Danijar Hafners World-Model-Agents bestehen ihre härteste Prüfung: das Unerwartete

Danijar Hafner hat seine World-Model-Agents aus Computerspielen in ein geheim operierendes Startup voller humanoider Roboter überführt, obwohl das Produkt weitgehend unter Verschluss bleibt. Das Unternehmen, das Berichten zufolge Embo heißt, ist ein direkter Test seiner zentralen Forschungsidee: Ein Agent sollte mögliche Zukünfte durchspielen, bevor er in der realen Welt handelt.

Dieser Ansatz hat in kontrollierten Umgebungen bereits bemerkenswerte Ergebnisse geliefert. Hafners Dreamer-Forschung trainierte Agents anhand vorgestellter Erfahrungen, darunter auch die langen Handlungsfolgen, die nötig sind, um in Minecraft Diamanten zu sammeln. Physische Roboter stellen ein schwierigeres Problem dar, weil fehlerhafte Vorhersagen echten Schaden verursachen können.

Das Timing erhöht zusätzlich den Einsatz. Google DeepMind, Hafners früherer Arbeitgeber, weitet Gemini Robotics auf Humanoide und andere Maschinen aus. Andere gut finanzierte Robotikunternehmen verfolgen universelle Steuerungsmodelle. Hafner wettet darauf, dass Vorhersage, Planung und Anpassung wichtiger sein werden als das Auswendiglernen größerer Sammlungen von Demonstrationen.

Danijar Hafners World-Model-Agents verlassen den Bildschirm

Das neue Unternehmen verwandelt ein Forschungsprogramm über vorgestellte Zukünfte in ein Unternehmen für physische Robotik.

Laut dem ursprünglichen Startup-Profil befindet sich Hafners spärlich eingerichtetes Büro im SoMa-Viertel von San Francisco. Das Unternehmen befindet sich weiterhin im Stealth-Modus; nicht einmal sein Name steht an der Tür.

Berichten zufolge stehen in den unfertigen Räumen humanoide Roboter. Sie haben unterschiedliche Formen und Größen, mehrere wurden aus China importiert. Diese Maschinen liefern den Planungssystemen, an denen Hafner seit Jahren arbeitet, physische Körper.

Hafner verließ Google DeepMind dem Bericht zufolge im Herbst 2025. Sein Weggang verlagerte die Dreamer-Forschungslinie von einem großen Labor in ein unabhängiges kommerzielles Vorhaben. Öffentliche Berichte und Branchenverzeichnisse identifizieren das Startup als Embo, obwohl Website, Produktumfang und Geschäftsmodell weiterhin unklar sind.

Die erklärte Herausforderung des Unternehmens ist leichter zu beschreiben als zu lösen. Ein Roboter, der ein unbekanntes Zuhause betritt, kann sich nicht auf eine exakte Aufzeichnung jedes Raums verlassen. Er muss neue Möbel, verrückte Gegenstände, wechselndes Licht, Menschen, Haustiere und unvollständige Anweisungen verstehen.

Ein Roboter, der nur darauf trainiert ist, vertraute Bewegungen zu reproduzieren, kann scheitern, sobald sich eine Bedingung ändert. Er könnte zum erwarteten Ort greifen, nachdem jemand eine Tasse versetzt hat. Er könnte einen Laufweg fortsetzen, obwohl ein Stuhl die Route blockiert.

Hafners Alternative stattet einen Agenten mit einem internen Vorhersagemodell aus. Ein World Model ist eine gelernte Repräsentation, die abschätzt, wie sich eine Umgebung nach einer Handlung verändert. Der Agent kann diese Schätzungen nutzen, um mögliche Verhaltensweisen zu bewerten, bevor er sich bewegt.

Dieser Prozess unterscheidet sich davon, einen einzigen langen Plan zu erzeugen und ihm blind zu folgen. Ein fähiger physischer Agent muss vorhersagen, handeln, das Ergebnis beobachten und seinen Plan aktualisieren. Jede neue Beobachtung kann zeigen, dass seine frühere interne Prognose unvollständig war.

Das Startup beruht daher auf einer anspruchsvollen Annahme. World Models müssen nützlich bleiben, wenn die Realität von den Trainingsdaten abweicht. Sie müssen zudem schnell genug arbeiten, damit ein Roboter reagieren kann, während sich Ereignisse entfalten.

