Beginnersgids voor wereldmodellen

Samenvatting

World models voorspellen hoe een omgeving verandert en laten AI eerst simuleren voordat robots, auto’s of videowerelden handelen.

World models bouwen interne simulaties

Een world model maakt een interne representatie van een omgeving en voorspelt hoe die verandert na een actie. Het model simuleert onder meer fysica, objectinteracties en causaliteit. Daardoor kan AI mogelijke situaties eerst doorrekenen, in plaats van uitsluitend patronen in bestaande data te herkennen.

De eerste ideeën ontstonden in de jaren negentig. Duitse onderzoekers gebruikten recurrente neurale netwerken om toekomstige toestanden uit observaties te voorspellen en die voorspellingen te gebruiken bij het trainen van agenten. Yann LeCun bracht het concept in 2022 opnieuw onder de aandacht met zijn visie op autonome machine-intelligentie.

World models: van JEPA tot Cosmos

LeCuns Joint Embedding Predictive Architecture, kortweg JEPA, vormt volgens het artikel de basis voor world models. JEPA voorspelt abstracte concepten in een doorlopende representatieruimte en hoeft daardoor geen volgende pixel of woord te raden. Dat verschilt van Transformer-architecturen.

Google introduceerde in 2024 Genie, een onderzoeksprototype voor het maken en verkennen van werelden. Waymo gebruikte Genie voor een eigen model voor simulaties van autonoom rijden. In 2026 verschenen Marble van World Labs en Happy Oyster van Alibaba. Nvidia bracht in juni 2026 Cosmos uit, een familie open-weight-modellen voor fysiek redeneren, werelden simuleren en acties genereren.

Concrete takeaway voor BI-professionals

Beoordeel world models niet als gewone generatieve modellen. Kijk eerst naar de taak: moet een systeem tekst of pixels voorspellen, of moet het gevolgen van acties in een omgeving simuleren? Let bij technische evaluaties op de gekozen architectuur, het type representatie en de manier waarop het model met fysieke dynamiek omgaat. JEPA, Genie, Marble, Happy Oyster en Cosmos vertegenwoordigen verschillende stappen in die ontwikkeling. Voor analytics-teams ligt de directe les vooral in het onderscheid tussen patroonherkenning en simulatie: dat onderscheid bepaalt welk modeltype bij een probleem past.