im latenten Raum oder in einer symbolischen Beschreibung stattfinden. Moderne World Models nutzen häufig Deep Learning, rekurrente neuronale Netze, Transformer, Autoencoder oder andere Architekturen, um solche Übergänge zu lernen.

Modellbasiertes und modellfreies Lernen

Beim modellfreien Lernen lernt der Agent direkt eine Policy oder Wertefunktion, ohne ein explizites Modell der Umweltübergänge aufzubauen. Beim modellbasierten Lernen lernt der Agent zusätzlich ein Modell der Umgebung. Dieses Modell kann genutzt werden, um Handlungen vorab zu bewerten. Modellbasiertes Lernen ist oft besonders attraktiv, wenn echte Versuche teuer, langsam oder riskant sind. Ein Roboter kann nicht beliebig oft in der echten Welt scheitern, ein autonomes Auto darf gefährliche Situationen nicht zum Lernen im Straßenverkehr ausprobieren, und ein medizinisches System darf keine riskanten Behandlungsvarianten blind testen.

Bausteine eines World Models

Wahrnehmung: Aus Rohdaten werden Merkmale

Der erste Baustein ist die Wahrnehmung. Kameras, Sensoren oder simulierte Umgebungen liefern Rohdaten. Diese Rohdaten sind oft hochdimensional und unübersichtlich. Ein neuronaler Encoder kann daraus eine kompakte Repräsentation erzeugen. Das bedeutet: Die KI lernt, welche Eigenschaften einer Beobachtung für ihre Aufgabe wichtig sind.

Verdichtung: Der latente Raum als innere Bühne

Im latenten Raum werden Beobachtungen in einer kleineren, abstrakteren Form gespeichert. Dadurch kann der Agent schneller planen. Statt „Millionen Pixel verändern sich“ denkt das System eher in verdichteten Zustandsmerkmalen. Diese Verdichtung ist nützlich, aber auch gefährlich: Wenn der Encoder wichtige Informationen verliert, plant der Agent auf einer falschen Grundlage. Ein Beispiel wäre ein Roboter, der ein kleines Hindernis übersieht, weil es im latenten Raum nicht ausreichend repräsentiert ist.

Gedächtnis: Zeitliche Zusammenhänge erkennen

Eine Welt besteht nicht aus einzelnen unabhängigen Bildern. Bewegung, Ursache und Wirkung entstehen über Zeit. Deshalb benötigen World Models ein Gedächtnis oder eine Form zeitlicher Modellierung. rekurrente neuronale Netze, LSTM-Netze, GRU-Netze oder Transformer-Architekturen können vergangene Beobachtungen berücksichtigen. So kann das System beispielsweise ableiten, dass ein Ball nach rechts rollt, auch wenn ein einzelnes Bild nur seine aktuelle Position zeigt.

Vorhersage: Was passiert als Nächstes?

Ein World Model berechnet mögliche nächste Zustände. Dabei geht es nicht immer um eine einzige sichere Zukunft. Häufig gibt es mehrere mögliche Zukunftsverläufe. Deshalb arbeiten viele Modelle probabilistisch: Sie schätzen Wahrscheinlichkeiten. Ein Auto vor Dir könnte bremsen, weiterfahren oder abbiegen. Ein gutes Weltmodell sollte solche Unsicherheit abbilden, statt eine falsche Sicherheit vorzutäuschen.

Planung: Handlungen im Kopf ausprobieren

Wenn ein Modell zukünftige Zustände vorhersagen kann, kann ein Agent Handlungsfolgen vergleichen. Er kann im Modell simulieren: „Wenn ich nach links ausweiche, passiert wahrscheinlich A. Wenn ich bremse, passiert wahrscheinlich B. Wenn ich beschleunige, steigt das Risiko.“ Planung bedeutet, mögliche Handlungsfolgen anhand erwarteter Belohnungen, Risiken und Nebenfolgen zu bewerten.

Kontrolle: Aus Planung wird Handlung

Am Ende muss der Agent handeln. Dafür braucht er eine Policy, einen Controller oder einen Planer. Die Policy kann direkt aus dem latenten Zustand eine Handlung berechnen. Ein Planer kann mehrere mögliche Zukunftsverläufe untersuchen und die beste Handlung auswählen. In vielen Systemen werden beide Ansätze kombiniert: Eine schnelle Policy reagiert unmittelbar, während ein Planer für schwierige Situationen längerfristig denkt.

