WAIC 2026 Weltmodelle: Unterschiede und Gemeinsamkeiten sechsembodied Intelligence Teams

Einleitung

Weltmodelle haben sich zu einem der aktivsten Forschungsbereiche der Embodied Intelligence entwickelt, doch bis heute fehlt eine einheitliche Definition.

Die Forscher sind sich uneinig darüber, was ein Weltmodell abbilden soll, wie genau die physikalische Modellierung sein muss, ob zukünftige Zustände im Pixelraum oder im latenten Raum generiert werden sollen, wie viele Vorhersagen ein Roboter vor einer Aktion treffen muss, welche Datenmodalitäten am wichtigsten sind und sogar darüber, wie der Forschungsfortschritt gemessen werden soll.

Dieses Fehlen eines Konsenses zeigte sich besonders deutlich auf der WAIC 2026.

Am 19. Juli trafen sich auf einem Forum sechs chinesische Embodied-Intelligence-Unternehmen, deren technische Leiter verschiedene Entwicklungspfade für Robot-Weltmodelle vertraten:

• Moderator: Hai Dacheng, Chefwissenschaftler von ACE Robotics
• Shen Xuejun, Chefwissenschaftler des Roboyant-Teams der Ant Group
• Zhu Zheng, Mitbegründer und Chefwissenschaftler von GigaAI
• Xia Zhongpu, Mitbegründer und Co-CTO von Boundless Dynamics
• Ren Guanghui, AI-Algorithmusdirektor von AgiBot
• Wang Hao, Mitbegründer und CTO von X Square Robot

Der Wert dieser Diskussion liegt genau darin, dass die Redner keine einheitliche technische Lösung erreichten.

Einige wünschen sich, dass Weltmodelle Geometrie, Bewegung und Mechanik immer genauer abbilden können. Anderen ist wichtiger, ob das Modell genügend physikalische Strukturen vorhersagen kann, um erfolgreiche Aktionen auszuwählen.

Einige halten langfristige Konsistenz für entscheidend. Andere argumentieren, dass dies kontraproduktiv sei, wenn die Vorhersage zu viel vom Entscheidungsfenster des Roboters verbraucht.

Einige erwarten, dass sich das Feld auf eine gemeinsame Repräsentation einigen wird. Andere glauben, dass hybride Architekturen, taktile Wahrnehmung oder standardisierte Benchmarks der erste Ausgangspunkt für einen Konsens sein werden.

Hinter diesen Differenzen steht eine praktischere Frage:

Welche Fähigkeiten muss ein Weltmodell haben, um über Demonstrationsszenarien hinaus einen praktischen Wert zu entfalten?

Drei technische Ansätze

Diese sechs Unternehmen verwendeten nicht völlig identische Architekturen, aber je nachdem, wie das Modell die Welt vorhersagt, lassen sich die Diskussionen am runden Tisch grob in drei technische Ansätze unterteilen.

Ansatz	Repräsentative Methode	Kernkonzept
Generierung im Pixelraum	GigaAI	Direkte Vorhersage zukünftiger visueller Zustände oder Vorhersage durch generative visuelle Repräsentationen
Vorhersage im latenten Raum	Richtung JEPA von Boundless Dynamics	Vorhersage kompakter interner Repräsentationen anstelle vollständiger Pixel
Hybride oder einheitliche Architektur	ACE Robotics, Roboyant, X Square Robot, AgiBot	Kombination aus Generierung, latenter Vorhersage, expliziter räumlicher Inferenz, VLA-Steuerung oder simulationsorientierten Modellen

Diese Klassifizierung dient als Referenz, sollte aber nicht als dauerhafter Industriestandard angesehen werden.

Einige dieser Unternehmen integrieren bereits mehrere Mechanismen. Der wichtigere Unterschied liegt darin, was jedes Team für ein nützliches Weltmodell hält.

Das Modell muss bestehen bleiben.

Welche Fähigkeit ist am wichtigsten?

Der erste große Dissens betrifft die Art und Weise, wie das Weltmodell mit der Physik verbunden ist.

Ansicht 1: Vorhersage physikalischer Zustände sollte präzise sein

Xia Zhongpu ist der Ansicht, dass die Bewertung die Genauigkeit des Modells bei der Vorhersage geometrischer Zustände, Bewegungsbahnen, mechanischer Wirkungen und damit verbundener physikalischer Größen umfassen sollte.

Diese Sichtweise betrachtet das Weltmodell teilweise als strukturierten Prädiktor für physikalische Zustände.

Für Roboter, die entscheiden müssen, wie sie schieben, greifen, heben, navigieren oder Objekte manipulieren, könnten relevante Fragen sein:

• Wohin wird sich das Objekt bewegen?
• Wird es mit anderen Objekten kollidieren?
• Wie wird sich seine Ausrichtung ändern?
• Wie viel Kraft muss aufgebracht werden?
• Wird der Griff stabil bleiben?
• Wie wird die Umgebung nach der Aktion aussehen?

Implizite Repräsentationen können die explizite physikalische Regression attraktiver machen – denn das Modell muss nicht jedes zukünftige Pixel rendern, bevor es diese Größen schätzt.

Der Vorteil liegt in der Genauigkeit und Kontrollierbarkeit.

Die Schwierigkeit besteht darin, dass die physikalische Welt Variablen enthält, die schwer direkt zu beobachten oder zu schließen sind, wie Reibung, versteckte Massenverteilungen, Nachgiebigkeit, Kontaktzustände und Materialeigenschaften.

Daher kann ein Modell physikalisch strukturiert sein, ohne ein vollständiger Simulator zu sein.

Ansicht 2: Physikalische Plausibilität kann wichtiger sein als exakte Physik

Shen Yujun stellte ein anderes Kriterium auf.

Der Roboter muss nicht unbedingt jeden Parameter des physikalischen Systems reproduzieren, aber er muss die Unterschiede verstehen, die für die bevorstehende Aktion entscheidend sind.

Wenn beispielsweise zwei Materialien fallen gelassen, gequetscht, gezogen oder gegriffen werden, muss der Roboter möglicherweise ihre unterschiedlichen Reaktionen erkennen, ohne jeden Koeffizienten im Voraus schätzen zu müssen.

