Wo sehen Sie aktuell den größten Unterschied zwischen industriellem Hype und tatsächlich skalierbaren Anwendungen rund um künstliche Intelligenz?

Für mich liegt der sehr klar in der Differenz zwischen dem, was ich als "Lab Intelligence" bezeichne, und einer tatsächlichen "Operational Intelligence". Gegenwärtig befinden wir uns in vielen Bereichen noch stark im Stadium von Prototypen, Pilotprojekten und konzeptionellen Demonstratoren. Diese funktionieren unter kontrollierten Bedingungen oftmals sehr überzeugend und erzeugen so natürlich einen gewissen Hype.

Die eigentliche Bewährungsprobe beginnt jedoch erst, wenn ein solches System in einer realen Umgebung dauerhaft 24/7 betrieben werden soll, also unter Bedingungen, die durch Unschärfe, Störungen und unvollständige Informationen gekennzeichnet sind. Die Frage ist, ob ein System nicht nur punktuell, sondern kontinuierlich und verlässlich arbeitet. Genau dieser Übergang von der Laborumgebung in den operativen Dauerbetrieb ist bislang noch nicht flächendeckend gelungen. Insofern entsteht der Hype im Labor, während die eigentliche Herausforderung in der Realität liegt.

Ist das dann auch der Übergang von Sprachmodellen hin zu Weltmodellen?

Ja, das ist ein zentraler Aspekt. Large Language Models, also Sprachmodelle, sind im Kern konversationelle Systeme. Sie operieren innerhalb eines textuellen Rahmens und liefern Antworten auf Grundlage von Mustern, die sie aus großen Datenmengen gelernt haben. Sie verfügen jedoch über keine eigene Erfahrung mit der realen Welt. Alles, was sie "wissen", stammt aus Texten: Sie kombinieren, gewichten, interpolieren und erzeugen daraus plausible Antworten. Das kann sehr überzeugend wirken, aber es ist letztendlich theo-retisches Wissen.

Ein Weltmodell geht deutlich weiter: Es bildet physikalische Realität ab. Es kann intern Szenarien durchspielen und simulieren: Was passiert unter bestimmten Bedingungen? Welche Konsequenzen ergeben sich aus einer Handlung?

Nehmen wir als Beispiel eine Flasche: Ein Sprachmodell kann Empfehlungen geben, wie eine Flasche zu greifen sei. Ein Weltmodell hingegen berücksichtigt Faktoren wie Gewicht, Reibung oder mögliche Instabilitäten und simuliert, was passiert, wenn die Flasche rutschig ist, wenn sie kippt, wenn sie voll ist, wenn sie mir aus der Hand gleitet – es rechnet reale Dynamiken mit ein.

Der Unterschied liegt also zwischen theoretisch plausiblen Aussagen und einer modellierten Realität, die Ursache und Wirkung einbezieht.

Also bringt das Weltmodell den realen Kontext mit ein.

Genau das ist der entscheidende Punkt. Diese Systeme operieren nicht mehr nur mit abstrakten Symbolen, sondern beziehen physikalische Gegebenheiten ein: Weltmodelle sagen, was tatsächlich passiert. Damit steigen jedoch auch die Anforderungen erheblich, etwa in Bezug auf Echtzeitverarbeitung, Sensorik und Systemintegration.

Wo sehen wir solche Ansätze in der Praxis?

Wir stehen gerade am Anfang, sehen technologisch aber bereits starke Fortschritte. Ein gutes Beispiel sind autonome Fahrzeuge: Dort wird schon seit Jahren mit modellbasierten Ansätzen gearbeitet, bei denen Simulation und reale Anwendung eng miteinander verzahnt sind. In gewisser Weise handelt es sich hierbei bereits um eine frühe Form von Weltmodellen im praktischen Einsatz.

Wird sich dieser Ansatz auf die Industrie übertragen?

Kurz gesagt: Die Technologie ist da, die Industrialisierung steht noch aus. Der erste große Bereich wird die Robotik sein, gefolgt von industriellen Maschinen. Letztere allerdings nicht als generalisierte Systeme, sondern sehr stark spezialisiert, also in klar abgegrenzten Anwendungsfeldern.

Entscheidend ist vielmehr: Wie viel Autonomie wollen wir diesen Systemen geben? Das ist weniger eine technische als eine strategische Entscheidung. Technisch wird vieles machbar sein. Die Frage ist: Werden wir es zulassen?

Vielen Dank für das Gespräch, Herr Jamal.