Warum KI lernt, die Welt zu simulieren

Odyssey hat Odyssey-2 Max vorgestellt, ihr größtes Weltmodell. Formal ist es ein Verwandter von Videogeneratoren, aber die Logik ist eine andere: Das System erstellt kein fertiges Video nach einem Prompt, sondern sagt Schritt für Schritt den nächsten Zustand der Szene voraus und ermöglicht es, die Simulation in Echtzeit fortzusetzen.

Das Unternehmen verkauft kein „schönes Video“, sondern eine steuerbare Umgebung, in der die Zukunft des Bildes vom vorherigen Zustand und den Aktionen des Benutzers abhängt. Für Spiele klingt das nach einer interaktiven Szene. Für Robotik nach einer Trainingsumgebung. Für Verteidigung und Medizin ist es ein Grund, die Qualität der Überprüfung genau zu betrachten, denn eine schöne Physik in der Demo ist noch kein Garant für ein zuverlässiges Modell von Kausalzusammenhängen.

Die Veröffentlichung enthält einige konkrete Zahlen. 2 Max ist etwa 3-mal größer als 2 Pro und wurde mit einem 10-fachen Anstieg der Rechenleistung trainiert. Im physikalischen Teil von VBench 2 stieg das Ergebnis von 49,67 auf 58,52. Bei PAI-Bench Physics von 91,67 auf 93,02. Das Unternehmen behauptet auch, dass alle gezeigten Simulationen in Echtzeit liefen und länger als 120 Sekunden dauern konnten.

Technisch ist das Modell als autoregressiver Diffusions-Transformer aufgebaut. Wichtige Details: langer Kontext, kausale Aufmerksamkeit, Aktionssteuerung durch latente Repräsentationen, Flussabgleich im kontinuierlichen latenten Raum und Reduzierung der Anzahl von Rauschunterdrückungsschritten. Das Training erfolgte auf mehreren hundert NVIDIA B200.

Der interessanteste Teil hier ist nicht das Bild. Die Entwickler ziehen eine Analogie zu Sprachmodellen: Die Vorhersage des nächsten Tokens gab den Systemen die Fähigkeit, Denken zu imitieren, und die Vorhersage des nächsten Weltzustands sollte physikalische Intuition verleihen. Das ist eine ehrgeizige Hypothese und erklärt gut, warum es derzeit so viel Investoren- und Forschungsinteresse an Weltmodellen gibt.

Allerdings muss dies vorsichtig überprüft werden. VBench und PAI-Bench bewerten die Konsistenz des generierten Videos, nicht die Eignung des Systems für reale Robotik oder wissenschaftliche Modellierung. Ein stabiler Hintergrund, flüssige Bewegung und plausible Mechanik sind nützlich, beweisen aber nicht, dass das Modell Kausalzusammenhänge im strengen Sinne versteht.

Der Vergleich mit Sora, Veo, Kling und Runway ist ebenfalls vorteilhaft für die Entwickler von 2 Max gestaltet. Diese Systeme werden aus der Tabelle ausgeschlossen, da sie bidirektionale Videomodelle sind und nicht für die interaktive Vorhersage zukünftiger Zustände ausgelegt sind. Das Argument ist logisch, aber das Vergleichsfeld wird kleiner: Es geht um eine Kategorie, die das Unternehmen selbst als eigenständig zu etablieren versucht.

Ein weiterer Punkt: Das Modell ist in einer privaten Beta für Partner verfügbar. Das bedeutet, dass unabhängige Überprüfungen derzeit begrenzt sind. Die Hauptfragen werden in langen Szenarien auftreten, in denen der Benutzer seltsame Aktionen ausführt, die Szene allmählich Fehler ansammelt und die physikalische Plausibilität mit der Steuerbarkeit in Konflikt gerät.

Die Veröffentlichung ist dennoch bedeutsam. Generatives Video teilt sich allmählich in zwei Linien: die Produktion fertiger visueller Inhalte und interaktive Umgebungssimulatoren. Die erste Linie bedient die Medien. Die zweite könnte zur Grundlage für Simulatoren, Spiele, Agenten, Robotik und Planungssysteme werden.

Das Rennen um Weltmodelle ist zu einer eigenen Richtung geworden. Dabei konkurrieren nicht so sehr die Schönheit der Bilder, sondern die Stabilität der Kausalität, der Simulationshorizont, die Steuerbarkeit und die Kosten der Echtzeitgenerierung.


❗️❗️❗️❗️❗️❗️❗️❗️ / Nicht in der Russischen Föderation verboten