World Models nach Ha und Schmidhuber

Ein besonders einflussreicher Ansatz stammt von David Ha und Jürgen Schmidhuber. In ihrer Arbeit „World Models“ untersuchten sie, wie ein Agent aus visuellen Beobachtungen ein generatives Modell seiner Umgebung lernen kann. Die Architektur bestand vereinfacht aus drei Teilen: einem visuellen Modell zur Verdichtung der Beobachtung, einem Gedächtnis- und Dynamikmodell zur Vorhersage künftiger Zustände und einem Controller zur Auswahl von Handlungen.

V-Modell: Sehen und komprimieren

Das visuelle Modell verarbeitet Bilddaten und übersetzt sie in eine kompakte Repräsentation. Dafür wird häufig ein Variational Autoencoder genutzt. Der Encoder verdichtet die Beobachtung, der Decoder kann daraus wieder eine Annäherung an das ursprüngliche Bild erzeugen. Für den Agenten ist nicht das perfekte Bild entscheidend, sondern eine brauchbare innere Darstellung der Situation.

M-Modell: Erinnerung und Zukunft

Das Memory-Modell beschreibt zeitliche Entwicklungen. Es lernt, wie sich latente Zustände verändern, wenn der Agent handelt. Dadurch entsteht eine innere Dynamik: Der Agent kann nicht nur „sehen“, sondern auch „weiterdenken“. Dieser Teil ist besonders wichtig, weil Planung immer eine zeitliche Dimension hat.

C-Modell: Entscheidung und Kontrolle

Das Controller-Modell wählt Handlungen. Es muss nicht zwangsläufig sehr groß sein, wenn das World Model bereits eine gute Repräsentation liefert. Genau darin liegt eine wichtige Botschaft: Intelligenz kann nicht allein in immer größeren Reaktionsnetzen gesucht werden. Entscheidend ist auch, ob ein System eine nützliche innere Struktur der Welt lernt.

Lernen im Traum

Eine berühmte Idee der World-Models-Forschung ist das Lernen in einer „Traumwelt“. Der Agent kann in seiner eigenen gelernten Simulation trainieren und die gelernte Strategie anschließend in die echte oder ursprüngliche Umgebung übertragen. Das ist faszinierend, aber nicht unproblematisch. Wenn die simulierte Welt Fehler enthält, kann der Agent Strategien lernen, die nur im Modell funktionieren. Dieses Problem nennt man häufig Sim-to-Real-Gap oder Modellfehler.

Neuere Entwicklungen

PlaNet und Dreamer

Nach den frühen World-Models-Arbeiten entstanden weitere Verfahren des modellbasierten Reinforcement Learning. PlaNet und Dreamer lernen latente Dynamiken aus Bilddaten und nutzen diese inneren Zustände, um Handlungen zu planen oder Policies zu verbessern. Der Name „Dreamer“ verweist darauf, dass der Agent in einem gelernten latenten Raum zukünftige Abläufe „imaginiert“.

DreamerV3

DreamerV3 steht für eine Forschungslinie, die World Models robuster und allgemeiner nutzbar machen möchte. Der Ansatz lernt ein Modell der Umgebung, stellt sich mögliche Zukunftsszenarien vor und verbessert dadurch das Verhalten des Agenten. Besonders wichtig ist dabei, dass ein Verfahren nicht nur in einem einzigen Benchmark funktioniert, sondern in vielen unterschiedlichen Aufgabenbereichen stabil bleibt.

Genie und interaktive Weltmodelle

Aktuelle Systeme wie Genie 3 zeigen, dass World Models auch als interaktive, generative Umgebungen gedacht werden können. Solche Modelle können aus Beschreibungen dynamische Welten erzeugen, in denen Agenten oder Menschen handeln. Für die Forschung ist das bedeutsam, weil KI-Systeme dadurch in simulierten Umgebungen Erfahrungen sammeln können. Gleichzeitig entstehen neue Fragen: Wie realistisch ist die simulierte Physik? Wie stabil bleibt die Welt über längere Zeit? Welche Fehler schleichen sich ein? Und wer kontrolliert, welche Szenarien erzeugt werden?