Dies kommt eher einem aktionsbezogenen physikalischen Verständnis als einer vollständigen physikalischen Simulation nahe.

Der Unterschied lässt sich wie folgt zusammenfassen:

Exakte physikalische Simulation:
Den detaillierten Zustand der Welt so genau wie möglich vorhersagen.

Aktionsbezogenes physikalisches Reasoning:
Den Zustand der Welt so weit vorhersagen, dass sichere und effektive Aktionen ausgewählt werden können.

Das zweite Ziel ist rechenintensiver und für viele reale Roboteraufgaben ausreichend.

Dies entspricht auch dem Systemdesign, das von videogenerativen Modellen stammt – diese Modelle lernen auf natürliche Weise, welche zukünftigen visuellen Darstellungen plausibel sind, auch wenn sie nicht alle zugrunde liegenden physikalischen Variablen explizit offenlegen.

Kernfrage: Welcher Fehler verändert die Aktion?

Die unterschiedlichen Meinungen des Expertenteams weisen auf pragmatischere Bewertungskriterien hin:

Der Fehler ist am kritischsten, wenn der Vorhersagefehler die Entscheidung des Roboters ändert.

Wenn der Roboter eine Tasse erfolgreich abstellen kann, ohne den genauen Reibungskoeffizienten des Tisches schätzen zu müssen, ist das Fehlen dieses Wertes möglicherweise unbedeutend.

Wenn das Fehlen dieses physikalischen Verständnisses jedoch dazu führt, dass die Tasse herunterfällt, ist dieser Fehler entscheidend.

Die erforderliche physikalische Genauigkeit hängt daher ab von:

• der spezifischen Aufgabe
• der Sicherheitsmarge
• dem Roboterdesign
• dem zeitlichen Horizont der Aktion
• den Kosten eines Fehlschlags
• der verfügbaren Zeit für das Reasoning

Langfristige Konsistenz oder schnelle Entscheidungen?

Der zweite Dissens dreht sich darum, wie weit in die Zukunft ein Weltmodell vorhersagen sollte.

AgiBot:

Langfristige physikalische Konsistenz ist entscheidend

AgiBot hat erhebliche Ressourcen in Simulation und weltmodellbasierte Bewertung investiert.

Sein öffentliches AgiBot Digital World-Framework bietet eine hochgenaue Simulationsumgebung, automatisch generierte Expertenbahnen und Werkzeuge zur Modellbewertung.

AgiBot hat anschließend das EVAC-Weltmodell-Framework und EWMBench eingeführt, die das Konzept der aktionsbedingten generativen Simulation weiter vorantreiben.

Für Weltmodelle, die als Simulatoren dienen, ist langfristige Konsistenz entscheidend.

Der Wert der Simulation wird stark gemindert, wenn:

• sich die Identität von Objekten allmählich ändert
• die Geometrie drifftet
• der Roboter frühere Interaktionen vergisst
• lange Sequenzen physikalische Zustände verletzen
• Mehransichtsausgaben inkonsistent sind

Daher sollte ein Weltmodell über einen sinnvollen Zeitraum hinweg einen kohärenten Zustand beibehalten.

X Square Robot: Langfristige Vorhersage kann ein falsches Ziel sein

Wang Hao stellte die Annahme in Frage, dass "längere Vorhersagen immer besser sind".

X Square Robot verfolgt einen End-to-End-Ansatz für Embodied-Modelle, der Wahrnehmung, Reasoning, Weltmodellierung und Aktionserzeugung eng koppelt.

Seine öffentlichen Materialien beschreiben die WALL-Serie als einen Schritt in Richtung eines einheitlichen physikalischen Weltmodells, anstatt Weltvorhersage und Robotersteuerung als isolierte Systeme zu behandeln.

In solchen Systemen ist das Weltmodell nicht nur ein Simulator – die Vorhersage selbst ist Teil der Steuerschleife.

Daher hat eine längere Vorhersage folgende Kosten:

Je weiter die vorhergesagte Zukunft
→ desto mehr Reasoning
→ desto höher die Latenz
→ desto weniger Zeit für die Aktion

Wenn sich die Umgebung des Roboters schneller ändert, als das Modell sein Reasoning abschließen kann, könnte eine perfekt kohärente Langzeitvorhersage auf operationeller Ebene nutzlos sein.

Für die Steuerung kann eine kürzere Vorhersage, die zur richtigen Zeit eintrifft, wertvoller sein als eine zu spät eintreffende längere Vorhersage.

Der Vorhersagehorizont sollte mit dem Steuerungshorizont übereinstimmen

Dies deutet darauf hin, dass es keine einzig optimale Vorhersagelänge gibt.

Ein Lagersimulator benötigt möglicherweise lange Sequenzvorhersagen.

Ein Roboter, der eine Objektbalance-Aufgabe ausführt, benötigt möglicherweise extrem schnelle Kurzzeitvorhersagen.

Ein mobiler Manipulator, der mehrstufige Aufgaben bewältigt, benötigt möglicherweise beides:

1. Langfristige Planung
2. Kurzzeitige physikalische Vorhersage
3. Schnelle Closed-Loop-Korrekturen

Daher könnte ein sinnvolles Design mehrere Zeitbereiche umfassen, anstatt eines einzigen Allzweck-Weltmodells.

Drei Gäste sitzen auf weißen Sesselsofas. Der mittlere Gast hält ein blaues Mikrofon und ergreift das Wort, der rechte Gast hat die Hände übereinandergelegt, der linke Gast lässt die Hände natürlich ruhen. Der Hintergrund ist dunkel, oben stehen die Schriftzüge „WAIC 2026 Weltkonferenz für Künstliche Intelligenz“ und das „ACE“-Logo. Dieses Bild passt zur Beschreibung des WAIC 2026 Weltmodell-Forums im Dokument und veranschaulicht die Situation vor Ort.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/4c042a14-222f-479c-a285-6ffe08d2fb9e-c12217f2-9772-4644-9176-3c421bfb637a.jpeg)

Bestehende öffentliche Systeme spiegeln diese unterschiedlichen Schwerpunkte bereits wider

Die auf dem Forum präsentierten Meinungsverschiedenheiten sind bereits in den öffentlichen technischen Systemen der einzelnen Unternehmen erkennbar.

