KI-Weltmodelle - Neuronale Netze neu denken

Einleitung

KI-Weltmodelle sind ein Forschungsansatz der Künstlichen Intelligenz, bei dem ein Agent nicht nur auf Eingaben reagiert, sondern ein inneres, lernbares Modell seiner Umwelt bildet. Dieses Modell soll wichtige Eigenschaften der Welt erfassen: Welche Dinge gibt es? Wie verändern sie sich? Welche Folgen haben Handlungen? Welche Ziele sind erreichbar? Damit verschiebt sich der Fokus von reinem Mustererkennen hin zu Vorhersage, Planung, Simulation und Handlungskompetenz.

Das Thema „KI-Weltmodelle / Neuronale Netze neu denken“ fragt danach, ob zukünftige neuronale Netze mehr leisten sollten als Texte, Bilder oder Signale vorherzusagen. Sie könnten lernen, wie eine Umgebung funktioniert, Handlungsfolgen gedanklich durchspielen und daraus bessere Entscheidungen ableiten. Solche Systeme sind besonders wichtig für Robotik, autonomes Fahren, Spiele, Simulation, Wissenschaft, Medizinische Informatik, Klimamodellierung und Bildung.

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

Im Video wird der Gedanke aufgegriffen, Neuronale Netze „neu zu denken“: Nicht nur größere Modelle, mehr Daten und mehr Rechenleistung sind entscheidend, sondern auch die Frage, welche innere Struktur ein intelligentes System braucht. Ein Weltmodell kann dabei als Brücke zwischen Wahrnehmung, Gedächtnis, Vorhersage, Planung und Handeln verstanden werden.

Lernziele

KI-Weltmodell: Du erklärst, was ein Weltmodell in der KI ist und warum es für planende Systeme wichtig ist.
Neuronales Netz: Du beschreibst, wie künstliche neuronale Netze Daten verarbeiten und warum klassische Architekturen erweitert werden.
Bestärkendes Lernen: Du unterscheidest modellfreies Lernen und modellbasiertes Lernen im Reinforcement Learning.
Planung: Du erläuterst, wie ein Agent mögliche Zukunftsverläufe simulieren kann, bevor er handelt.
Latenter Raum: Du erklärst, warum Weltmodelle häufig mit kompakten inneren Darstellungen arbeiten.
Ethik der künstlichen Intelligenz: Du beurteilst Chancen, Grenzen und Risiken von planenden KI-Systemen.

Grundlagen: Was ist ein KI-Weltmodell?

Ein KI-Weltmodell ist eine innere Darstellung einer Umgebung, die ein KI-System nutzt, um Vorhersagen über zukünftige Zustände zu treffen. Ein solches Modell muss nicht die ganze Welt vollständig abbilden. Es reicht oft aus, die für eine Aufgabe wichtigen Merkmale zu lernen. Ein Roboter, der einen Gegenstand greifen soll, muss zum Beispiel nicht jedes Detail eines Raumes kennen. Er braucht aber ein Modell von Objekten, Raum, Bewegung, Kraft, Hindernissen und möglichen Folgen seiner eigenen Aktionen.

Klassische künstliche neuronale Netze lernen häufig eine Abbildung von Eingaben auf Ausgaben. Ein Bildklassifikator erkennt etwa, ob auf einem Foto eine Katze zu sehen ist. Ein Sprachmodell sagt das nächste Wort oder Token voraus. Ein Weltmodell geht darüber hinaus: Es fragt nicht nur „Was ist jetzt zu sehen?“, sondern auch „Was könnte als Nächstes passieren, wenn ich etwas tue?“

Ein Weltmodell kann auf unterschiedlichen Ebenen arbeiten. Auf einer niedrigen Ebene beschreibt es etwa Pixel, Bewegungen oder Sensordaten. Auf einer höheren Ebene beschreibt es Objekte, Beziehungen, Absichten, Regeln oder kausale Zusammenhänge. Besonders leistungsfähig sind Modelle, die nicht jeden einzelnen Rohdatenpunkt speichern, sondern eine abstrakte, handlungsrelevante Darstellung bilden.

