Video-World-Models - Warum Roboter die Zukunft träumen

Einleitung

Video-World-Models: Warum Roboter jetzt die Zukunft träumen / Neuronale Netze neu denken behandelt eine zentrale Zukunftsfrage der Künstlichen Intelligenz: Wie können Roboter nicht nur reagieren, sondern mögliche Folgen ihrer Handlungen vorausdenken? Ein World Model ist ein lernendes Modell, das eine innere Darstellung einer Umwelt bildet und vorhersagt, wie sich diese Umwelt verändert. Bei Video-World-Models stehen bewegte Bilder, zeitliche Abläufe und oft auch Handlungen im Mittelpunkt. Ein Roboter kann dadurch in einer Art innerer Simulation prüfen, was wahrscheinlich passiert, wenn er greift, fährt, dreht, schiebt oder wartet.

{{#ev:youtube| https://www.youtube.com/watch?v=7HzgKMzcT7c |500|center}}

Das Wort träumen ist hier eine Metapher. Gemeint ist nicht Bewusstsein, Fantasie oder menschliches Erleben, sondern eine technische Fähigkeit: Das neuronale Netz erzeugt mögliche Zukunftsverläufe, bevor der Roboter tatsächlich handelt. Ein Video-World-Model kann beispielsweise aus aktuellen Kamerabildern und einer geplanten Aktion abschätzen, ob ein Objekt kippt, ob ein Greifer trifft, ob ein Fahrzeug rechtzeitig bremsen muss oder ob eine Person den Weg kreuzt.

Dieser aiMOOC führt Dich in die Grundideen von World Models, Robotik, Embodied AI, Selbstüberwachtes Lernen, Bestärkendes Lernen, latenten Räumen, Simulation, Planung und KI-Ethik ein. Du lernst, warum Video-World-Models als Schritt jenseits klassischer Sprachmodelle diskutiert werden, welche Chancen sie für lernende Roboter bieten und welche Grenzen, Risiken und offenen Forschungsfragen bestehen.

Lernziele

Nach diesem aiMOOC kannst Du erklären, was ein World Model ist und warum es für Robotik wichtig ist. Du kannst den Unterschied zwischen einem Sprachmodell und einem Video-World-Model beschreiben. Du kannst den Weg von Sensorik über Repräsentation und Prädiktion bis zur Robotersteuerung nachvollziehen. Außerdem kannst Du Chancen und Risiken von Embodied AI kritisch bewerten und eigene kleine Untersuchungen, Erklärgrafiken oder Projektideen zu Video-World-Models entwickeln.

Beobachtung: Du erkennst, welche Rolle Kameras, LiDAR, Tastsensoren und weitere Sensordaten spielen.
Repräsentation: Du verstehst, warum KI-Systeme komplexe Eindrücke in kompakte innere Zustände übersetzen.
Vorhersage: Du erklärst, wie ein Modell mögliche Zukunftsbilder oder Zustände erzeugt.
Planung: Du beschreibst, wie ein Agent simulierte Folgen nutzt, um Handlungen auszuwählen.
Reflexion: Du bewertest, warum Sicherheit, Datenschutz, Bias, Kontrolle und Verantwortung entscheidend sind.

Was ist ein Video-World-Model?

Ein World Model ist ein maschinelles Lernsystem, das nicht nur einzelne Bilder oder Texte verarbeitet, sondern eine innere Vorstellung davon aufbaut, wie eine Umwelt funktioniert. Für einen Roboter ist das besonders wichtig, weil jede Handlung Folgen hat. Wenn ein Greifarm ein Glas zu stark zusammendrückt, kann es zerbrechen. Wenn ein mobiler Roboter zu spät bremst, kann es gefährlich werden. Wenn ein Haushaltsroboter nicht versteht, dass ein Tuch weich und verformbar ist, wird er es anders behandeln müssen als einen festen Würfel.

Ein Video-World-Model lernt aus zeitlichen Bildfolgen. Ein einzelnes Bild zeigt nur einen Moment. Ein Video zeigt Veränderung: Ein Ball rollt, eine Tür schwingt, ein Mensch hebt eine Tasse, ein Roboterarm nähert sich einem Objekt. Aus solchen Abläufen kann ein Modell Regelmäßigkeiten lernen: Dinge fallen nach unten, verdeckte Objekte können weiter existieren, Flüssigkeiten verhalten sich anders als feste Körper, Handlungen brauchen Zeit und Kontakte verändern Zustände.