Zeitgeist Embodied Intelligence: Vereinigung von Verstehen, Vorhersage und Handlung

Auf der WAIC 2026 veröffentlichte Zeitgeist Embodied Intelligence den Kairos 3.1, ein handlungsorientiertes verkörpertes Weltmodell.

Die öffentlich zugänglichen Veröffentlichungsmaterialien beschreiben eine hybride Transformer-Architektur, die darauf abzielt, Folgendes zu verbinden:

• Verstehen
• Weltvorhersage
• Handlung
• Reflexion

Zeitgeist Embodied Intelligence berichtete außerdem von einer Inferenzlatenz von 125 Millisekunden für ihr 8B-Parameter-Modell Kairos 3.1 auf der NVIDIA-Plattform.

Der Jetson Thor verwendet BF16-Genauigkeit. Diese Spezifikation ist entscheidend, da das Unternehmen das Modell ausdrücklich als Edge-System für Roboteraktionen positioniert und nicht als reinen Offline-Videogenerator.

Ant Group / Robbyant: Vom interaktiven Weltsimulator zum verkörperten nativen Modell

Robbyants quelloffenes LingBot-World begann im Bereich der generativen Videos. Die offizielle Code-Repository-Beschreibung lautet: hochgetreue interaktive Umgebung, langfristige zeitliche Konsistenz, Echtzeit-Benutzersteuerung, subsekundenlange Interaktionslatenz und eine Echtzeit-Generierungsfähigkeit von 16 FPS in der Fast-Version. Ant Group integrierte LingBot-World-Fast anschließend in das Lingguang-Mobilprodukt, sodass Benutzer ein einzelnes Bild in eine erkundbare generierte Welt verwandeln können. Gleichzeitig hat sich Robbyant in die VLA- und Embodied-Modell-Forschung ausgeweitet und ist ein typisches Beispiel für ein Team, das nicht auf ein einziges Weltmodell-Paradigma beschränkt ist.

GigaAI: Pixelerzeugung und die GigaWorld-Plattform

GigaAI bezeichnet sich selbst als ein auf drei Ebenen aufgebautes Unternehmen für verkörperte Intelligenz und universelle Robotik: GigaWorld (Weltmodell-Plattform), GigaBrain (Universelles verkörpertes Intelligenzsystem) und Maker (Roboter-Verkörperungsträger). Die Arbeit des Unternehmens an Weltmodellen betont die zentrale Rolle generativer physikalischer Umgebungen bei der Beschleunigung der Datenerstellung, des Trainings und der Tests. Wenn Weltmodelle als visuell reichhaltige Simulatoren verwendet werden, wird die Generierung im Pixelraum daher besonders wichtig.

Zhiyuan Robot: Weltmodell als generativer Simulator

Die öffentlich zugängliche Arbeit von Zhiyuan Robot verdeutlicht besonders klar das Einsatzszenario des Simulators. AgiBot Digital World kombiniert 3D-Assets, physikalische Simulation, Expertentrajektoriengenerierung, Domänenrandomisierung, Datengenerierung und Modellevaluierung. Das nachfolgende EVAC-Framework kann zukünftige visuelle Zustände basierend auf Roboter-Aktionssequenzen generieren. Bei solchen Anwendungen sind zeitliche Konsistenz und die präzise Reproduktion der Aktions-Umgebungs-Interaktion von entscheidender Bedeutung.

Xingdong Jiyuan: Verschmelzung von Weltmodell und VLA

Die offizielle Entwicklungsgeschichte von Xingdong Jiyuan zeigt, dass seine WALL-A-Architektur VLA-Modelle und Weltmodelle tief integriert. Die WALL-B-Richtung von 2026 strebt weiter in Richtung dessen, was das Unternehmen eine einheitliche Weltmodell-Architektur nennt. Das technische Ziel ist es, eine Pipeline zu vermeiden, bei der das Weltmodell unabhängig Vorhersagen trifft und eine separate Richtlinie diese Vorhersagen dann in Aktionen umsetzt, sondern stattdessen den Vorhersage- und Steuerungsprozess in einem einheitlichen End-to-End-System zu integrieren.

Wujie Dongli: Verkörpertes natives Weltmodell und Vorhersage im latenten Raum

Die öffentlich zugänglichen Materialien von Wujie Dongli zeigen, dass das Unternehmen ein „universelles Gehirn“ für Roboter und ein auf Weltmodellen basierendes verkörpertes, natives multimodales Grundlagenmodellsystem entwickelt. Xia Zhongpu trat dem Unternehmen im März 2026 bei, nachdem er bei Li Auto die End-to-End-Autonomie geleitet hatte. Die Forschungsrichtung des Unternehmens betont die Vorhersage im latenten Raum, physikalische Größen und eine JEPA-ähnliche Denkweise. Da detaillierte öffentliche technische Dokumentationen aktueller Weltmodelle noch begrenzt sind, sollten Aussagen über ihre genaue Architektur als technische Richtungen betrachtet werden, die vom Management beschrieben wurden, und nicht als vollständig dokumentierte offene Modelle.

Worüber wird sich am ehesten zuerst geeinigt?

Die nächste Frage ist nicht, welche Architektur sich letztendlich durchsetzen wird.

Sondern:

In welchem Teil des Bereichs wird zuerst Einigkeit erzielt?

Die Antworten gehen weit auseinander.

Kandidat 1: Einheitliche Repräsentation

Ren Guanghui und Xia Zhongpu betonten beide die Bedeutung der Repräsentation.

Große Sprachmodelle konvergierten schließlich um eine tokenisierte Sequenzdarstellung, die verschiedene Aufgaben mit einer Architektur kompatibel machte.

Der verkörperten Intelligenz fehlt immer noch eine ebenso universelle Grundeinheit.