Anwendungen

Robotik

In der Robotik können World Models helfen, Handlungen zu testen, bevor ein Roboter sie ausführt. Ein Greifroboter kann beispielsweise simulieren, ob ein Objekt rutscht, kippt oder stabil gehalten wird. Das spart reale Versuche und reduziert Schäden.

Autonomes Fahren

Beim autonomen Fahren sind seltene Gefahrensituationen besonders wichtig. Ein Weltmodell kann helfen, ungewöhnliche Szenarien zu simulieren: plötzlich auftauchende Hindernisse, schlechtes Wetter, ungewöhnliches Verhalten anderer Verkehrsteilnehmender oder komplexe Kreuzungen. Die KI kann dadurch auf Fälle vorbereitet werden, die in realen Trainingsdaten selten vorkommen.

Spiele und virtuelle Welten

In Computerspielen können World Models genutzt werden, um dynamische Spielwelten zu erzeugen, Nicht-Spieler-Figuren intelligenter handeln zu lassen oder Agenten in einer Simulation zu trainieren. Auch kreative Anwendungen sind denkbar: Aus einer Textbeschreibung entsteht eine erkundbare virtuelle Welt.

Wissenschaftliche Simulation

In der Wissenschaft können gelernte Weltmodelle dazu beitragen, komplexe Systeme näherungsweise zu simulieren. Dazu zählen Wetter, Materialverhalten, Verkehrsflüsse oder biologische Prozesse. Dabei ist jedoch Vorsicht nötig: Ein gelerntes Modell ersetzt nicht automatisch eine wissenschaftlich geprüfte Theorie. Es kann Hypothesen liefern, muss aber kritisch validiert werden.

Bildung und Medienkompetenz

Für die Bildung sind World Models ein hervorragendes Thema, um grundlegende Fragen der KI zu verstehen: Was bedeutet Lernen? Was ist ein Modell? Wie entstehen Vorhersagen? Wo liegen Grenzen datengetriebener Systeme? Lernende können daran erkennen, dass KI nicht magisch denkt, sondern mathematische Strukturen aus Daten lernt.

Chancen

Weniger reale Fehlversuche

World Models können die Zahl riskanter oder teurer Experimente reduzieren. Ein Agent kann zunächst in einer Simulation lernen. Das ist besonders wertvoll, wenn reale Fehler gefährlich wären, etwa in der Robotik, im Verkehr oder in sicherheitskritischen Produktionsanlagen.

Mehr Planung statt bloßer Reaktion

Ein reaktives System handelt nur aufgrund des aktuellen Eingangs. Ein planendes System bewertet mögliche Zukunftsfolgen. World Models stärken diese planende Komponente. Dadurch könnten KI-Systeme langfristiger, flexibler und situationsbewusster handeln.

Bessere Dateneffizienz

Wenn ein Agent aus einer Erfahrung viele simulierte Zukunftsvarianten ableiten kann, lernt er möglicherweise mit weniger realen Daten. Das ist ein wichtiges Ziel der KI-Forschung, weil reale Interaktionsdaten oft teuer oder schwer zugänglich sind.

Brücke zwischen Wahrnehmung und Handlung

World Models verbinden Perzeption, Repräsentation, Vorhersage und Kontrolle. Dadurch können sie als Brücke zwischen Mustererkennung und autonomem Handeln dienen. Das macht sie zu einem zentralen Baustein für Embodied AI, also KI-Systeme, die in einer physischen oder virtuellen Welt handeln.

Grenzen und Risiken

Modellfehler und Scheinsicherheit

Ein World Model ist immer eine Vereinfachung. Wenn es falsche Annahmen über die Welt lernt, kann der Agent schlechte Entscheidungen treffen. Besonders gefährlich ist es, wenn das System sehr überzeugende Simulationen erzeugt, die aber physikalisch, sozial oder sicherheitstechnisch falsch sind.

Fehlerfortpflanzung über lange Horizonte

Kleine Vorhersagefehler können sich über viele Zeitschritte verstärken. Eine Simulation, die für eine Sekunde plausibel wirkt, kann nach einer Minute unrealistisch werden. Langfristige Planung ist deshalb besonders schwierig.