Für die Robotik wird ein Video-World-Model besonders interessant, wenn es nicht nur passiv die Zukunft eines Videos fortsetzt, sondern die Folgen möglicher Aktionen berücksichtigt. Dann fragt das Modell nicht nur: Was passiert als Nächstes? Es fragt: Was passiert, wenn ich diese Handlung ausführe? Genau darin liegt der Unterschied zwischen reiner Videogenerierung und handlungsbezogener Embodied AI.

Die Grundidee in einem Satz

Ein Video-World-Model ist ein neuronales Modell, das aus Videos, Sensordaten und oft Aktionen lernt, mögliche zukünftige Zustände einer Umwelt vorherzusagen, damit ein Agent planen und sicherer handeln kann.

Warum Roboter eine innere Welt brauchen

Klassische Roboter wurden lange stark regelbasiert programmiert. Ingenieurinnen und Ingenieure legten fest, welche Bewegung in welcher Situation auszuführen ist. Das funktioniert gut in kontrollierten Umgebungen, etwa bei Industrierobotern mit festen Werkstücken, markierten Positionen und Sicherheitszonen. In offenen Umgebungen ist die Welt jedoch unübersichtlich: Licht verändert sich, Gegenstände liegen anders, Menschen bewegen sich unvorhersehbar, Oberflächen sind rutschig oder elastisch.

Ein verkörperter KI-Agent muss mit einer realen oder simulierten Umwelt interagieren. Er braucht nicht nur Mustererkennung, sondern ein Modell von Handlung und Folge. Ohne ein solches Modell bleibt ein Roboter oft reaktiv: Er sieht etwas und reagiert. Mit einem World Model kann er gedanklich mehrere Möglichkeiten vergleichen: Greife ich von links oder rechts? Fahre ich durch die Lücke oder warte ich? Schiebe ich das Objekt oder hebe ich es?

Der Begriff Zukunft träumen beschreibt diesen Vorgang anschaulich: Der Roboter erzeugt mögliche Zukunftsszenen in seinem Modell. Diese Szenen müssen nicht perfekt fotorealistisch sein. Entscheidend ist, dass sie die für die Aufgabe wichtigen Strukturen erfassen: Wo ist das Objekt? Wird es stabil bleiben? Kollidiert etwas? Ist die Aktion sicher? Kann das Ziel erreicht werden?

Von Daten zu Handlungen

Der typische Ablauf eines Video-World-Models lässt sich in fünf Schritte gliedern. Diese Schritte können je nach Architektur anders umgesetzt sein, aber das Grundprinzip bleibt ähnlich.

Sensorik: Kameras, Tiefensensoren, LiDAR, Mikrofone oder Gelenksensoren liefern Daten über die aktuelle Situation.
Kodierung: Ein Encoder übersetzt die Rohdaten in eine kompakte innere Repräsentation, oft in einem latenten Raum.
Prädiktion: Ein Vorhersagemodul berechnet, wie sich dieser Zustand unter möglichen Handlungen verändern könnte.
Bewertung: Ein Planungs- oder Bewertungsmodul vergleicht mehrere mögliche Zukunftsverläufe.
Ausführung: Eine Policy oder Steuerung wählt eine Aktion aus und der Roboter handelt in der realen oder simulierten Welt.

Dieser Kreislauf ähnelt dem bestärkenden Lernen, geht aber über einfache Belohnungssignale hinaus. Ein World Model kann dem Agenten erlauben, im Modell zu üben, ohne jede Variante sofort in der Realität testen zu müssen. Das spart Zeit, Kosten und Risiken. Besonders in gefährlichen oder teuren Situationen ist das wichtig, etwa bei autonomen Fahrzeugen, medizinischer Robotik, Industrieanlagen oder Rettungsrobotern.