Die Arbeit von Robotern umfasst:

• Bilder
• Videos
• Sprache
• Gelenkpositionen
• Geschwindigkeiten
• Kräfte
• Taktile Signale
• 3D-Geometrie
• Aktionen
• Belohnungen
• Umweltzustände

Wenn diese Modalitäten isoliert voneinander sind, muss jedes System komplexe Brücken zwischen ihnen bauen.

Eine einheitliche Darstellung könnte es einem Modell ermöglichen, Wahrnehmung, Zustand, Vorhersage und Handlung im selben gemeinsamen Raum zu verarbeiten.

Die Herausforderung besteht darin, dass physikalische Signale von Natur aus nicht austauschbar sind.

Ein taktiler Impuls, ein Kamerabild, ein Greiferbefehl – sie laufen mit unterschiedlichen Raten und tragen unterschiedliche Informationen.

Daher könnte ein „Robotertoken“ viel schwieriger zu definieren sein als ein Texttoken.

Kandidat 2: Hybride Architektur

Wang Hao prognostizierte eine Verschmelzung der Architekturen.

Aus dieser Perspektive löst jeder der verschiedenen Weltmodell-Ansätze einen Teil des Problems:

• Videogenerierung eignet sich hervorragend für die visuelle Zukunftsprognose.
• Latente Vorhersage ist für das Denken effizienter.
• Explizite 3D-Modelle bieten räumliches Gedächtnis.
• VLA-Modelle verbinden Wahrnehmung und Handlung.
• Klassische Regelung bietet deterministische, niedrige Stabilität.

Die endgültige Architektur wird diese Mechanismen wahrscheinlich kombinieren, anstatt einen auf Kosten der anderen zu wählen.

Dieses Muster ist im KI-Bereich üblich.

Zunächst konkurrierende Techniken werden oft zu Bestandteilen größerer Systeme, sobald ihre Stärken und Schwächen klar sind.

Kandidat 3: Taktile Wahrnehmung

Shen Yujun glaubt, dass taktile Informationen zu einem der ersten Bereiche werden könnten, in denen die Industrie zu einer Einigung kommt.

Derzeit trainieren die meisten großen Weltmodelle hauptsächlich mit visuellen und sprachlichen Daten.

Roboter manipulieren durch Kontakt.

Sie müssen erkennen:

• Ob ein Objekt rutscht.
• Ob eine Oberfläche hart oder weich ist.
• Ob ein Griff fest sitzt.
• Wie viel Kraft ausgeübt wird.
• Ob ein verformbares Objekt seine Form ändert.
• Ob Kontakt stattfindet, selbst wenn die Sicht versperrt ist.

Für Manipulationsaufgaben kann das Sehen gerade dann mehrdeutig sein, wenn der Tastsinn am nützlichsten ist.

Dies spricht stark dafür, taktile Wahrnehmung als native Modalität zu betrachten, und nicht als optionalen Sensor, der nach dem Training des Modells hinzugefügt wird.

Die Forschungsrichtung von Robbyant spiegelt auch den breiten Wandel von digitalvideobasierten Modellen hin zu Modellen wider, die um die verkörperte Steuerung herum entwickelt wurden.

Ein wichtiger Unterschied:

Das Ziel eines Videomodells ist es, plausible Zukünfte zu generieren.

Das Ziel eines verkörperten Weltmodells ist es, erfolgreiche Aktionen zu unterstützen.

Diese beiden Ziele überschneiden sich, sind aber nicht identisch.

Kandidat 4: Gemeinsame Benchmarks

Tao Dacheng gab eine andere Antwort: Konvergenz könnte zuerst bei der Evaluierung stattfinden, nicht bei der Architektur.

Dafür gibt es historische Präzedenzfälle.

Die Computer-

Vision konvergierte nicht, weil sich Forscher vorab auf eine bestimmte Repräsentation einigten. Gemeinsame Datensätze und Benchmarks wie ImageNet lieferten konkurrierenden Systemen ein gemeinsames Maß, an dem sie gemessen wurden. Sobald alle Systeme auf derselben Skala bewertet wurden, verschwanden schwache Ideen schneller, während nützliche Ideen sich über Architekturgrenzen hinweg ausbreiten konnten. Dies ist die Logik hinter der auf dem Forum vorgestellten Physics-IQ.

Physics-IQ: Ein einheitlicher Maßstab für verkörperte Intelligenz

Physics-IQ wurde auf der WAIC 2026 als einheitlicher Benchmark für verkörperte physikalische Intelligenz eingeführt. Öffentlich zugängliche Informationen zeigen, dass diese Initiative gemeinsam ins Leben gerufen wurde von:

• Der Shanghai Artificial Intelligence Association
• Dem Shenzhen Kreislaufwirtschaftsforschungsinstitut
• Dem Ostchinesischen Zweig der China Academy of Information and Communications Technology

Über 20 Universitäten und Industrieorganisationen sind beteiligt. Die Plattform zielt darauf ab, verschiedene Systeme anhand der folgenden Dimensionen zu vergleichen:

• Verschiedene Roboter-Morphologien
• Mehrere reale Szenarien
• Verschiedene Aufgabenkategorien
• Einheitliche Evaluierungsprotokolle

Dieses Bild steht im Zusammenhang mit dem Inhalt der „Sechs kleinen Drachen“-Rundtischdiskussion, die im Dokument vorgestellt wird, und zeigt die Diskussionsteilnehmer visuell.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/c242a920-2b42-4966-92ce-2e70518c2ac6-7fb4c60a-1a46-46c3-9743-2b5a5a5a322e.jpeg)

Ein nützlicher physikalischer Intelligenz-Benchmark kann sich nicht allein darauf stützen, ob generierte Videos realistisch aussehen. Er muss die folgenden Fragen aufwerfen:

• Hat der Roboter die Aufgabe erfüllt?
• Sind die Bewegungen physikalisch gültig?
• Erholt er sich von unerwarteten Ereignissen?
• Wie viele Eingriffe sind nötig?
• Ist das Verhalten sicher?
• Überträgt sich die Strategie auf neue Umgebungen?
• Wie gut ist seine Generalisierungsfähigkeit über Objekte und Bauformen hinweg?
• Wie viel Zeit und Rechenleistung benötigt jede Entscheidung?