Weltmodell als innere Simulation

Ein Weltmodell kann als eine Art innere Simulation verstanden werden. Der Agent muss nicht jede Möglichkeit real ausprobieren, sondern kann mögliche Folgen gedanklich durchspielen. In der Robotik ist das wichtig, weil reale Experimente teuer, langsam oder gefährlich sein können. In Spielen kann ein Agent mit einem Weltmodell mehrere Züge vorausdenken. In der Medizin oder Wirtschaft können Modelle helfen, mögliche Folgen von Entscheidungen vorsichtig zu analysieren, ohne Menschen zu gefährden.

Dabei ist wichtig: Ein KI-Weltmodell ist keine perfekte Kopie der Realität. Es ist eine zweckbezogene Vereinfachung. Gute Weltmodelle sind nützlich, weil sie relevante Regelmäßigkeiten erfassen. Schlechte Weltmodelle können gefährlich sein, weil sie falsche Vorhersagen liefern und dadurch falsche Entscheidungen unterstützen.

Von reaktiver KI zu planender KI

Viele KI-Systeme sind reaktiv: Sie erhalten eine Eingabe und berechnen sofort eine Ausgabe. Ein planendes System ergänzt diesen Schritt durch eine innere Schleife. Es fragt: Welche Handlungen sind möglich? Welche Folgen könnten sie haben? Welche Handlung führt wahrscheinlich zum gewünschten Ziel? Dieser Unterschied ist grundlegend.

Reaktive KI: Das System reagiert unmittelbar auf aktuelle Eingaben.
Planende KI: Das System simuliert mögliche Zukunftsverläufe und wählt danach eine Handlung.
Lernende KI: Das System verbessert sein Weltmodell durch neue Erfahrungen.
Selbststeuerung: Das System passt Ziele, Zwischenziele oder Strategien an eine veränderte Situation an.

Neuronale Netze neu denken

Der Ausdruck „Neuronale Netze neu denken“ bedeutet nicht, dass bisherige Deep-Learning-Methoden wertlos wären. Er bedeutet, dass zukünftige KI-Systeme möglicherweise neue Bausteine brauchen: Gedächtnis, Aufmerksamkeit, Vorhersagemodell, Planer, Bewertungssystem, Unsicherheitsschätzung und eine sichere Kopplung an reale Handlungen.

Ein klassisches neuronales Netz besteht aus Schichten von künstlichen Neuronen. Die Verbindungen besitzen Gewichte, die beim Lernen angepasst werden. Dadurch kann das Netz komplexe Muster aus Daten erfassen. Doch reine Mustererkennung reicht für viele anspruchsvolle Aufgaben nicht aus. Ein System, das in einer dynamischen Umgebung handeln soll, braucht eine Vorstellung davon, wie seine Handlungen die Umwelt verändern.

Bausteine eines Weltmodell-Systems

Ein modernes Weltmodell-System kann aus mehreren zusammenarbeitenden Komponenten bestehen. Die genaue Architektur unterscheidet sich je nach Forschungsansatz, aber die Grundidee bleibt ähnlich.

Wahrnehmungsmodell: Es verarbeitet Rohdaten wie Bilder, Töne, Text oder Sensordaten.
Latenter Raum: Es bildet eine kompakte innere Darstellung der Situation.
Dynamikmodell: Es sagt voraus, wie sich Zustände durch Handlungen verändern.
Belohnungsmodell: Es schätzt ein, ob ein Zustand oder eine Handlung nützlich ist.
Planer: Er vergleicht mögliche Handlungsfolgen.
Policy: Sie wählt konkrete Aktionen aus.
Gedächtnis: Es verbindet aktuelle Wahrnehmung mit früheren Erfahrungen.
Unsicherheit: Sie zeigt, wie zuverlässig eine Vorhersage ist.

Der latente Raum als Denkraum

Ein latenter Raum ist eine komprimierte innere Darstellung. Statt alle Pixel eines Bildes oder alle Einzelheiten einer Situation zu speichern, lernt ein Modell eine verdichtete Beschreibung. Diese Beschreibung kann für Planung besonders nützlich sein, weil sie sich auf das Wesentliche konzentriert. Ein autonomes Fahrzeug muss beispielsweise wissen, wo andere Fahrzeuge sind, wie sie sich bewegen und welche Verkehrsregeln gelten. Es muss aber nicht jede Wolkenform am Himmel exakt rekonstruieren.