Dreamer bildet die Forschungsgrundlage für diese Annahme. Hafner und seine Mitarbeitenden begannen mit der Entwicklung dieser Modellfamilie noch vor der jüngsten Welle von Sprachmodell-Agents. Ihre Arbeit konzentrierte sich darauf, Verhalten durch Interaktion zu erlernen, statt lediglich Text vorherzusagen.

Das erste Dreamer-System lernte langreichweitige Verhaltensweisen aus visuellen Eingaben, indem es innerhalb einer kompakten internen Repräsentation übte. DreamerV2 weitete den Ansatz auf Atari-Spiele aus. DreamerV3 sollte denselben grundlegenden Algorithmus über viele unterschiedliche Domänen hinweg nutzbar machen.

Diese Entwicklung ist wichtig, weil Hafner nicht mit einem unerprobten konzeptionellen Schlagwort in die Robotik einsteigt. Er überträgt ein dokumentiertes Forschungsprogramm auf eine deutlich weniger nachsichtige Umgebung. Die offene Frage ist, wie weit sich die bisherigen Ergebnisse übertragen lassen.

Ein Spiel bietet einem Agenten definierte Aktionen und messbare Belohnungen. Ein humanoider Roboter trifft auf verrauschte Sensoren, verschlissene Komponenten, unsichere Reibung und Gegenstände mit verborgenen Eigenschaften. Menschen verhalten sich zudem weniger vorhersehbar als simulierte Figuren.

Embo gewinnt seine frühe Bedeutung aus diesem Übergang. Das Unternehmen baut nicht bloß einen weiteren humanoiden Körper. Es scheint sich auf die Intelligenzschicht zu konzentrieren, die entscheidet, was ein Körper tun sollte, wenn sich seine Umgebung verändert.

Warum vorgestellte Erfahrung jetzt wichtig ist

Robotikunternehmen brauchen Agents, die aus begrenzter physischer Erfahrung lernen, ohne jeden Fehler als notwendige Lektion behandeln zu müssen.

Moderne KI-Modelle haben von riesigen digitalen Datensätzen profitiert. Der Robotik fehlt ein vergleichbarer Vorrat an sauberen, vielfältigen und mit Aktionen versehenen Erfahrungen. Physische Bewegungen aufzuzeichnen kostet Zeit, erfordert Hardware und bringt Sicherheitsrisiken mit sich.

Ein Sprachmodell kann ein weiteres Dokument verarbeiten, ohne es jemandem auf den Fuß fallen zu lassen. Ein Roboter, der neue Trainingsdaten sammelt, kann kollidieren, einen Gegenstand beschädigen, ein Gelenk überhitzen oder einen menschlichen Reset benötigen. Diese Einschränkungen machen physisches Versuch-und-Irrtum-Lernen ungewöhnlich teuer.

Simulation hilft, doch simulierte Welten vereinfachen die Realität. Texturen, Kontaktkräfte, Sensorrauschen, verformbare Materialien und menschliches Verhalten können von ihren physischen Entsprechungen abweichen. Eine Strategie, die in einem Simulator funktioniert, kann nach dem Einsatz scheitern.

World-Model-Agents bieten einen möglichen Mittelweg. Das System lernt aus realen Beobachtungen und erzeugt anschließend interne Vorhersagen darüber, was folgen könnte. Das Training kann diese vorgestellten Verläufe nutzen, ohne jede Kandidatenaktion auf Hardware auszuführen.

Hafners früheres DayDreamer-Projekt testete dieses Prinzip auf physischen Maschinen. Die zugehörige Robotik-Lernarbeit beschrieb Agents, die direkt in der realen Welt lernten, ohne sich auf Simulatoren zu stützen.

Die Forschenden evaluierten DayDreamer auf vier Robotern. Zu den Aufgaben gehörten Fortbewegung, Objektmanipulation und visuelle Navigation. Ein vierbeiniger Roboter lernte, sich zu erholen, aufzustehen und zu laufen – aus Erfahrungen, die die physische Maschine selbst gesammelt hatte.

Diese Experimente belegten keinen universell einsetzbaren Haushaltsroboter. Sie zeigten jedoch, dass gelernte World Models die Abhängigkeit von umfangreicher Simulation und handgefertigtem Task Engineering verringern könnten. Diese Evidenz stützt nun Embos größere Wette.