Die spezifische Methodik des Physik-IQ muss kontinuierlich öffentlich dokumentiert und breit angewandt werden, um ein echter Industriestandard zu werden. Dennoch adressiert diese Richtung ein reales Problem. Die aktuellen Behauptungen zu Weltmodellen sind schwer vergleichbar, da ein Unternehmen die Videoqualität melden kann, ein zweites die Aufgabenerfolgsrate, ein dritter den physikalischen Zustandsfehler und ein vierter die Konsistenz des Simulators. Ohne einen einheitlichen Maßstab kann jedes System bei den Metriken, für die es selbst optimiert wurde, am stärksten erscheinen.

Visuelle Realitätstreue ist nicht gleich physikalisches Verständnis

Die Diskussion um den Physik-IQ spiegelt auch breitere Forschungsfragen im Bereich generativer Videos wider. Forscher von Google DeepMind haben einen unabhängigen Benchmark namens Physik-IQ eingeführt, um zu bewerten, ob Videomodelle physikalische Prinzipien wirklich verstehen. Die Studie fand heraus, dass visuelle Realitätstreue und physikalische Korrektheit auseinanderfallen können. Ein generiertes Video kann überzeugend aussehen, aber gegen Folgendes verstoßen:

• Festkörpermechanik
• Fluidverhalten
• Optik
• Thermodynamik
• Magnetismus

Diese Unterscheidung ist für Robotik-Weltmodelle entscheidend. Nur visuell plausible Zukunftsvorhersagen sind nützlich, wenn sie die für Handlungen erforderlichen Eigenschaften beibehalten. Gleichzeitig muss ein Roboter nicht das gesamte Physiklehrbuch lösen, bevor er handelt. Ein praktikabler Standard liegt zwischen den beiden Extremen.

Unzureichend:
Sieht realistisch aus, sagt aber das falsche Ergebnis voraus.

Möglicherweise übermäßig:
Berechnet jede physikalische Variable, auch wenn die Handlung sie nicht benötigt.

Nützliche Vorhersagen erfassen die physikalischen Unterschiede, die die Entscheidungsfindung eines Roboters verändern.

Dieses Zwischenfeld ist der Ort, wo sich die aktuelle Forschungsdiskrepanz befindet.

Von der Vorführung zur Bereitstellung

Obwohl die Modellarchitekturen unterschiedlich sind, werden die Ansichten der Experten einheitlicher, wenn die Diskussion von Modellen zu physischen Robotern übergeht.

Der endgültige Maßstab ist einfach:

Kann der Roboter Aufgaben in der physischen Welt zuverlässig erfüllen?

Verschiedene Redner beschrieben dies mit unterschiedlichen Worten.

• Xia Zhongpu betonte die Gültigkeit der endgültigen Entscheidungen.
• Ren Guanghui konzentrierte sich darauf, wie sehr das Weltmodell die nachgelagerte Strategie verbessert.
• Zhu Zheng hob die Multi-Task-Erfolgsrate auf einem physischen Roboter hervor.

Die Begriffe sind unterschiedlich, aber die operative Frage ist dieselbe.

Ein Weltmodell ist nur dann sinnvoll, wenn es das tatsächliche Verhalten des Roboters verbessert.

Warum 99% der Vorführungen immer noch ein schlechtes Produkt sein können

Vorführungen können fast unbegrenzt optimiert werden.

Ein Team kann:

• Die Umgebung zurücksetzen.
• Vorteilhafte Objekte auswählen.
• Vordefinierte Routen festlegen.
• Fehlgeschlagene Versuche wiederholen.
• Wochenlang für ein einzelnes Szenario optimieren.
• Ingenieure vor Ort in Bereitschaft haben.
• Seltene Randfälle entfernen.

Die Bereitstellung entfernt diese Schutzmaßnahmen.

Supermärkte, Hotels, Lagerhäuser oder Haushalte erleben täglich unvorhersehbare Ereignisse.

Wang Hao beschrieb die Kostenkurve als stark nichtlinear.

Den Aufwand, ein System von:

90% → 99%

zu bringen, ist nicht unbedingt gleichbedeutend mit:

99% → 99,9%

Die verbleibenden Fehler sind oft die schwierigen Langzeitschwanzfälle.

Eine Fehlerrate von 1% klingt im Labor gering.

Wenn ein Roboter 10.000 Aktionen pro Tag ausführt, bedeuten 1% bereits 100 Fehler.

Selbst bei einer Zuverlässigkeit von 99,9% entstehen bei ausreichend großen Aufgabenmengen immer noch häufige menschliche Eingriffe.

Die geschäftlichen Auswirkungen umfassen:

• Menschliche Übernahme.
• Nacharbeit.
• Ausfallzeiten.
• Kundenbeschwerden.
• Sicherheitsrisiken.
• Wartungskosten.
• Durchsatzverluste.
• Zusätzliches Aufsichtspersonal.

Dies ist der Grund, warum die Bereitstellung die Bedeutung der Modellqualität verändert.

Zufallsereignisse sind in der realen Welt die Norm

Shen Yujun nannte ein Beispiel aus dem Einzelhandel.

Ein Roboter muss möglicherweise eine Packung Gemüse finden.

Die Ware wird normalerweise an einem Ort gelagert, aber ein Kunde könnte sie aufheben und in einen anderen Kühlschrank legen.

Aus der Perspektive eines sorgfältig kuratierten Datensatzes erscheint dies wie eine Anomalie.

Aus der Perspektive eines Roboters, der Tausende von Kunden bedient, ist die Anomalie jedoch die Norm.

Daher müssen Weltmodelle Folgendes verarbeiten:

• Objekte an unerwarteten Orten.
• Fehlender Bestand.
• Personen, die den Weg blockieren.
• Plötzliche Neuanordnungen.
• Partielle Beobachtungen.
• Beleuchtungsänderungen.
• Neuartige Objektkombinationen.
• Falsche Annahmen aus früheren Aufgaben.