Der latente Raum ist deshalb eine Art Denkraum des Systems. In ihm können mögliche Zukünfte simuliert werden. Je besser dieser Raum die relevanten Strukturen der Welt erfasst, desto sinnvoller kann ein Agent planen. Gleichzeitig entsteht hier ein zentrales Risiko: Wenn der latente Raum wichtige Aspekte der Realität ausblendet, plant das System auf einer falschen Grundlage.

Vorhersage statt bloßer Rekonstruktion

Viele ältere Lernverfahren trainieren Modelle darauf, Eingaben möglichst genau zu rekonstruieren. Bei Weltmodellen steht häufiger die Frage im Mittelpunkt, welche Informationen für zukünftige Entscheidungen wichtig sind. Ein Modell muss nicht jedes Detail rekonstruieren, sondern die entscheidenden Veränderungen vorhersagen. Für einen Roboter ist zum Beispiel wichtiger, dass ein Glas beim Anstoßen kippen kann, als dass er die genaue Spiegelung auf der Glasoberfläche berechnet.

Diese Verschiebung ist didaktisch wichtig: Intelligenz wird nicht nur als Klassifikation verstanden, sondern als Fähigkeit, mit unvollständigem Wissen sinnvoll zu handeln.

Bestärkendes Lernen und Weltmodelle

Bestärkendes Lernen beschreibt Verfahren, bei denen ein Agent durch Handlungen in einer Umgebung lernt. Er erhält Rückmeldungen in Form von Belohnungen oder Kosten und versucht, eine Strategie zu finden, die langfristig erfolgreich ist. Dabei muss er zwischen Ausprobieren und Ausnutzen vorhandenen Wissens abwägen.

Im bestärkenden Lernen gibt es drei zentrale Elemente: den Agenten, die Umgebung und das Rückmeldesignal. Der Agent führt eine Aktion aus, die Umgebung verändert ihren Zustand, und der Agent erhält eine Belohnung. Über viele Wiederholungen lernt das System, welche Handlungen in welchen Situationen sinnvoll sind.

{{#ev:youtube| https://www.youtube.com/watch?v=2o1yrkbpcUk |500|center}}

Modellfreies und modellbasiertes Lernen

Beim modellfreien Lernen lernt der Agent direkt, welche Handlung in welchem Zustand gut ist. Er besitzt kein ausdrückliches Modell der Umgebung. Das kann erfolgreich sein, benötigt aber oft viele Erfahrungen. Beim modellbasierten Lernen lernt oder nutzt der Agent zusätzlich ein Modell der Umwelt. Er kann dadurch Handlungsfolgen simulieren und möglicherweise mit weniger realen Versuchen lernen.

Ansatz	Grundidee	Stärke	Grenze
Modellfreies Lernen	Lernen einer Strategie oder Wertfunktion ohne explizites Umweltmodell	Oft einfacher zu formulieren und in vielen Benchmarks stark	Häufig hoher Datenbedarf und wenig explizite Planbarkeit
Modellbasiertes Lernen	Lernen eines Vorhersagemodells der Umwelt	Ermöglicht Simulation, Planung und bessere Stichprobeneffizienz	Modellfehler können sich bei längerer Planung verstärken
Hybrides Lernen	Kombination aus direkter Strategie und Weltmodell	Verbindet Reaktionsfähigkeit mit Planung	Architektur, Training und Sicherheitsprüfung werden komplexer

Markov-Entscheidungsprozesse

Viele Probleme des bestärkenden Lernens werden als Markov-Entscheidungsprozess beschrieben. Dabei befindet sich ein Agent in einem Zustand, wählt eine Aktion, erhält eine Belohnung und gelangt in einen neuen Zustand. Die Markov-Annahme bedeutet vereinfacht, dass der aktuelle Zustand alle entscheidenden Informationen für die weitere Entwicklung enthält.

In der realen Welt ist diese Annahme oft nur näherungsweise erfüllt. Sensoren sind unvollständig, Daten sind verrauscht, und wichtige Ursachen können verborgen bleiben. Deshalb müssen Weltmodelle häufig mit Unsicherheit, Teilbeobachtbarkeit und Fehlerfortpflanzung umgehen.