DreamerV3 erweiterte das Argument für einen wiederverwendbaren Algorithmus. Das System nutzte laut der begutachteten DreamerV3-Studie eine Konfiguration für mehr als 150 Aufgaben. Zu seinen Domänen gehörten kontinuierliche Steuerung, Atari-Spiele und Minecraft.

Das Minecraft-Ergebnis wurde zu einer besonders sichtbaren Demonstration. Das Sammeln eines Diamanten erfordert Erkundung, das Beschaffen von Ressourcen, den Bau von Werkzeugen und viele voneinander abhängige Aktionen. Belohnungen bleiben selten, weil die meisten Zwischenschritte kein unmittelbares Erfolgssignal erzeugen.

DreamerV3 lernte die Aufgabe aus Pixeln, ohne menschliche Gameplay-Daten oder einen gestuften Lehrplan. Das Ergebnis deutete darauf hin, dass vorgestellte Verläufe entfernte Ziele unterstützen könnten, nicht nur unmittelbare Reaktionen.

Diese Fähigkeit ist direkt mit physischen Agents verbunden. Einen Raum zu reinigen, umfasst viele Schritte, deren Wert sich erst später zeigt. Ein Roboter muss möglicherweise zunächst ein Hindernis verschieben, einen Behälter öffnen, einen Gegenstand holen und ihn anschließend korrekt platzieren.

Ein reaktives System kann jede vertraute Bewegung ausführen und dennoch das übergeordnete Ziel aus den Augen verlieren. Langfristige Planung erfordert, nachzuverfolgen, wie frühe Entscheidungen spätere Möglichkeiten verändern. Hafners Arbeit behandelt Vorhersagemodelle als den Mechanismus, der diese Verbindung erhält.

Dreamer 4 trieb die Idee weiter voran. Es trainiert Verhalten innerhalb eines skalierbaren World Models, das komplexe Interaktionen simuliert. Berichten zufolge absolvierte das System die Diamant-Aufgabe in Minecraft auf Grundlage von Offline-Erfahrung, ohne während des Trainings mit dem Spiel zu interagieren.

Das Dreamer 4-Projekt erklärt, dass die Aufgabe Sequenzen von mehr als 20.000 Maus- und Tastaturaktionen umfasst. Außerdem wird berichtet, dass es 100-mal weniger Daten als OpenAIs früherer Video-PreTraining-Agent verwendet.

Dabei handelt es sich um Forschungsergebnisse innerhalb eines Spiels, nicht um Belege dafür, dass ein Humanoide sicher mit einer unbekannten Küche umgehen kann. Dennoch adressieren sie zwei Belastungen für Robotikentwickler. Sie zielen auf lange Handlungssequenzen und verringern die Abhängigkeit von Online-Experimenten.

Die Dringlichkeit entsteht aus einer wachsenden Diskrepanz zwischen Roboterhardware und Anpassungsfähigkeit von Robotern. Humanoide Körper haben sich verbessert, doch viele Demonstrationen finden weiterhin in vorbereiteten Umgebungen statt. Ein System kann kompetent wirken, während jedes relevante Objekt sorgfältig positioniert bleibt.

Ein kommerzieller Einsatz verlangt etwas weniger Theatralisches. Ein nützlicher Roboter muss sich nach misslungenen Greifversuchen erholen, veränderte Umgebungen interpretieren und sicherere Alternativen wählen. Diese Anforderungen machen Vorhersagen unter Unsicherheit zum zentralen Marktthema.

Vorhersage fordert den nachahmungsorientierten Roboter heraus

Im Kern geht es um den Wettbewerb zwischen Agents, die Konsequenzen modellieren, und Systemen, die vor allem Muster aus Demonstrationen reproduzieren.

Ein großer Teil des jüngsten Robotiklernens baut auf Vision-Language-Action-Modellen auf. Ein VLA-Modell verbindet Bilder und Anweisungen mit physischen Aktionen. Das Training stützt sich häufig auf Demonstrationen, die zeigen, wie Menschen oder andere Systeme Aufgaben erledigt haben.

Dieser Ansatz hat klare Vorteile. Demonstrationen liefern nützliches Verhalten, ohne einen Roboter dazu zu zwingen, alles eigenständig zu entdecken. Große vortrainierte Modelle können zudem visuelle Erkennung, Sprachverständnis und breites konzeptionelles Wissen beitragen.

Demonstrationen beschreiben jedoch, was in aufgezeichneten Situationen passiert ist. Sie erklären nicht automatisch, wie die Umgebung funktioniert. Ein Roboter kann ein Bild mit einer Handlung verknüpfen und dabei wenig über die Folgen einer anderen Entscheidung lernen.