Hier ist die Generalisierungsfähigkeit wichtiger als das Abspielen von Demos aus dem Gedächtnis.

Inferenz am Edge ist eine Anforderung für die Bereitstellung

Tao Dacheng betonte eine weitere praktische Einschränkung: Latenz.

Viele fortgeschrittene Modelle laufen in der Cloud.

Ein Roboter hat nicht immer Zeit, auf einen Cloud-Rundlauf zu warten.

Das Entscheidungsfenster kann nur Millisekunden betragen.

Dutzende oder Hunderte von Millisekunden.

Das Netzwerk kann auch auftreten:

• Überlastung.
• Nicht verfügbar.
• Unzuverlässig.
• Zu teuer.
• Durch Datenschutz- oder Sicherheitsanforderungen eingeschränkt.

Aus diesem Grund betont ACE Robotics die Edge-Leistung von Kairos 3.1.

Ein etwas schwächeres Modell, das aber innerhalb des Steuerungszeitlimits reagiert, kann nützlicher sein als ein stärkeres Modell, das erst ankommt, nachdem das Aktionsfenster bereits geschlossen ist.

Für die Bereitstellung muss Intelligenz sein:

• Günstig genug.
• Schnell genug.
• Zuverlässig genug.
• Lokal genug.
• Vorhersehbar genug.

Dies führt zu einer nützlichen Unterscheidung:

Vorführungen zeigen die Obergrenze der Fähigkeiten, Bereitstellungen offenbaren die Untergrenze.

Was wird sich in zwei Jahren als richtig erweisen?

Der letzte Teil der Diskussion lud die Redner ein, sich vorzustellen, sie blickten aus dem Jahr 2028 zurück.

Welche Investitionen, die 2026 getätigt wurden, werden sich als richtig erweisen?

Welche könnten sich als irreführend erweisen?

Die Antworten offenbarten erneut, was jedes Team für dauerhaft hält.

Modellfähigkeiten vs. Sichtbare Modellausgaben

Shen Yujun unterschied zwei Konzepte:

Grundlegende Fähigkeiten

Beispiele umfassen:

• Generalisierungseffizienz.
• Interaktivität.
• Repräsentationsqualität.
• Aktionskonditionierung.
• Dateneffizienz.
• Kausale Konsistenz.

Sichtbare Ausgaben

Beispiele umfassen:

• Visuell beeindruckende generierte Videos.
• Raffinierte Vorführungen.
• Einzelne erfolgreiche Langzeitaufgaben.
• Hohe ästhetische Qualität.

Ein Modell kann sich in den grundlegenden Fähigkeiten verbessern, ohne sofort die beeindruckendsten Vorführungen zu produzieren.

Umgekehrt kann ein System stark für sichtbare Ausgaben optimiert sein, ohne die Fähigkeiten zu verbessern, die für allgemeine physikalische Intelligenz erforderlich sind.

Dies ist einer der Gründe, warum die Branche bessere Bewertungen benötigt.

Dateninfrastruktur könnte von bleibendem Wert sein

Shen glaubte auch, dass die Arbeit an Datenpipelines wahrscheinlich nützlich bleiben wird.

Selbst wenn sich die Architektur ändert, wird verkörperte Intelligenz weiterhin benötigen:

• Reale Welt Trajektorien.
• Haptische Daten.
• Fehlerfälle.
• Menschliche Korrekturen.
• Roboteraktionen.
• Sensorsynchronisation.
• Simulationsdaten.
• Qualitätsfilter.
• Bewertungsdatensätze.

Die Unsicherheit liegt nicht darin, ob Daten wichtig sind.

Sondern darin, ob die heute gesammelten Daten noch mit den Repräsentationen und Trainingsmethoden übereinstimmen werden, die in zukünftigen Modellen verwendet werden.

Datensätze können weniger nützlich werden, wenn:

• Die Sensorkonfiguration sich ändert.
• Der Aktionsraum sich ändert.
• Die Labels veraltete Annahmen kodieren.
• Die Daten die erforderlichen Modalitäten vermissen lassen.
• Die Sammelstrategie zu eng ist.
• Neue Modelle eine andere zeitliche Auflösung benötigen.

Daher könnte der Aufbau flexibler Datenpipelines dauerhafter sein als die Optimierung eines festen Datensatzes.

Basismodelle nicht vorzeitig stören

Zhu Zheng warnte, dass die Branche zu viele kommerzielle Szenarien erkunden könnte, bevor die Basismodelle selbst stabil sind.

Dies ist ein vertrautes Startup-Dilemma.

Die kommerzielle Bereitstellung bietet:

• Einnahmen.
• Daten.
• Kundenfeedback.
• Reale Einschränkungen.

Sie kann das Modelteam aber auch in Richtung ziehen:

• Einmalige Integrationen.
• Kundenspezifische Arbeitsabläufe.
• Kundenspezifische Regeln.
• Hardware-Anpassung.
• Support und Betrieb.

Wenn die zugrunde liegende Architektur sich noch schnell ändert, kann eine vorzeitige Spezialisierung die grundlegende Forschung verlangsamen.

Das Gleichgewicht zwischen Modellforschung und kommerzieller Bereitstellung variiert von Unternehmen zu Unternehmen.

Es gibt keine Patentlösung für alle.

Verkörperte-native Architekturen könnten aufkommen

Ren Guanghui prognostizierte, dass Weltmodelle zunehmend verkörpert-native werden.

Dies bedeutet, dass Modelle von Grund auf um physische Interaktionen herum entworfen werden, anstatt später aus Internetvideos oder Bildgenerierungsaufgaben umgestaltet zu werden.

Verkörpert-natives Training könnte umfassen:

• Roboteraktionen.
• Propriozeption.
• Kräfte.
• Haptische Daten.
• First-Person-Videos.
• Multi-Perspektiven-Beobachtungen.
• 3D-Zustände.
• Werkzeugrückmeldung.
• Interventionsdaten.
• Aufgaben Erfolg und Misserfolg.