Forschungslinien: World Models, MuZero, Dreamer und JEPA

World Models nach Ha und Schmidhuber

Der Begriff World Models wurde in der KI-Forschung besonders durch Arbeiten zu generativen neuronalen Modellen für Reinforcement-Learning-Umgebungen bekannt. Die Grundidee: Ein Modell lernt eine komprimierte räumlich-zeitliche Darstellung einer Umgebung. Danach kann ein Agent diese Darstellung nutzen, um eine einfache Strategie zu lernen. Besonders anschaulich ist die Idee, dass ein Agent teilweise in einer vom eigenen Modell erzeugten „Traumwelt“ trainieren kann und die gelernte Strategie anschließend in die eigentliche Umgebung übertragen wird.

{{#ev:youtube| https://www.youtube.com/watch?v=0MjI2NA_s4c |500|center}}

Didaktisch ist daran wichtig: Das Weltmodell trennt das Lernen einer inneren Darstellung von der Auswahl konkreter Handlungen. Dadurch wird sichtbar, dass Intelligenz aus mehreren Fähigkeiten besteht: Wahrnehmen, Verdichten, Erinnern, Vorhersagen, Bewerten und Handeln.

MuZero: Planen ohne vorgegebene Regeln

MuZero ist ein bekannter Ansatz aus der KI-Forschung, der Planung und Lernen verbindet. Das System lernt ein Modell, das nicht unbedingt alle Details der Umwelt rekonstruieren muss. Es konzentriert sich auf jene Aspekte, die für gute Entscheidungen wichtig sind. In Brettspielen wie Schach, Go und Shōgi sowie in Atari-Umgebungen zeigte dieser Ansatz, dass ein lernbares Modell mit Suchverfahren kombiniert werden kann.

MuZero macht deutlich, dass ein Weltmodell nicht zwingend ein menschlich verständliches Regelbuch sein muss. Entscheidend ist, ob das Modell für Planung nützlich ist. Genau darin liegt aber auch eine Herausforderung: Wenn ein Modell nur intern funktioniert, ist es schwerer zu erklären, zu prüfen und zu kontrollieren.

Dreamer: Handeln durch vorgestellte Zukunft

Die Dreamer-Familie steht für modellbasierte Reinforcement-Learning-Ansätze, bei denen ein Agent ein Weltmodell lernt und in einem latenten Raum mögliche Zukunftsverläufe „imaginiert“. Die Strategie wird dann nicht nur aus realen Erfahrungen, sondern auch aus vorhergesagten Verläufen verbessert. Das ist besonders interessant, weil reale Interaktion oft teuer ist. In der Robotik kann ein echter Fehlversuch Material beschädigen. In einer Simulation kostet derselbe Versuch nur Rechenzeit.

Dreamer zeigt den pädagogisch wichtigen Gedanken: Lernen kann durch vorgestellte Erfahrung ergänzt werden. Gleichzeitig bleibt entscheidend, dass vorgestellte Erfahrung regelmäßig an der Realität überprüft wird.

JEPA und prädiktive Repräsentationen

JEPA-Ansätze verfolgen die Idee, nicht jedes Detail einer Eingabe zu rekonstruieren, sondern abstrakte Repräsentationen vorherzusagen. Für Weltmodelle ist das interessant, weil Handlungsplanung oft nicht auf Pixelgenauigkeit angewiesen ist. Ein System muss zum Beispiel wissen, dass ein Ball weiterrollt, wenn er angestoßen wird. Es muss nicht jeden Bildpunkt exakt vorhersagen.

Diese Forschungslinie ist eng mit der Frage verbunden, wie KI-Systeme ein robusteres Verständnis von Physik, Raum, Zeit und Kausalität entwickeln können.

Anwendungen von KI-Weltmodellen

Robotik und physische KI

In der Robotik sind Weltmodelle besonders wichtig, weil Roboter in offenen, unübersichtlichen und dynamischen Umgebungen handeln. Ein Haushaltsroboter muss Objekte erkennen, Greifbewegungen planen, Hindernisse vermeiden und mit Unsicherheit umgehen. Ein Weltmodell kann helfen, Bewegungen zunächst innerlich zu simulieren, bevor sie ausgeführt werden.

Autonomes Fahren und Mobilität

Bei autonomen Fahrzeugen müssen Systeme Bewegungen anderer Verkehrsteilnehmender vorhersagen. Sie müssen erkennen, welche Handlungen sicher sind, welche Regeln gelten und welche ungewöhnlichen Situationen auftreten können. Weltmodelle können dafür genutzt werden, Szenarien zu simulieren. Entscheidend bleibt aber, dass solche Modelle umfangreich getestet, überwacht und abgesichert werden.