World-Model-Agents rücken diese Folgen ins Zentrum. Das Vorhersagemodell schätzt zukünftige Zustände unter möglichen Aktionen. Ein Actor schlägt Verhalten vor, während ein Critic abschätzt, welche vorgestellten Ergebnisse das Ziel am besten unterstützen.

DreamerV3 nutzt diese Struktur aus Actor, Critic und World Model. Das World Model sagt Ergebnisse voraus, der Critic bewertet sie und der Actor wählt Aktionen aus. Die Komponenten lernen gemeinsam aus gesammelter Erfahrung.

Dieser Mechanismus ermöglicht dem Agenten, über die exakt beobachtete Trajektorie hinaus zu üben. Er kann aus bekannten Zuständen alternative interne Verläufe erzeugen. Nützliche vorgestellte Erfahrung prägt dann sein Verhalten, ohne einen weiteren physischen Versuch zu erfordern.

Der Unterschied sollte nicht zu einer klaren technologischen Trennlinie überhöht werden. VLA-Systeme können Planung, Feedback und vorhersagende Komponenten umfassen. World-Model-Systeme können ebenfalls aus Demonstrationen, Sprache oder Video lernen.

Die tatsächliche Meinungsverschiedenheit betrifft die Gewichtung. Eine nachahmungsorientierte Strategie beginnt mit großen Sammlungen erfolgreichen Verhaltens. Hafners Ansatz beginnt damit, Dynamiken zu lernen, die einem Agenten erlauben, zu bewerten, was als Nächstes geschieht.

Die konkurrierende Arbeit von Google DeepMind zeigt, wie schnell diese Ansätze zusammenwachsen. Sein System Gemini Robotics 2 kombiniert Sprache, visuelles Verständnis, Planung und motorische Steuerung.

Google erklärt, das Modell könne Humanoide von den Füßen bis zu den Fingerspitzen steuern, Objekte manipulieren und mehrere Roboter koordinieren. Zudem wird eine Anpassung an neue Roboterkörper innerhalb weniger Stunden behauptet. Diese Angaben stammen von Google und bedürfen einer breiteren unabhängigen Bewertung.

Gemini Robotics profitiert vom Wissen aus Foundation-Modellen und der Forschungsinfrastruktur von Google. Hafners Startup bringt gebündelte Expertise im Reinforcement Learning durch prädiktive Modelle ein. Beide Ansätze zielen auf Maschinen, die sich anpassen, wenn die Bedingungen nicht mehr einem Skript entsprechen.

Skild AI präsentiert eine weitere Variante. Das Unternehmen beschreibt sein Ziel als ein einziges, universell einsetzbares Robotik-Gehirn, das über verschiedene Körperformen und Aufgaben hinweg funktioniert. Seine Strategie stützt sich stark auf breite Datenerfassung und großskaliges Pretraining.

Physical Intelligence verfolgt allgemeine Robotik-Policies, die über Aufgaben und Verkörperungen hinweg trainiert werden. Seine Systeme verbinden visuelle und sprachliche Eingaben mit kontinuierlichen Aktionen. Die Demonstrationen des Unternehmens betonen den Transfer über unterschiedliche physische Plattformen hinweg.

Diese Wettbewerber setzen Embo aus zwei Richtungen unter Druck. Sie können mehr Daten sammeln und mehr Hardware einsetzen. Außerdem können sie Planung mit vortrainierten Modellen verbinden und so den konzeptionellen Vorteil einer reinen World-Model-Identität verringern.

Embo muss daher mehr als eine elegante Architektur zeigen. Es braucht Belege dafür, dass simuliertes Training Anpassungsfähigkeit, Sicherheit oder Dateneffizienz auf realen Robotern verbessert. Diese Vorteile müssen gegenüber starken Baselines sichtbar bleiben.

Eine entscheidende Evaluation würde Änderungen erst nach dem Training einführen. Forschende könnten Objekte versetzen, Raumaufteilungen verändern, Werkzeuge austauschen oder eine Aufgabe unterbrechen. Der Test würde messen, ob der Roboter ohne umfangreiches Nachtraining neu plant.