Warum Video so wichtig ist

Videos enthalten zeitliche Informationen. Sie zeigen nicht nur, was etwas ist, sondern wie sich etwas verhält. Für Roboter ist das entscheidend. Ein Bild einer Tasse sagt wenig darüber aus, ob sie gleich umkippt. Eine Videosequenz kann Bewegung, Kontakt, Beschleunigung und Veränderung sichtbar machen. Video-World-Models nutzen diese zeitliche Struktur, um ein Modell von Dynamik zu lernen.

Allerdings ist Video allein nicht genug. Viele wichtige Informationen sind in Videos nur indirekt sichtbar. Ein Roboter muss zusätzlich wissen, welche Kraft er ausübt, wie sich seine Gelenke bewegen, ob ein Kontakt entstanden ist und ob ein Objekt schwer, weich, rutschig oder zerbrechlich ist. Deshalb sind starke Robotiksysteme häufig multimodal: Sie verbinden Bilddaten, Sprache, Aktionen, Tiefeninformationen, Tastsinn und Zustandsdaten.

Ein weiterer Punkt ist Affordanz. Eine Affordanz beschreibt, welche Handlung ein Objekt oder eine Situation ermöglicht. Eine Türklinke lädt zum Drücken oder Ziehen ein, ein Griff zum Greifen, ein freier Weg zum Durchfahren. Video-World-Models können helfen, solche Handlungsmöglichkeiten aus beobachteten Bewegungen zu lernen.

Neuronale Netze neu denken

Viele populäre KI-Systeme wurden als Sprachmodelle bekannt. Sie verarbeiten Zeichenketten und sagen typischerweise das nächste passende Token voraus. Video-World-Models verschieben den Fokus: Sie sollen nicht nur Text fortsetzen, sondern physische oder visuelle Zustandsänderungen vorhersagen. Dadurch rückt die Frage in den Vordergrund, ob ein System eine brauchbare innere Repräsentation von Raum, Zeit, Objekten, Handlungen und Folgen aufbauen kann.

Neuronale Netze werden in diesem Kontext nicht nur als Mustererkenner betrachtet, sondern als Bausteine für vorausschauende Agenten. Ein gutes World Model muss nicht jedes Pixel perfekt rekonstruieren. Oft reicht eine aufgabenrelevante Repräsentation. Wenn ein Roboter eine Schraube greifen soll, ist die exakte Tapetenfarbe unwichtig. Wichtig sind Lage, Form, Greifbarkeit, Hindernisse und die Wirkung der geplanten Bewegung.

Wichtige Bausteine

Encoder: Er verdichtet Beobachtungen zu einer inneren Repräsentation.
Latenter Raum: Er speichert wichtige Merkmale kompakt, statt jedes Detail roh zu behalten.
Prädiktor: Er sagt zukünftige Zustände voraus.
Simulator: Er erzeugt mögliche Szenen oder Zustandsfolgen.
Policy: Sie wählt Handlungen aus.
Critic: Er bewertet, ob ein vorhergesagter Verlauf nützlich, sicher oder zielnah ist.
Selbstüberwachtes Lernen: Das Modell lernt aus Daten, ohne dass jedes Einzelbild von Menschen beschriftet werden muss.
Bestärkendes Lernen: Ein Agent verbessert Handlungen durch Rückmeldung über Erfolg, Fehler oder Belohnung.

Robotik, embodied AI und autonome Systeme

Embodied AI bedeutet, dass Intelligenz nicht nur in Text, Symbolen oder abstrakten Aufgaben gedacht wird, sondern in einem Körper oder Agenten, der mit einer Umwelt verbunden ist. Ein Roboter muss Raum, Zeit, Material und Handlung erleben oder simulieren können. Ein Greifarm, ein humanoider Roboter, ein Lieferroboter oder ein autonomes Fahrzeug müssen ständig entscheiden, welche Bewegung als Nächstes sinnvoll und sicher ist.

In der mobilen Robotik helfen World Models, Hindernisse, Bewegungen anderer Akteure und mögliche Routen vorauszuberechnen. In der Manipulation helfen sie, Objektkontakte zu planen. In der autonomen Mobilität können sie seltene oder riskante Situationen simulieren, ohne sie ständig auf echten Straßen zu erzwingen. In der Forschung dienen sie als Brücke zwischen Simulation und Realität.