Spiele, Simulationen und virtuelle Lernumgebungen

Computerspiele und Simulationen sind wichtige Testfelder für Weltmodelle. Sie bieten klare Regeln, messbare Ziele und wiederholbare Umgebungen. Gleichzeitig können sie komplex genug sein, um Planung, Exploration und langfristige Strategien zu erfordern. Für Lernende sind Spiele besonders geeignet, um die Grundidee eines Weltmodells praktisch zu verstehen: Ein Agent muss nicht nur reagieren, sondern die Folgen seiner Aktionen einschätzen.

Wissenschaft und Bildung

In der Wissenschaft können Weltmodelle als Werkzeuge für Hypothesenbildung, Simulation und Entscheidungsunterstützung dienen. In der Bildung helfen sie, Grundfragen der KI verständlich zu machen: Was bedeutet Verstehen? Was ist ein Modell? Wie unterscheidet sich eine nützliche Vereinfachung von einer gefährlichen Verzerrung? Wie kann ein System lernen, ohne die Realität vollständig zu kennen?

Grenzen, Risiken und Ethik

Modellfehler und Fehlerfortpflanzung

Ein Weltmodell ist nur so gut wie seine Annahmen, Daten und Lernziele. Kleine Vorhersagefehler können sich über viele Planungsschritte verstärken. Ein Agent, der in einer Simulation erfolgreich ist, kann in der Realität scheitern, wenn die Simulation entscheidende Details nicht enthält. Dieses Problem wird oft als Sim-to-Real Gap bezeichnet.

Belohnungsfehler und Zielkonflikte

Im bestärkenden Lernen ist die Belohnung entscheidend. Wenn die Belohnungsfunktion falsch gestaltet ist, kann ein Agent unerwünschte Strategien lernen. Er optimiert dann formal das vorgegebene Ziel, aber nicht unbedingt das menschlich gemeinte Ziel. Dieses Problem ist eng mit KI-Sicherheit, Alignment und Ethik der künstlichen Intelligenz verbunden.

Erklärbarkeit und Kontrolle

Viele Weltmodelle arbeiten in hochdimensionalen latenten Räumen. Das macht sie leistungsfähig, aber schwer verständlich. Für sicherheitskritische Anwendungen reicht es nicht, dass ein Modell gute Ergebnisse liefert. Menschen müssen auch prüfen können, wann es unsicher ist, welche Annahmen es nutzt und wie es auf unbekannte Situationen reagiert.

Datenschutz und gesellschaftliche Verantwortung

Weltmodelle können große Mengen an Daten über Räume, Verhalten, Bewegungen und soziale Situationen verarbeiten. Daraus entstehen Fragen des Datenschutzes, der Überwachung, der Diskriminierung und der Verantwortung. Lernende sollten deshalb nicht nur die technische Seite verstehen, sondern auch die gesellschaftlichen Folgen analysieren.

Lernpfad: Vom Konzept zum eigenen Mini-Weltmodell

Ein einfaches Mini-Weltmodell kannst Du Dir ohne komplizierte Programmierung vorstellen. Wähle eine kleine Umgebung, zum Beispiel ein Labyrinth, ein Brettspiel, eine Ampelsituation oder ein einfaches Physikspiel. Beschreibe dann Zustände, mögliche Aktionen und Folgen.

Beobachtung: Welche Informationen nimmt der Agent wahr?
Zustand: Welche Merkmale beschreiben die aktuelle Situation?
Aktion: Was kann der Agent tun?
Vorhersage: Was passiert wahrscheinlich nach einer Aktion?
Bewertung: Welcher Zustand ist gut oder schlecht?
Planung: Welche Handlungsfolge führt wahrscheinlich zum Ziel?
Überprüfung: Wo irrt sich das Modell und wie kann es verbessert werden?

