World Models sind Modelle, die lernen, die Dynamik einer Umgebung darzustellen und vorherzusagen: wie sich der Zustand der Welt als Reaktion auf die Handlungen eines Agenten entwickelt. Im Gegensatz zu einem Sprachmodell, das das nächste Wort vorhersagt, prognostiziert ein Weltmodell die nächste Situation (zum Beispiel die Einzelbilder einer Szene oder den physikalischen Zustand eines Systems) und baut dabei eine interne Repräsentation auf, die kausale und zeitliche Zusammenhänge erfasst.
Ihre Bedeutung liegt darin, dass sie es einem Agenten ermöglichen, Konsequenzen zu planen und zu imaginieren, bevor dieser handelt, wodurch die Notwendigkeit von Versuch und Irrtum in der realen Umgebung reduziert wird. Dies ist entscheidend in folgenden Bereichen:
- Robotik, um das Ergebnis einer Bewegung vorwegzunehmen.
- Autonomes Fahren, durch die Simulation möglicher Trajektorien.
- Bestärkendes Lernen, durch Training innerhalb des Modells selbst anstatt in der physischen Welt.
Ein praktischer Aspekt: Die Qualität der Vorhersagen hängt von der langfristigen Kohärenz des Modells ab. Viele Systeme summieren mit der Zeit Fehler auf und erzeugen Simulationen, die nach mehreren Schritten unrealistisch werden, was die Planungstiefe einschränkt.