Beispiele für Anwendungen

Greifen: Ein Roboter prüft im Modell, ob ein Objekt stabil gegriffen werden kann.
Navigation: Ein mobiler Agent simuliert, ob ein Weg frei bleibt oder blockiert wird.
Autonomes Fahren: Ein Fahrzeugmodell bewertet mögliche Bewegungen von Menschen, Fahrrädern und anderen Fahrzeugen.
Haushaltsrobotik: Ein Roboter plant mehrschrittige Aufgaben wie Aufräumen, Sortieren oder Öffnen.
Industrie 4.0: Roboter können Produktionsschritte anpassen, wenn Werkstücke variieren.
Rettungsrobotik: Agenten können gefährliche Wege in einer Simulation prüfen, bevor sie handeln.

Vom World Model zum World Action Model

Ein World Model beantwortet vor allem die Frage: Wie verändert sich die Welt? Ein World Action Model geht einen Schritt weiter und verknüpft vorhergesagte Zukunft mit ausführbaren Handlungen. Für die Robotik ist das entscheidend, denn ein schönes Zukunftsvideo ist noch keine Steuerung. Der Roboter muss konkrete Motorbefehle, Greifpositionen, Geschwindigkeiten oder Zwischenziele erzeugen.

Man kann vier Denkweisen unterscheiden. Erstens kann ein System eine Zukunft imaginieren und danach eine Handlung auswählen. Zweitens kann es aus Videomerkmalen direkt Aktionen ableiten. Drittens können Video und Aktion gemeinsam modelliert werden. Viertens kann Videovorhersage als Hilfsaufgabe dienen, damit eine Policy bessere Repräsentationen lernt. Alle Varianten zeigen: Die entscheidende Frage ist nicht nur, ob ein Modell plausible Videos erzeugt, sondern ob diese Vorhersagen für reales Handeln nützlich sind.

Chancen von Video-World-Models

Video-World-Models können Roboterlernen effizienter machen. Sie können Daten aus Beobachtung nutzen, statt jede Fähigkeit ausschließlich durch teure reale Roboterexperimente zu lernen. Sie können riskante Situationen in einer Simulation untersuchen. Sie können seltene Ereignisse erzeugen, etwa plötzlich auftauchende Hindernisse. Sie können Planen und Lernen verbinden, indem ein Agent mögliche Zukunftsverläufe vergleicht.

Für Bildung und Gesellschaft ist daran besonders spannend, dass World Models eine andere Vorstellung von KI fördern. KI ist dann nicht nur ein Chatbot, der Texte formuliert, sondern ein System, das Umwelt, Handlung und Folge modellieren soll. Dadurch werden Informatik, Physik, Mathematik, Psychologie, Technik, Ethik und Medienbildung miteinander verbunden.

Grenzen und Risiken

Trotz großer Fortschritte bleiben Video-World-Models unsicher. Ein Modell kann plausible, aber falsche Zukunftsbilder erzeugen. Es kann physikalische Details übersehen, Kontakte falsch einschätzen oder in ungewohnten Situationen versagen. Diese Fehler sind in der Robotik besonders kritisch, weil sie reale Folgen haben können. Ein fehlerhafter Text ist ärgerlich, ein fehlerhafter Robotergriff oder Bremsvorgang kann gefährlich werden.

Wichtige Grenzen sind der Sim-to-Real-Gap, unvollständige Daten, fehlende Kausalität, Verzerrungen in Trainingsvideos, hoher Energiebedarf, Datenschutzprobleme, mangelnde Erklärbarkeit und schwierige Sicherheitsprüfungen. Auch die Frage der Verantwortung ist zentral: Wer haftet, wenn ein System auf Grundlage einer falschen Simulation handelt? Wer entscheidet, welche Daten genutzt werden dürfen? Wie können Menschen eingreifen, wenn ein Roboter eine riskante Planung verfolgt?