Zum Erfolg sollte auch die Wiederherstellung gehören. Ein Roboter, der vorbereitete Versuche abschließt, aber nach einem verfehlten Griff erstarrt, hat das Unerwartete nicht gemeistert. Planung wird wertvoll, wenn sich die erste Vorhersage als falsch erweist.

Diese Anforderung macht Hafners Strategie ambitionierter, als einem Roboter beizubringen, alles vorherzusehen. Kein Modell kann jedes physische Ereignis aufzählen. Das praktische Ziel besteht darin, Vorhersagefehler zu erkennen und das Verhalten anzupassen, bevor sie sich verstärken.

Das World Model kann falsch liegen

Ein Agent, der innerhalb eines ungenauen Modells plant, kann mit großer Sicherheit falsch liegen, bevor sein Körper den Fehler real werden lässt.

World Models komprimieren Erfahrung. Kompression macht Vorhersagen effizient, verwirft aber auch Informationen. Ein Detail, das während des Trainings irrelevant erschien, kann in einer unbekannten Umgebung entscheidend werden.

Stellen Sie sich einen Roboter vor, der ein Glas zu einem Tisch trägt. Sein Modell könnte vorhersagen, dass die Oberfläche das Objekt trägt. Eine transparente Platte, eine nasse Stelle, eine lose Abdeckung oder eine ungewöhnliche Kante kann diese Vorhersage entkräften.

Lange simulierte Rollouts verstärken kleine Fehler. Eine leicht falsche erste Vorhersage verändert den Zustand, der für die nächste Vorhersage verwendet wird. Nach vielen Schritten kann die interne Trajektorie weit von der physischen Welt abweichen.

Dieses Problem wird oft als Model Bias bezeichnet. Die Policy lernt, Muster innerhalb des Modells auszunutzen, die außerhalb davon nicht existieren. Eine virtuelle Strategie kann hohe vorhergesagte Belohnungen erzielen und bei der realen Ausführung dennoch scheitern.

Dreamers Actor durchsucht keinen perfekt genauen Simulator. Er trainiert gegen ein gelerntes Modell, das auf früheren Beobachtungen basiert. Qualität und Vielfalt dieser Beobachtungen begrenzen daher, was der Agent zuverlässig simulieren kann.

Unerwartete Situationen legen diese Grenze offen. Wenn der Agent eine bestimmte Interaktion nie beobachtet hat, könnte seiner Vorhersage die relevante Physik fehlen. Er kann Unsicherheit schätzen, doch auch Unsicherheitsschätzungen können schlecht kalibriert sein.

Ein physisches System benötigt mehrere Schutzmechanismen. Es muss Vorhersagen mit neuen Sensordaten vergleichen, Pläne bei sinkendem Vertrauen verkürzen und die Kontrolle an sicherere Mechanismen übergeben. Zudem braucht es Beschränkungen, die risikoreiche Aktionen während der Exploration verhindern.

Hafners frühere Ergebnisse belegen Leistung auf Forschungsbenchmarks. Sie belegen weder Sicherheit im Haushalt noch industrielle Zuverlässigkeit oder verlässliche Interaktion mit Menschen. Embo hat die für solche Schlussfolgerungen nötigen Belege bislang nicht öffentlich veröffentlicht.

Benchmark-Vielfalt unterscheidet sich zudem von der Offenheit realer Umgebungen. DreamerV3 nutzte eine Konfiguration für viele Aufgaben und verringerte damit domänenspezifisches Tuning. Jeder Benchmark lieferte dennoch Regeln, Aktionsräume und Evaluierungsverfahren.

Wohnungen und Arbeitsplätze bieten keine vergleichbar sauberen Schnittstellen. Eine Tür kann klemmen, eine Person kann unterbrechen oder ein Objekt kann zerbrechen. Sensoren können blockiert werden, während der Roboter weiterhin für seine Bewegung verantwortlich bleibt.

Eine humanoide Form bringt weitere Komplikationen mit sich. Zweibeinige Körper haben große Aktionsräume und können stürzen. Hände besitzen viele Gelenke, während sich die Kontaktdynamik bei Manipulationsaufgaben rasch verändert.

Auch die Kosten einer falschen Vorhersage variieren. Ein weiches Spielzeug fallen zu lassen, unterscheidet sich vom Fallenlassen eines Messers. Planungssysteme benötigen risikosensitive Ziele, die diese Fälle vor dem Einsatz unterscheiden.