Sim-to-Real-Gap

Eine in der Simulation gelernte Strategie funktioniert nicht automatisch in der realen Welt. Reibung, Licht, Sensorrauschen, Materialunterschiede und unerwartetes menschliches Verhalten können dazu führen, dass der Transfer scheitert. Dieses Problem ist in der Robotik und beim autonomen Fahren zentral.

Verzerrte Daten und blinde Flecken

World Models lernen aus Daten. Wenn wichtige Situationen fehlen oder verzerrt dargestellt sind, kann das Modell blinde Flecken entwickeln. In sicherheitskritischen Anwendungen muss deshalb geprüft werden, welche Szenarien das Modell gut beherrscht und welche nicht.

Verantwortung und Kontrolle

Je autonomer ein System plant und handelt, desto wichtiger werden KI-Ethik, Transparenz, Erklärbarkeit, Sicherheit und klare Verantwortlichkeiten. Ein World Model darf nicht nur leistungsfähig sein. Es muss auch überprüfbar, begrenzbar und an menschliche Werte gebunden sein.

Vergleich: Klassische neuronale Netze und World Models

Aspekt	Klassisches reaktives Modell	World Model
Eingabe	Verarbeitet aktuelle Daten	Verarbeitet aktuelle und vergangene Beobachtungen
Ziel	Klassifikation, Regression oder direkte Handlung	Vorhersage, Planung und Handlung
Weltbezug	Erkennt Muster in Daten	Lernt Dynamik einer Umgebung
Zeit	Oft auf Momentaufnahme fokussiert	Modelliert Entwicklungen über Zeit
Lernen	Häufig direkt aus Beispielen	Häufig durch Beobachtung, Interaktion und Imagination
Risiko	Kann oberflächliche Korrelationen lernen	Kann falsche Simulationen erzeugen

Beispiel: Eine KI fährt ein virtuelles Auto

Stell Dir einen Agenten in einem Rennspiel vor. Eine Kamera liefert Bilder der Straße. Ein Encoder verdichtet jedes Bild in einen latenten Zustand. Das Dynamikmodell sagt voraus, wie sich der Zustand verändert, wenn der Agent lenkt, bremst oder beschleunigt. Eine Policy wählt Handlungen aus. Wenn das Auto auf der Strecke bleibt und schnell fährt, erhält der Agent positive Rückmeldung. Wenn es von der Straße abkommt, wird die Strategie schlechter bewertet.

Der entscheidende Unterschied zu einem rein reaktiven System liegt darin, dass der Agent mögliche Folgen simulieren kann. Er kann lernen, dass zu starkes Beschleunigen vor einer Kurve später zu einem Unfall führt. Dadurch entsteht eine Art maschinelles Vorausdenken. Dieses Vorausdenken ist jedoch nur so gut wie das gelernte Modell.

Beispiel: Ein Roboter greift eine Tasse

Ein Roboter sieht eine Tasse auf einem Tisch. Er muss entscheiden, wie er den Greifer bewegt. Ein World Model kann vorhersagen, ob die Tasse kippt, ob der Griff erreichbar ist und welche Kraft nötig sein könnte. Wenn das Modell gut ist, reduziert es Fehlgriffe. Wenn es schlecht ist, kann der Roboter die Tasse umstoßen. Dieses Beispiel zeigt: Für physische KI reicht es nicht, Objekte zu erkennen. Die KI muss auch Handlungen und Folgen verstehen.

Lernen mit diesem aiMOOC

Nach der Bearbeitung dieses aiMOOCs kannst Du erklären, was ein World Model ist, wie es mit bestärkendem Lernen zusammenhängt und warum der latente Raum für Planung wichtig ist. Du kannst Chancen und Risiken einschätzen und eigene Beispiele entwickeln, in denen ein inneres Weltmodell für KI nützlich oder gefährlich sein könnte.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was ist die Grundidee eines World Models in der KI? (Ein Agent lernt eine innere Darstellung seiner Umgebung) (!Ein Agent speichert nur fertige Antworten) (!Ein Agent ignoriert vergangene Beobachtungen) (!Ein Agent vermeidet jede Form von Vorhersage)