Sicherheitsprinzipien

Validierung: Modelle müssen in vielen realistischen und schwierigen Situationen getestet werden.
Transparenz: Entscheidungen sollten so weit wie möglich nachvollziehbar sein.
Menschliche Aufsicht: Kritische Systeme brauchen klare Eingriffsmöglichkeiten.
Datenschutz: Video- und Sensordaten können Menschen, Orte und Gewohnheiten sichtbar machen.
Robuste Planung: Ein Roboter sollte nicht nur die wahrscheinlichste, sondern auch gefährliche mögliche Zukunft berücksichtigen.
Ethik: Nutzen, Risiken und Machtverhältnisse müssen gesellschaftlich diskutiert werden.

Vergleich: Sprachmodell und Video-World-Model

Aspekt	Sprachmodell	Video-World-Model
Hauptdaten	Text, Code, Dokumente, Dialoge	Videos, Bilder, Sensordaten, Aktionen
Typische Vorhersage	Nächstes Token oder passende Antwort	Zukünftige Zustände, Szenen oder Bewegungen
Zentrale Stärke	Sprache, Zusammenfassung, Wissen, Dialog	Dynamik, Handlung, räumlich-zeitliche Veränderung
Wichtige Grenze	Keine direkte Körpererfahrung	Hohe Anforderungen an Physik, Sicherheit und Datenqualität
Robotikbezug	Anweisungen verstehen und Aufgaben strukturieren	Handlungsfolgen simulieren und Bewegungen planen

Beide Ansätze können kombiniert werden. Ein Sprachmodell kann eine menschliche Anweisung verstehen: Räume den Tisch auf. Ein Video-World-Model kann prüfen, welche Greif- und Bewegungsfolgen realistisch sind. Ein Roboter der Zukunft könnte also Sprache, Sehen, Handeln und Simulation gemeinsam nutzen.

Analyseleitfaden für das Video

Beim Anschauen des Einstiegsvideos kannst Du folgende Fragen nutzen, um den Inhalt systematisch zu erschließen.

Begriffsklärung: Wie wird erklärt, was ein World Model ist?
Metapher: Was bedeutet es, wenn Roboter die Zukunft träumen?
Technik: Welche Rolle spielen Videos, neuronale Netze und Simulation?
Robotik: Welche konkreten Aufgaben könnten Roboter dadurch besser lösen?
Abgrenzung: Worin unterscheidet sich ein Video-World-Model von einem reinen Textmodell?
Kritik: Welche Grenzen, Risiken oder offenen Fragen werden sichtbar?
Transfer: Welche Anwendung in Schule, Alltag, Medizin, Verkehr oder Industrie erscheint Dir sinnvoll?

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was ist die Hauptaufgabe eines World Models in der KI? (Es sagt mögliche Veränderungen einer Umwelt voraus) (!Es speichert ausschließlich Wörterbücher) (!Es ersetzt alle Sensoren eines Roboters) (!Es löscht unsichere Trainingsdaten automatisch)

Warum sind Videos für Video-World-Models besonders nützlich? (Sie zeigen zeitliche Veränderungen und Bewegungen) (!Sie enthalten immer perfekte physikalische Messwerte) (!Sie machen Roboter vollständig fehlerfrei) (!Sie bestehen nur aus Textbefehlen)

Was bedeutet die Metapher Roboter träumen in diesem Thema? (Sie simulieren mögliche Zukunftsverläufe im Modell) (!Sie besitzen menschliches Bewusstsein) (!Sie schlafen während des Trainings) (!Sie erinnern sich an persönliche Erlebnisse)

Welche Information ist für einen Roboter beim Greifen besonders wichtig? (Die mögliche Folge seiner Bewegung) (!Die genaue Anzahl aller Internetseiten) (!Die Farbe der Benutzeroberfläche) (!Der Name des Videoplayers)

Was beschreibt der latente Raum in einem neuronalen Modell? (Eine kompakte innere Darstellung wichtiger Merkmale) (!Einen physischen Raum im Robotergehäuse) (!Eine Liste aller falschen Antworten) (!Eine feste Bedienungsanleitung aus Papier)

Was ist ein wichtiger Unterschied zwischen Sprachmodell und Video-World-Model? (Sprachmodelle arbeiten vor allem mit Text und Video-World-Models mit räumlich-zeitlichen Zuständen) (!Sprachmodelle benötigen immer Räder) (!Video-World-Models dürfen keine Bilder verarbeiten) (!Beide Systeme sind grundsätzlich identisch)