Google DeepMind erkennt diese umfassendere Herausforderung in seinen Robotikmaterialien an. Das Unternehmen beschreibt mehrschichtige Sicherheit, einschließlich Kollisionsvermeidung, Kraftgrenzen und Low-Level-Controllern. Hochrangiges Reasoning allein kann diese Schutzmaßnahmen nicht ersetzen.

Embo wird vergleichbare Klarheit benötigen. Das Startup hat nicht offengelegt, wie seine Agenten Aktionen beschränken, Unsicherheit schätzen oder sich von Modellfehlern erholen. Es hat auch seine erste kommerzielle Einsatzumgebung nicht benannt.

Diese Auslassungen sind für ein Unternehmen im Stealth-Modus normal, begrenzen jedoch eine aussagekräftige Bewertung. Importierte humanoide Plattformen können Experimente beschleunigen. Sie zeigen nicht, ob das Unternehmen Generalisierung, Zuverlässigkeit oder Stückkosten gelöst hat.

Die überzeugendsten Belege würden aus wiederholten Tests in unbekannten Umgebungen stammen. Evaluierende sollten Fehlerraten, Interventionsraten, Wiederherstellungsverhalten und den erforderlichen Umfang zusätzlichen Trainings angeben.

Eine polierte Demonstration liefert schwächere Belege. Teams können erfolgreiche Versuche auswählen und günstige Bedingungen vorbereiten. Der kontinuierliche Betrieb legt seltene Fehler offen, die kurze Videos oft verbergen.

Auch Dateneffizienz benötigt eine sorgfältige Bilanzierung. Simuliertes Training reduziert einige physische Interaktionen, doch das World Model benötigt weiterhin reale Erfahrung. Rechenleistung, Sensorkalibrierung, Resets und Hardwarewartung bleiben Teil der Gesamtkosten.

Das Offline-Minecraft-Ergebnis von Dreamer 4 stärkt den Forschungsfall für das Lernen von Verhalten innerhalb eines prädiktiven Modells. Es entscheidet jedoch nicht, ob Offline-Roboterdaten die physischen Variationen abdecken, die für einen sicheren Einsatz nötig sind.

Das zentrale Risiko ist daher untrennbar mit dem zentralen Vorteil verbunden. Der Agent kann viele Zukünfte durchspielen, ohne physisch zu handeln. Doch jede Durchspielung übernimmt die blinden Flecken des Modells, das sie erzeugt.

Vorausplanung erfordert mehr als einen längeren Plan

Der Umgang mit Überraschungen hängt von kontinuierlicher Neuplanung ab, nicht von der Vorhersage einer perfekten Sequenz, bevor der Roboter beginnt.

Die Formulierung „vorausplanen“ kann an eine feste Checkliste denken lassen. Hafners Arbeit weist auf einen dynamischeren Kreislauf hin. Ein Agent sagt Ergebnisse voraus, handelt kurz, beobachtet die Realität und überarbeitet seinen internen Zustand.

Diese Unterscheidung ist wichtig, weil nicht alle unerwarteten Ereignisse im Voraus vorhergesagt werden können. Ein Roboter benötigt selten eine vollständige Vorhersage jeder möglichen Unterbrechung. Er braucht eine hilfreiche Reaktion, wenn eine Unterbrechung seinen aktuellen Plan ungültig macht.

Stellen Sie sich einen Roboter vor, der einen Esstisch abräumt. Er sieht einen Teller, eine Tasse, Besteck und einen Behälter. Sein anfänglicher Plan weist jedem Objekt ein Ziel zu und legt eine Reihenfolge fest.

Dann legt eine Person ein Telefon neben die Tasse. Der Roboter muss erkennen, dass sich die Szene verändert hat. Er sollte das Telefon schützen, seinen Greifpfad überdenken und das übergeordnete Aufräumziel bewahren.

Ein rein reaktiver Controller kann eine unmittelbare Kollision vermeiden. Ein Sprachmodell kann beschreiben, was vermutlich passiert ist. Ein leistungsfähiger World-Model-Agent muss die Veränderung mit zukünftigen physischen Folgen verbinden.

Er könnte vorhersagen, dass das Anheben der Tasse zuerst das Risiko birgt, das Telefon umzustoßen. Er könnte das Telefon versetzen, sich aus einer anderen Richtung nähern oder um Hilfe bitten. Jede Wahl verändert die verbleibende Aufgabe.