Dieser Lernpfad zeigt den Kern von Weltmodellen: Ein Modell ist nicht einfach eine Datensammlung. Es ist ein Werkzeug, um über mögliche Zukünfte nachzudenken.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was ist ein KI-Weltmodell? (Eine innere Vorhersagedarstellung einer Umgebung) (!Eine Liste aller Trainingsdaten) (!Ein reines Bildbearbeitungsprogramm) (!Ein festes Regelbuch ohne Lernen)

Wozu dient ein Weltmodell besonders? (Zur Simulation möglicher Handlungsfolgen) (!Zur zufälligen Auswahl von Daten) (!Zur Vergrößerung eines Bildschirms) (!Zur Abschaltung eines Agenten)

Was bedeutet modellbasiertes Reinforcement Learning? (Der Agent nutzt ein Modell der Umgebung für Lernen oder Planung) (!Der Agent handelt vollständig ohne Rückmeldung) (!Der Agent speichert nur fertige Antworten) (!Der Agent vermeidet jede Form von Vorhersage)

Welche Rolle spielt der latente Raum? (Er speichert eine kompakte innere Darstellung) (!Er ist ein physischer Raum im Computergehäuse) (!Er ersetzt jede Form von Training) (!Er enthält nur die Belohnungszahlen)

Was ist eine Policy im Reinforcement Learning? (Eine Strategie zur Auswahl von Handlungen) (!Eine Liste von Hardwareteilen) (!Ein Fehler im Modell) (!Eine Datenbank mit Videos)

Warum ist Planung für KI-Agenten nützlich? (Sie erlaubt das Vergleichen möglicher Zukunftsverläufe) (!Sie verhindert jede Form von Lernen) (!Sie löscht alle bisherigen Erfahrungen) (!Sie macht Sensoren überflüssig)

Was ist ein zentrales Risiko fehlerhafter Weltmodelle? (Falsche Vorhersagen können zu falschen Handlungen führen) (!Das Modell wird automatisch perfekt) (!Der Agent verliert alle Eingaben) (!Die Umgebung bleibt immer unverändert)

Welche Aussage beschreibt MuZero am besten? (Es kombiniert gelerntes Modell und Planung) (!Es arbeitet ausschließlich mit handgeschriebenen Regeln) (!Es kann keine Spiele verarbeiten) (!Es verzichtet vollständig auf Suche)

Warum sind Simulationen für Robotik hilfreich? (Sie ermöglichen ungefährliche Tests möglicher Handlungen) (!Sie ersetzen jede reale Sicherheitsprüfung) (!Sie machen physische Sensoren unnötig) (!Sie verhindern die Auswertung von Fehlern)

Welche Fähigkeit gehört besonders zu planender KI? (Mögliche Folgen eigener Aktionen abschätzen) (!Nur einzelne Pixel zählen) (!Alle Daten ungeprüft kopieren) (!Ziele ohne Rückmeldung ignorieren)

Memory

Weltmodell	Vorhersage zukünftiger Zustände
Agent	Handelndes lernendes System
Policy	Strategie zur Aktionswahl
Latentraum	Kompakte innere Darstellung
Belohnung	Rückmeldung für eine Handlung
Simulation	Erprobung im Modell
Planung	Vergleich möglicher Folgen
Unsicherheit	Maß für Vorhersagezuverlässigkeit

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Beobachtung	Informationen aus der Umgebung erfassen
Zustand	Aktuelle Situation beschreiben
Aktion	Handlung des Agenten auswählen
Vorhersage	Mögliche Folge abschätzen
Bewertung	Nutzen oder Risiko einschätzen
Planung	Handlungsfolge vergleichen

Kreuzworträtsel

Weltmodell	Wie nennt man ein inneres Modell, das zukünftige Zustände vorhersagen kann?
Planung	Wie heißt das Vorausberechnen möglicher Handlungen?
Agent	Wie nennt man das lernende System im bestärkenden Lernen?
Belohnung	Welches Signal bewertet eine Handlung?
Latentraum	Wie heißt der kompakte Darstellungsraum eines Modells?
Simulation	Wie nennt man das Nachbilden einer Umgebung im Rechner?

LearningApps

Lückentext

Ein

bildet wichtige Eigenschaften einer Umgebung für Vorhersagen ab.

Beim

verbessert ein Agent seine Strategie durch Rückmeldungen.

Ein

wählt Handlungen aus und beobachtet deren Folgen.

Der

enthält eine kompakte innere Darstellung der Situation.

Eine

beschreibt, welche Handlung in einer Situation gewählt wird.