Die Architektur selbst könnte auch um den Steuerungskreis herum entworfen werden.

Die entscheidende Frage ist, ob das Modell die Variablen repräsentiert, die der Roboter zur Ausführung von Aktionen benötigt, und nicht, ob seine interne Struktur der von Medien-Generierungsmodellen ähnelt.

Genau dort, wo die Meinungen auseinandergehen, liegt die größte Chance

Diese Diskussion endete nicht mit einer einheitlichen Architektur, auf die sich alle einigen konnten.

Das mag bedeuten, dass sich das Feld noch in einem frühen Stadium befindet, nicht in einer Sackgasse.

Mehrere wichtige Bereiche sind noch ungeklärt:

Frage	Unterschiedliche Ansichten
Was sollte das Modell vorhersagen?	Pixel, latente Zustände, explizite Geometrie oder eine Mischung
Wie hoch muss die physikalische Genauigkeit sein?	Präzise Zustandsschätzung vs. aktionsrelevante Plausibilität
Wie weit sollte der Vorhersagehorizont reichen?	Langfristige Konsistenz vs. latenzarme Kurzzeitsteuerung
Was wird das Feld vereinheitlichen?	Repräsentationen, Architekturen, taktile Daten oder Benchmarks
Wo sollte die Inferenz ausgeführt werden?	Cloud, Edge oder hybride Bereitstellung
Was sind die wahren Erfolgsmetriken?	Simulationsqualität, physikalische Vorhersage, Strategieverbesserung oder tatsächliche Aufgabenerfolgsrate
Welche Daten sind am wichtigsten?	Videos, Roboter-Trajektorien, Kraft, Taktilität, Simulation oder gemischte Daten

In reifen Feldern ähneln sich Architekturen oft.

In aufstrebenden Bereichen zeigen genau diese Unterschiede die größten noch nicht bewältigten Chancen auf.

Wenn ein Team eine der aktuell kontroversen Annahmen beweisen kann, hat es die Chance, einen technologischen Vorteil aufzubauen, bevor sich ein Branchenkonsens bildet.

Ein praktischer Rahmen zur Bewertung von Weltmodellen für Roboter

Für Entwickler und Robotenteams kann diese Diskussion in eine konkretere Bewertungscheckliste übersetzt werden.

1. Vorhersageziel

Legen Sie fest, was das Modell vorhersagt:

• Pixel.
• Latente Zustände.
• Geometrie.
• Aktionen.
• Kräfte.
• Zukünftige Beobachtungen.
• Eine Kombination der oben genannten Elemente.

Die Ausgabe sollte zum nachgelagerten Steuerungsproblem passen.

2. Vorhersagehorizont

Messen Sie die Leistung auf folgenden Ebenen:

• Sofortiger nächster Schritt.
• Kurze Zyklen.
• Zyklen im Sekundenbereich.
• Lange Aufgabenzyklen.

Bewerten Sie das Modell nicht nur für den Vorhersagehorizont, in dem es am besten abschneidet.

3. Latenz

Messen Sie die tatsächliche Inferenzzeit auf der Zielhardware.

Modelle, die die Steuerungszeitvorgaben nicht einhalten, sollten trotz ihrer Vorhersagegenauigkeit keine volle Punktzahl erhalten.

4. Physikalische Validität

Testen Sie Folgendes:

• Kollisionen.
• Kontakt.
• Gleichgewicht.
• Verformung.
• Reibungsempfindliche Aktionen.
• Objektpermanenz.
• Multiview-Konsistenz.

5. Strategieverbesserung

Die praktischste Frage ist vielleicht diese:

Verbessert die Integration eines Weltmodells die tatsächliche Aufgabenerfolgsrate?

Vergleichen Sie die Leistung einer nachgelagerten Strategie mit und ohne Weltmodell –

Strategien mit und ohne Weltmodell-Komponente.

6. Generalisierungsfähigkeit

Testen Sie neue Inhalte:

• Objekte
• Anordnungen
• Roboterplattformen
• Beleuchtung
• Materialien
• Menschliches Verhalten
• Aufgabenkombinationen

7. Erholungsfähigkeit

Messen Sie, was nach dem ersten Fehler passiert.

Ein bereitgestelltes System sollte Fehler erkennen, seinen Zustand aktualisieren und einen anderen Ansatz versuchen können.

8. Edge- und Cloud-Verhalten

Testen Sie sowohl normale als auch verschlechterte Netzwerkbedingungen.

Wenn die Remote-Inferenz nicht verfügbar ist, sollte der Roboter sicher ausfallen können.

9. Interventionsrate

Verfolgen Sie menschliche Unterstützung nach:

• Pro Stunde
• Pro Aufgabe
• Pro 100 Aktionen
• Pro 1000 Aktionen

Dies gibt oft bessere Einblicke in die Bereitstellungsqualität als eine einzelne Erfolgsrate.

10. Kosten pro erfolgreicher Aufgabe

Beinhaltet:

• Modellinferenz
• Hardware
• Netzwerk
• Menschliche Eingriffe
• Nacharbeit
• Wartung
• Energieverbrauch
• Ausfallzeiten

Das beste Weltmodell ist nicht unbedingt das mit der höchsten Benchmark-Punktzahl.

Es ist dasjenige, das das gesamte Robotersystem besser funktionieren lässt.

Häufig gestellte Fragen

Was ist ein Weltmodell in der verkörperten KI?

Ein Weltmodell ist ein Modell, das darstellen oder vorhersagen kann, wie sich die Umgebung im Laufe der Zeit, durch Roboteraktionen oder andere Ereignisse verändert. In der Robotik kann es Planung, Simulation, Aktionsauswahl, Trainingsdatengenerierung oder Strategieverbesserung unterstützen.

Was waren die wichtigsten Ansätze für Weltmodelle, die auf der WAIC 2026 diskutiert wurden?

Die Diskussion deckte breit gefächert Pixelraum-Generierung, Vorhersage im latenten Raum (wie JEPA-artige Ansätze) und hybride oder vereinheitlichende Systeme ab, die Weltvorhersage mit VLA-Steuerung, 3D-Intelligenz oder anderen Repräsentationen kombinieren. Diese Kategorien überschneiden sich, da mehrere Unternehmen eine Vielzahl von Techniken einsetzen.