Zeitliche Abstraktion wird hier wichtig. Diese Technik teilt eine lange Aufgabe in übergeordnete Teilziele und untergeordnete Aktionen. Der Agent kann ein Teilziel überarbeiten, ohne jeden Motorbefehl neu aufzubauen.

Hafner hat dieses Problem zusammen mit World Models untersucht. Seine öffentliche Forschungsübersicht beschreibt zeitliche Abstraktion als Aufteilung langer Aufgaben in Teilziele, die abstrakte Planung unterstützen.

Für einen Lagerroboter könnte das übergeordnete Ziel darin bestehen, ein Paket zu einem Verladebereich zu bringen. Untergeordnete Policies übernehmen Gehen, Balancieren, Greifen und Hindernisvermeidung. Eine geänderte Route sollte nicht das gesamte Ziel aufheben.

Sprache kann beitragen, indem sie Ziele und Einschränkungen ausdrückt. Sie kann dem Roboter mitteilen, dass ein roter Behälter zerbrechliches Material enthält. Prädiktive Modelle schätzen dann, wie mögliche Aktionen dieses physische Objekt beeinflussen.

Diese Kombination erklärt, warum World Models und VLAs wahrscheinlich verschmelzen werden, statt isolierte Kategorien zu bleiben. Sprache liefert allgemeines Wissen und das Befolgen von Anweisungen. World Models liefern aktionsbedingte Vorhersagen, die an die beobachtete Umgebung gebunden sind.

Gedächtnis stellt eine weitere praktische Anforderung dar. Ein Agent muss relevante Beobachtungen über eine lange Aufgabe hinweg behalten, ohne jedes Detail als gleich wichtig zu behandeln. Er muss zudem frühere Fehler abrufen, wenn ähnliche Bedingungen auftreten.

Diese Herausforderung ähnelt dem Kontextproblem digitaler Agenten. Entwickler nutzen strukturierte Verläufe und KI-Wissensdatenbanken, um Belege über eine einzelne Modellantwort hinaus zu bewahren. Ein physischer Agent benötigt eine noch engere Verbindung zwischen Gedächtnis und aktueller Wahrnehmung.

Gespeicherte Erfahrung darf jedoch nicht zum Ersatz für Überprüfung werden. Ein Roboter sollte nicht annehmen, dass die Raumaufteilung von gestern weiterhin gilt. Aktuelle Sensordaten müssen veraltete Erinnerungen korrigieren.

Dieselbe Regel gilt für seine simulierten Zukünfte. Eine Vorhersage ist eine Hypothese darüber, was folgt, keine Tatsache. Effektive Agenten sollten diese Hypothese fortlaufend an der Welt prüfen.

Das schafft einen hilfreichen Maßstab zur Bewertung von Embo. Das Unternehmen muss keinen Roboter zeigen, der niemals Überraschungen erlebt. Es muss einen zeigen, der Überraschungen früh erkennt und sich ohne gefährliche Improvisation erholt.

Wiederherstellungsverhalten kann auch das Anhalten umfassen. Eine unsichere Aktion abzulehnen, ist manchmal intelligenter als die Aufgabe abzuschließen. Kommerzielle Systeme benötigen kalibrierte Schwellenwerte, um menschliche Hilfe anzufordern.

Die schwierigsten Fälle verbinden langfristige Ziele mit unmittelbarer Sicherheit. Ein Roboter könnte die nächste sinnvolle Aktion kennen, jedoch mit unsicherem Kontakt oder schlechter Sicht konfrontiert sein. Er muss Fortschritt aufschieben, ohne das Ziel aufzugeben.

Dieses Gleichgewicht wird bestimmen, ob Planung zu operativer Fähigkeit oder lediglich zu beeindruckender Vorhersage wird. Ein Roboter ist erfolgreich, wenn seine interne Durchspielung reale Entscheidungen unter wechselnden Bedingungen verbessert.

Drei Signale werden zeigen, ob Embos Wette aufgeht

Die nächsten Belege müssen World-Model-Forschung mit wiederholbarer Roboterleistung außerhalb vorbereiteter Demonstrationen verbinden.

Das erste Signal ist eine öffentliche technische Evaluation zu unbekannten physischen Aufgaben. Embo sollte definieren, was sich zwischen Training und Test verändert hat. Neue Aufteilungen, Objekte, Unterbrechungen und Roboterkörper würden aussagekräftige Belastungstests liefern.