Planung nutzt

, um mögliche Zukunftsverläufe zu vergleichen.

Unsicherheit ist wichtig, weil Vorhersagen

sein können.

Eine verantwortliche KI braucht

, damit Menschen Risiken prüfen können.

Offene Aufgaben

Leicht

Begriffslandkarte: Erstelle eine Mindmap zu Weltmodell, Agent, Aktion, Belohnung, Planung und Simulation.
Alltagsbeispiel: Beschreibe ein alltägliches Weltmodell, das Menschen nutzen, etwa beim Fahrradfahren, Kochen oder Ballspielen.
Videoanalyse: Notiere aus dem eingebundenen Video fünf zentrale Aussagen und formuliere zu jeder Aussage eine eigene Rückfrage.
Skizze: Zeichne ein einfaches Schema eines KI-Agenten mit Wahrnehmung, Weltmodell, Planung und Handlung.

Standard

Vergleich: Vergleiche modellfreies und modellbasiertes Lernen anhand eines selbst gewählten Spiels.
Mini-Simulation: Entwirf ein kleines Labyrinth mit Zuständen, Aktionen und Belohnungen und erkläre, wie ein Agent darin planen könnte.
Fehleranalyse: Beschreibe ein Beispiel, in dem ein falsches Weltmodell zu einer falschen Entscheidung führt.
Erklärvideo: Produziere ein kurzes Lernvideo, das den Unterschied zwischen reaktiver KI und planender KI erklärt.

Schwer

Forschungsrecherche: Recherchiere zu World Models, MuZero oder Dreamer und stelle die Grundidee in einer Präsentation dar.
Ethik-Debatte: Entwickle Pro- und Contra-Argumente zur Frage, ob autonome Systeme in sicherheitskritischen Bereichen eigene Handlungsfolgen simulieren dürfen.
Projektentwurf: Plane ein eigenes Lernprojekt, in dem ein Agent eine einfache Umgebung modelliert und Vorhersagen testet.
Transfer: Übertrage das Konzept der Weltmodelle auf ein gesellschaftliches Problem wie Verkehr, Energie, Gesundheit oder Bildung und diskutiere Grenzen.

Lernkontrolle

Transferaufgabe: Erkläre an einem neuen Beispiel, warum ein Weltmodell einem Agenten helfen kann, mit weniger realen Versuchen zu lernen.
Analyseaufgabe: Beurteile, welche Informationen ein Haushaltsroboter in seinem Weltmodell speichern sollte und welche Details verzichtbar wären.
Vergleichsaufgabe: Vergleiche einen reaktiven Chatbot mit einem planenden Roboter und erkläre die unterschiedlichen Anforderungen.
Bewertungsaufgabe: Diskutiere, wann eine Simulation als Grundlage für reale Entscheidungen geeignet ist und wann nicht.
Problemlöseaufgabe: Entwickle eine einfache Belohnungsfunktion für einen Agenten in einem Labyrinth und zeige mögliche Fehlanreize.
Reflexionsaufgabe: Erkläre, warum Erklärbarkeit und Unsicherheitsschätzung bei Weltmodellen besonders wichtig sind.

Lernnachweis

Für einen Lernnachweis zu KI-Weltmodellen / Neuronale Netze neu denken ist wichtig, dass Du nicht nur Begriffe wiedergibst, sondern Zusammenhänge erklärst und auf neue Situationen überträgst.

Fachbegriffe: Du verwendest zentrale Begriffe wie Weltmodell, Agent, Policy, Latentraum, Belohnung, Simulation und Planung korrekt.
Zusammenhangswissen: Du erklärst, wie Wahrnehmung, Modellbildung, Vorhersage und Handlung zusammenwirken.
Anwendung: Du überträgst das Konzept auf ein eigenes Beispiel aus Robotik, Mobilität, Spiel, Bildung oder Wissenschaft.
Kritische Reflexion: Du benennst Chancen, Grenzen, Fehlerquellen und ethische Risiken.
Produkt: Du erstellst eine Skizze, Präsentation, Simulation, Textanalyse oder ein Erklärvideo.
Quellenarbeit: Du nutzt seriöse Quellen und kennzeichnest, welche Aussagen gesichert, modellhaft oder spekulativ sind.

OERs zum Thema

Weiterführende offene Materialien

Links

KI-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.