Warum ist der Sim-to-Real-Gap ein Problem? (Eine Simulation kann von der realen Welt abweichen) (!Eine reale Welt ist immer einfacher als eine Simulation) (!Ein Roboter darf nie in Simulationen trainieren) (!Ein Modell kann nur bei Nacht lernen)

Welche Rolle spielt Selbstüberwachtes Lernen? (Es ermöglicht Lernen aus vielen Daten ohne jede einzelne manuelle Beschriftung) (!Es verhindert jede Form von Fehlern) (!Es ersetzt alle mathematischen Modelle) (!Es löscht automatisch schlechte Roboter)

Was ist bei Robotiksystemen mit World Models besonders wichtig? (Sicherheit und überprüfbare Planung) (!Möglichst viele dekorative Animationen) (!Der Verzicht auf Sensoren) (!Eine zufällige Wahl aller Handlungen)

Was ist eine Affordanz? (Eine Handlungsmöglichkeit, die ein Objekt oder eine Situation nahelegt) (!Ein Fehler in einem Videocodec) (!Ein geheimer Speicher eines Sprachmodells) (!Eine feste Farbe für Roboterarme)

Memory

World Model	Innere Umweltvorhersage
Encoder	Kompakte Darstellung
Policy	Handlungswahl
LiDAR	Abstandsmessung
Sim-to-Real-Gap	Unterschied zwischen Simulation und Wirklichkeit
Affordanz	Mögliche Nutzung eines Objekts
Embodied AI	KI mit Körperbezug
Prädiktion	Vorhersage kommender Zustände

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Beobachtung	Sensordaten
Kodierung	Latenter Zustand
Vorstellung	Zukunftssimulation
Planung	Handlungswahl
Ausführung	Roboteraktion

Kreuzworträtsel

Modell	Wie heißt eine vereinfachte Darstellung der Umwelt, mit der ein KI-System Vorhersagen treffen kann?
Video	Welches Medium zeigt Bewegungen und zeitliche Veränderungen besonders direkt?
Planung	Wie nennt man das Vergleichen möglicher Handlungen vor der Ausführung?
Robotik	Welches Fachgebiet beschäftigt sich mit Konstruktion, Steuerung und Nutzung von Robotern?
Sensorik	Wie heißt der Bereich, der Messdaten über die Umgebung bereitstellt?
Simulation	Wie nennt man eine künstliche Nachbildung von Abläufen zum Testen und Lernen?

LearningApps

Lückentext

Ein Video-World-Model lernt aus bewegten Bildern und Sensordaten, wie sich eine

verändern kann. Ein Roboter kann damit mögliche Folgen einer

vor der Ausführung simulieren. Die Rohdaten werden häufig in einen kompakten

Raum übersetzt. Dort sagt ein Modell zukünftige

voraus. Für die Robotik ist wichtig, dass diese Vorhersagen nicht nur plausibel aussehen, sondern für

und Sicherheit nützlich sind. Ein großes Risiko entsteht, wenn eine Simulation von der

abweicht. Deshalb brauchen Systeme mit World Models gründliche Tests, menschliche Aufsicht und klare

.

Offene Aufgaben

Leicht

Begriffskarte: Erstelle eine Begriffskarte zu World Model, Video, Robotik, Embodied AI und Simulation. Schreibe zu jedem Begriff eine eigene Erklärung in Alltagssprache.
Videoanalyse: Sieh Dir das Einstiegsvideo an und notiere fünf Stellen, an denen erklärt wird, warum Vorhersage für Roboter wichtig ist.
Alltagsbeispiel: Beschreibe eine Alltagssituation, in der ein Mensch eine Zukunft innerlich simuliert, bevor er handelt, zum Beispiel beim Fahrradfahren, Kochen oder Aufräumen.
Skizze: Zeichne einen einfachen Roboter, der vor einer Handlung zwei mögliche Zukunftsverläufe vergleicht. Beschrifte Beobachtung, Modell, Planung und Aktion.

