Im Jahr 2025 hat sich der Begriff des Weltmodells zum zentralen, jedoch stark begrifflich überfrachteten Thema der KI-Forschung entwickelt. Während Anbieter von Videogenerierung, Robotik und Technologieunternehmen wie NVIDIA den Begriff unterschiedlich nutzen, hat die KI-Forscherin Li Feifei in einem aktuellen Beitrag auf ihrer Substack-Plattform eine funktionale Taxonomie eingeführt, um die begriffliche Konfusion zu ordnen. Als analytischen Ausgangspunkt dient Li Feifei dem klassischen Partially Observable Markov Decision Process. Demnach entsprechen die heute als Weltmodelle bezeichneten Systeme drei unterschiedlichen Projektionen eines geschlossenen Regelkreises. Daraus leitet sich eine dreiteilige Klassifizierung ab. Erstens der Renderer, der pixelbasierte Beobachtungen generiert. Er ist kommerziell am weitesten fortgeschritten, leidet jedoch unter der fehlenden physikalischen Korrektheit seiner Ausgaben. Zweitens der Simulator, der den geometrischen und dynamischen Zustand der Welt abbildet. Li Feifei stuft ihn als entscheidendes, jedoch unterschätztes Bindeglied ein, da er sowohl die Grundlage für visuelle Renderings als auch für die Aktionsplanung bildet. Drittens der Planer, der auf Basis von Beobachtungen Aktionen ableitet. Trotz großer Forschungsinvestitionen und aufsehenerregender Demonstrationen fehlt es diesem Bereich noch an der Reife für den breiten Einsatz in komplexen Realumgebungen. Die Autorin betont, dass sich diese drei Kategorien zunehmend überlappen. Ein tiefes Verständnis von Geometrie, Physik und Dynamik ermögliche es einem einzigen Modell, zwischen Rendering, Simulation und Planung zu wechseln. Als konkretes Beispiel verweist Li Feifei auf World Labs, dessen Modell Marble sowohl visuell erkundbare 3D-Darstellungen als auch physikalisch nutzbare Kollisionsnetze aus einem einzigen Prozess generiert. Ziel sei die Entwicklung eines einheitlichen Welt-Basismodells, das sich flexibel an unterschiedliche Anwendungen anpassen lässt. Dennoch bleiben erhebliche Herausforderungen bestehen. Der Datenbedarf für hochauflösende physikalische Simulationen und robotische Demonstrationsdaten ist um Größenordnungen höher als der für reine Bildmodelle. Zudem besteht die Gefahr, dass optische Ästhetik auf Kosten der für Robotik und Industrie notwendigen Präzision opfer wird. Trotz dieser Hürden markiert die schrittweise Verschmelzung der drei Disziplinen einen klaren Branchentrend. Die Integration dieser Komponenten soll die Grundlage für räumliche Intelligenz bilden und definieren, wie KI-Systeme die physische Welt künftig aktiv verstehen und in ihr agieren können.