Wozu dient ein latenter Raum in vielen World Models? (Zur verdichteten Darstellung wichtiger Informationen) (!Zur zufälligen Löschung aller Sensordaten) (!Zur manuellen Programmierung jeder Regel) (!Zur Ausgabe von Belohnungen ohne Zustand)

Was beschreibt eine Policy im Reinforcement Learning? (Die Strategie zur Auswahl von Handlungen) (!Die Farbe der Trainingsdaten) (!Die Größe eines Bildschirms) (!Die Lizenz eines Datensatzes)

Warum sind World Models für Robotik interessant? (Sie können Handlungsfolgen vor realen Versuchen simulieren) (!Sie ersetzen alle Sensoren vollständig) (!Sie verhindern jede Unsicherheit) (!Sie machen physikalische Tests immer überflüssig)

Was ist ein Dynamikmodell? (Ein Modell für Zustandsänderungen über Zeit) (!Ein Speicher für Passwörter) (!Ein festes Wörterbuch für Ausgaben) (!Ein Filter für Dateinamen)

Was bedeutet modellbasiertes Reinforcement Learning? (Der Agent lernt ein Modell der Umgebung und nutzt es zum Planen) (!Der Agent lernt ohne jede Rückmeldung) (!Der Agent darf keine Handlungen ausführen) (!Der Agent bewertet nur einzelne Wörter)

Welche Gefahr entsteht durch ein fehlerhaftes World Model? (Der Agent plant auf Grundlage falscher Vorhersagen) (!Der Agent wird automatisch allwissend) (!Der Agent braucht keine Daten mehr) (!Der Agent erkennt immer alle Risiken)

Was meint Lernen in einer Traumwelt bei World Models? (Training in einer gelernten inneren Simulation) (!Training ohne Modell und ohne Daten) (!Training nur mit handschriftlichen Regeln) (!Training durch Abschalten des Agenten)

Warum sind langfristige Vorhersagen schwierig? (Kleine Fehler können sich über viele Schritte verstärken) (!Weil Zeit in Modellen nicht vorkommt) (!Weil neuronale Netze keine Zahlen nutzen) (!Weil Belohnungen immer eindeutig sind)

Welche Kombination ist für World Models besonders typisch? (Wahrnehmung Vorhersage Planung und Handlung) (!Textformatierung Drucklayout Farbe und Papier) (!Speicherkarte Tastatur Bildschirm und Kabel) (!Zufall Stillstand Abbruch und Vergessen)

Memory

Weltmodell	innere Simulation
Agent	handelndes System
Latenter Raum	verdichtete Darstellung
Policy	Handlungsstrategie
Belohnung	Rückmeldesignal
Dynamikmodell	Zukunftsvorhersage

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Sensorische Daten	Beobachtung
Encoder	Verdichtung
Latenter Raum	innere Darstellung
Dynamikmodell	Vorhersage
Policy	Handlungswahl

...

Kreuzworträtsel

Agent	Wie nennt man ein System, das in einer Umgebung handelt?
Policy	Wie heißt die Strategie zur Auswahl von Handlungen?
Simulation	Wie nennt man das gedankliche oder technische Nachbilden möglicher Abläufe?
Belohnung	Wie heißt das Rückmeldesignal im Reinforcement Learning?
Vorhersage	Was berechnet ein Weltmodell über mögliche nächste Zustände?
Encoder	Welcher Baustein verdichtet Beobachtungen in eine innere Darstellung?

LearningApps

Lückentext

Ein World Model ist ein gelerntes inneres Modell einer

. Ein Agent nutzt dieses Modell, um mögliche zukünftige

vorherzusagen. Viele World Models verdichten Beobachtungen zuerst in einen

. Beim bestärkenden Lernen erhält der Agent für Handlungen eine

. Eine Policy beschreibt die

zur Auswahl von Handlungen. Ein Dynamikmodell lernt, wie sich Situationen über

verändern. In einer Simulation kann ein Agent Handlungsfolgen testen, bevor er in der echten Welt

. Ein wichtiges Risiko besteht darin, dass falsche Vorhersagen zu schlechten

führen.