Standard

Vergleich: Vergleiche ein Large Language Model mit einem Video-World-Model. Erstelle eine Tabelle mit Daten, Vorhersage, Stärken, Grenzen und Robotikbezug.
Storyboard: Entwickle ein Storyboard für einen Haushaltsroboter, der ein Glas sicher vom Tisch in die Spülmaschine räumen soll. Zeige mindestens drei mögliche Fehler und wie ein World Model sie vermeiden könnte.
Experiment: Nimm mit dem Smartphone eine kurze harmlose Bewegung auf, etwa einen rollenden Ball oder eine fallende Papierkugel. Analysiere, welche Informationen ein Modell bräuchte, um den nächsten Moment vorherzusagen.
Ethikdiskussion: Formuliere drei Regeln, die beim Einsatz von Video-World-Models in öffentlichen Räumen gelten sollten. Begründe jede Regel mit Datenschutz, Sicherheit oder Fairness.

Schwer

Forschungsfrage: Entwickle eine eigene Forschungsfrage zum Thema Video-World-Models in der Robotik. Beschreibe Hypothese, mögliche Daten, Testumgebung und Erfolgskriterium.
Risikomodell: Erstelle eine Risikoanalyse für einen Lieferroboter, der mithilfe eines World Models Gehwege befährt. Berücksichtige Kinder, Haustiere, Wetter, Baustellen und Datenschutz.
Architekturentwurf: Entwirf ein Blockdiagramm für ein System aus Kamera, Encoder, latentem Raum, Prädiktor, Planer und Robotersteuerung. Erkläre zu jedem Block die Funktion.
Transferprojekt: Übertrage die Idee der World Models auf ein anderes Feld, zum Beispiel Medizin, Klimamodell, Computerspiel, Stadtplanung oder Industrie. Zeige, welche Daten, Vorhersagen und Risiken dort wichtig wären.

Lernkontrolle

Transferanalyse: Erkläre an einem selbst gewählten Roboterbeispiel, warum reine Bilderkennung nicht ausreicht und warum ein Modell von Handlung und Folge benötigt wird.
Fehlerdiagnose: Ein Roboter simuliert, dass ein Objekt stabil bleibt, in der Realität kippt es jedoch um. Analysiere drei mögliche Ursachen und schlage Verbesserungen vor.
Systemvergleich: Beurteile, welche Aufgaben ein Sprachmodell und welche ein Video-World-Model in einem gemeinsamen Robotersystem übernehmen könnten.
Sicherheitskonzept: Entwickle ein Konzept, wie ein Schulprojekt mit einem kleinen Lernroboter sicher getestet werden kann, bevor er frei im Raum fährt.
Datenkritik: Bewerte, warum Trainingsvideos aus dem Internet für Roboter nützlich, aber auch problematisch sein können.
Zukunftsszenario: Beschreibe ein realistisches Szenario für das Jahr 2035, in dem Video-World-Models sinnvoll eingesetzt werden. Begründe Nutzen, Grenzen und notwendige Regeln.

Lernnachweis

Für einen überzeugenden Lernnachweis zu diesem Thema solltest Du zeigen, dass Du die technische Grundidee, die Anwendung in der Robotik und die gesellschaftlichen Folgen verstanden hast.

Fachbegriffe: Du verwendest Begriffe wie World Model, Embodied AI, Latenter Raum, Policy, Sensorik, Simulation und Sim-to-Real-Gap korrekt.
Erklärung: Du kannst in eigenen Worten erklären, warum Video-World-Models mögliche Zukunftsverläufe erzeugen.
Anwendung: Du kannst ein konkretes Robotikbeispiel analysieren und erklären, welche Daten und Vorhersagen gebraucht werden.
Bewertung: Du erkennst Chancen und Risiken, insbesondere bei Sicherheit, Datenschutz, Fehlvorhersagen und Verantwortung.
Produkt: Du erstellst eine eigene Skizze, Präsentation, Analyse, Simulation, Diskussion oder Projektidee zum Thema.
Reflexion: Du unterscheidest zwischen technischer Metapher und menschlichem Bewusstsein und vermeidest übertriebene Zuschreibungen an KI-Systeme.

OERs zum Thema

Weitere Medienimpulse

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

{{#ev:youtube| https://www.youtube.com/watch?v=cTTmUZlOF2s |500|center}}

Links

Video-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.