Braucht ein Roboter-Weltmodell einen exakten physikalischen Simulator?

Nicht unbedingt. Einige Forscher plädieren für die genaue Vorhersage von Geometrie, Bewegung und Kräften, während andere die physikalische Argumentation priorisieren, die ausreicht, um die richtige Aktion auszuwählen. Die erforderliche Genauigkeit hängt von der Aufgabe und den Kosten eines Fehlers ab.

Warum ist langfristige Konsistenz umstritten?

Lange Sequenzentfaltungen sind nützlich für Simulation und langfristige Planung, erhöhen aber die Inferenzkosten und können die Echtzeitsteuerung verlangsamen. Physische Roboter benötigen möglicherweise kurze, schnelle Vorhersagen für sofortige Aktionen und verwenden gleichzeitig einen anderen Mechanismus für die langfristige Planung.

Was ist PHYSICAL IQ?

PHYSICAL IQ ist eine auf der WAIC 2026 ins Leben gerufene Benchmarking-Initiative für verkörperte physische Intelligenz. Sie zielt darauf ab, ein gemeinsames Bewertungsprotokoll für verschiedene Roboterplattformen, Szenarien und Aufgaben bereitzustellen.

Sind PHYSICAL IQ und Google DeepMinds Physics-IQ dasselbe?

Nein. Es sind verschiedene Projekte. PHYSICAL IQ ist eine auf der WAIC 2026 vorgestellte Evaluierungsplattform für verkörperte Roboter, während Physics-IQ ein Forschungsbenchmark zum Testen ist, ob generative Videomodelle Physik verstehen.

Warum ist taktile Sensorik für Weltmodelle wichtig?

Visuelle Daten allein können Kontaktkräfte, Rutschen, Druck, Nachgiebigkeit und bestimmte Materialeigenschaften nicht vollständig preisgeben. Taktile und Kraftsignale liefern Robotern direkte Informationen über physikalische Interaktionen und könnten für handlungsorientierte Weltmodelle zunehmend wichtiger werden.

Was ist wichtiger als eine gute Roboterdemonstration?

Bereitstellung

Zuverlässigkeit. Teams müssen die tatsächliche Aufgabenerfolgsrate, Latenz, Interventionsrate, Erholung von unerwarteten Ereignissen, Sicherheit, Kosten und Leistung in vielen Umgebungen messen, nicht nur in ausgewählten Demonstrationsfällen.

Verwandte Werkzeuge

• Kairos 3.1 auf Hugging Face: Öffentliche Sammlung von ACE Robotics für ihre handlungsorientierte Arbeit an verkörperten Weltmodellen.
• LingBot-World: Open-Source interaktiver Weltsimulator von Robbyant, inklusive Code, Modellen und technischer Dokumentation.
• AgiBot Digital World: Offizieller Simulations-Framework von AgiBot zur Datengenerierung, zum Training und zur Evaluierung verkörperter Modelle.
• GigaAI: Offizielle Website von GigaWorld, GigaBrain und der verkörperten KI-Plattform des Unternehmens.
• X平方机器人: Offizielle Website, die die WALL-Familie verkörperter Foundation-Modelle und die Integration von Weltmodellen/VLA beschreibt.
• Physics-IQ: Ein unabhängiger Forschungsbenchmark zur Bewertung des Physikverständnisses in generativen Videomodellen.
• NVIDIA Isaac Sim: Robotik-Simulationsplattform zur Generierung synthetischer Daten und zum Testen von Robotersystemen.

Verwandte Links

• ACE Robotics Kairos 3.1 Sammlung: Öffentliche Modellressourcen für Kairos 3.1 und verwandte verkörperte Systeme.
• ACE Robotics WAIC 2026 Ankündigung: Pressemitteilung des Unternehmens über Kairos 3.1 und die PHYSICAL IQ Initiative.
• [Ant Group Lingguang World Model Ankündigung](https://www.

antgroup.com/de/news-media/press-releases/1777280400000): Offizielle Ankündigung der Ant Group zur Integration von LingBot-World-Fast in LingGuang.

• LingBot-World GitHub-Repository: Open-Source-Code, Installationsanleitung, Gewichte und Link zum Paper von Robbyant.
• AgiBot Digital World: Offizielle Einführung des AgiBot-Simulations- und Embodied-Data-Frameworks.
• AgiBot EVAC und EWMBench: Offizielle Arbeit von AgiBot zu handlungsbedingten Weltmodellen und deren Bewertung.
• X² Robotics: Offizielle Informationen zur WALL-Modellfamilie und zur end-to-end verkörperten Intelligenz.

Zusammenfassung

Das WAIC 2026 World Model Roundtable zeigte, dass im Bereich der verkörperten Intelligenz noch kein Konsens über Definition, Repräsentation oder Architektur von Weltmodellen besteht. Die Hauptunterschiede betreffen physikalische Genauigkeit, Vorhersagehorizont, Repräsentationsweise, taktile Wahrnehmung sowie das Verhältnis zwischen Weltmodellierung und Handlung.

Der stärkste Konsens zeigt sich in den späteren Stufen des Technologie-Stacks. Weltmodelle müssen letztlich reale Roboter zuverlässiger machen: höhere Aufgabenerfolgsraten, weniger Eingriffe, schnellere Entscheidungen, sicherere Wiederherstellung und geringere Bereitstellungskosten.

PHYSICAL IQ zielt darauf ab, eine gemeinsame Bewertungsebene zu schaffen, bevor die Architekturen selbst konvergieren. Ob dieser Maßstab breit übernommen wird, bleibt abzuwarten – der Bedarf an vergleichbaren Methoden zur Messung physikalischer Intelligenz ist jedoch deutlich.

Die aktuellen Kontroversen in diesem Bereich sind keine Schwäche, sondern eine Landkarte ungelöster Probleme, die die Richtung der nächsten Generation verkörperter künstlicher Intelligenz definieren könnten.