Offene Aufgaben

Leicht

Begriffsplakat: Gestalte ein Plakat oder eine digitale Pinnwand, auf der Du die Begriffe Agent, Umgebung, Policy, Belohnung und World Model mit eigenen Worten erklärst.
Alltagsmodell: Beschreibe eine Alltagssituation, in der Du selbst ein inneres Weltmodell nutzt, zum Beispiel beim Fahrradfahren, Kochen, Spielen oder Planen eines Weges.
Bildbeschreibung: Wähle eines der Diagramme aus diesem aiMOOC aus und erkläre in fünf Sätzen, was es über neuronale Netze oder Bestärkendes Lernen zeigt.
Vergleich: Erkläre den Unterschied zwischen einer KI, die nur reagiert, und einer KI, die mögliche Folgen ihrer Handlungen simuliert.

Standard

Ablaufmodell: Zeichne einen Ablaufplan für ein World Model mit den Stationen Beobachtung, Verdichtung, Vorhersage, Planung, Handlung und Rückmeldung.
Fallbeispiel Robotik: Entwickle ein Beispiel, in dem ein Roboter ein Weltmodell benötigt, um sicher zu handeln. Beschreibe auch, was bei einem Modellfehler passieren könnte.
Sim-to-Real-Gap: Recherchiere oder erläutere, warum eine in der Simulation gelernte Strategie in der realen Welt scheitern kann.
Modellbasiert und modellfrei: Vergleiche modellbasiertes und modellfreies Reinforcement Learning anhand einer Tabelle mit mindestens vier Kriterien.

Schwer

Ethikanalyse: Analysiere, welche ethischen Fragen entstehen, wenn autonome Systeme in gelernten Simulationen trainiert werden und anschließend in der realen Welt handeln.
Forschungsdebatte: Verfasse einen argumentativen Text zur Frage, ob World Models ein notwendiger Schritt zu allgemeineren KI-Systemen sind.
Experimentdesign: Entwirf ein kleines Simulationsexperiment für einen Agenten, der in einer einfachen Welt ein Ziel erreichen soll. Beschreibe Zustände, Handlungen, Belohnungen und mögliche Modellfehler.
Kritische Medienanalyse: Analysiere das eingebettete Video: Welche Chancen werden betont, welche Grenzen werden genannt und welche Fragen bleiben offen?

Lernkontrolle

Transfer Robotik: Übertrage das Konzept eines World Models auf einen Haushaltsroboter. Erkläre, welche Informationen er modellieren müsste und warum reine Bilderkennung nicht genügt.
Fehleranalyse: Ein autonomes Fahrzeug plant mit einem Weltmodell, das Fußgängerbewegungen zu optimistisch vorhersagt. Analysiere mögliche Folgen und nenne Schutzmaßnahmen.
Modellvergleich: Vergleiche ein Large Language Model und ein World Model im Hinblick auf Eingaben, Vorhersagen, Stärken und Grenzen.
Planungshorizont: Erkläre, warum ein Modell für kurze Vorhersagen gut sein kann, aber bei langfristiger Planung trotzdem scheitert.
Datenkritik: Beurteile, wie verzerrte Trainingsdaten die innere Simulation eines World Models beeinflussen können.
Anwendungsbewertung: Wähle eine Anwendung aus Bildung, Medizin, Verkehr oder Industrie und bewerte, ob ein World Model dort nützlich, riskant oder beides wäre.

Lernnachweis

Fachbegriffe: Du kannst die Begriffe World Model, Agent, Policy, Belohnung, Latenter Raum, Dynamikmodell und Simulation sicher erklären.
Zusammenhänge: Du kannst beschreiben, wie Wahrnehmung, Vorhersage, Planung und Handlung in einem World Model zusammenwirken.
Transfer: Du kannst ein eigenes Beispiel entwickeln, in dem ein KI-System ein inneres Weltmodell benötigt.
Kritik: Du kannst Chancen, Grenzen und Risiken von World Models begründet beurteilen.
Darstellung: Du kannst ein Diagramm, eine Tabelle oder ein kurzes Erklärvideo erstellen, das den Ablauf eines World Models verständlich macht.
Reflexion: Du kannst erklären, warum World Models neuronale Netze nicht ersetzen, sondern um Gedächtnis, Simulation und Planung erweitern können.

OERs zum Thema

Links

World Models

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.