Die Ergebnisse sollten auch erfolglose Versuche enthalten. Interventionsraten, Wiederherstellungszeiten und Sicherheitsstopps sind ebenso wichtig wie abgeschlossene Aufgaben. Wenn Embo diese Messungen veröffentlicht, wird sein Anspruch zu unerwarteten Ereignissen überprüfbar.

Starke Ergebnisse würden Hafners Kernargument stützen. Sie würden zeigen, dass simuliertes Training über Spiele und eng umrissene Robotikexperimente hinaus übertragbar ist. Schwache oder selektiv berichtete Ergebnisse würden die zentrale Frage offenlassen.

Das zweite Signal sind Belege für Transfer zwischen verschiedenen Körperformen. Embos Büro enthält Berichten zufolge mehrere humanoide Designs, was darauf hindeutet, dass das Unternehmen keine an eine einzelne Maschine gebundene Intelligenz will.

Ein allgemeiner Controller sollte nützliche Fähigkeiten bewahren, wenn sich Kameras, Gliedmaßen, Gelenkgrenzen oder Proportionen ändern. Eine gewisse Anpassung wird weiterhin nötig sein. Entscheidend ist, wie viele neue Daten und wie viel Engineering jeder Körper benötigt.

Eine schnelle Übertragung würde Unternehmen herausfordern, deren Modelle von einem einzigen Hardware-Stack oder eng kuratierten Demonstrationen abhängen. Umfangreiches Retraining würde die Behauptung schwächen, Embo habe eine allgemeine physische Struktur erlernt.

Google DeepMind beschreibt körperübergreifende Steuerung bereits als ein zentrales Ziel. Skild AI vertritt einen ähnlichen Anspruch auf Allgemeingültigkeit. Embo wird direkte Vergleiche benötigen, die architektonische Vorteile von Marketingsprache trennen.

Das dritte Signal ist eine glaubwürdige Grenze für den Einsatz. Embo muss letztlich das Umfeld benennen, in dem sein System wiederholt arbeiten kann. Ein Zuhause, Lagerhaus, Labor oder eine Fabrik stellt jeweils andere Anforderungen an Objekte, Risiken und Wirtschaftlichkeit.

Ein fokussierter Einsatz würde die breitere Forschungsvision nicht schmälern. Er würde die operativen Daten liefern, die zu ihrer Verbesserung nötig sind. Reale Kunden legen zudem Fehlermuster offen, die interne Benchmarks übersehen.

Die Wahl des Marktes wird Embos Sicherheitsstrategie offenlegen. Industriestandorte können den Zugang begrenzen und Verfahren standardisieren. Wohnungen bieten mehr Vielfalt, bringen jedoch schwierigere soziale und physische Risiken mit sich.

Leser sollten außerdem darauf achten, ob das Startup technische Arbeiten, Modelldokumentation oder reproduzierbare Benchmarks veröffentlicht. Hafners frühere Arbeit war ungewöhnlich offen, einschließlich Code für wichtige Dreamer-Systeme. Ein kommerzielles Unternehmen kann dieses Muster ändern.

Transparenz würde unabhängigen Forschern helfen, den World-Model-Ansatz zu prüfen. Geschlossene Demonstrationen würden den Markt dazu zwingen, die Leistung anhand von unternehmensseitig ausgewählten Belegen zu bewerten. Keines der beiden Ergebnisse beweist Erfolg, doch sie erzeugen sehr unterschiedliche Vertrauensniveaus.

Embos weitergehende Bedeutung hängt nicht davon ab, den Markt für humanoide Roboter sofort zu gewinnen. Das Unternehmen setzt eine konkrete technische These unter Druck. Agenten benötigen interne Modelle von Folgen, wenn von ihnen erwartet wird, über vertraute Abläufe hinaus zu handeln.

Diese These reicht auch über die Robotik hinaus. Digitale Agenten treffen auf veränderte Schnittstellen, fehlende Dateien, widersprüchliche Anweisungen und unvollständige Informationen. Auch sie profitieren davon, Ergebnisse vorherzusagen und Pläne nach unerwartetem Feedback anzupassen.

Bei physischen Maschinen ist der Maßstab strenger, weil Fehler in die reale Welt übergreifen. Ein Planungsfehler kann Hardware beschädigen oder einen Menschen gefährden. Zuverlässigkeit muss daher gemeinsam mit Autonomie wachsen.

Hafners Erfolgsbilanz verschafft Embo eine solide Grundlage. Dreamer zeigte Lernen durch imaginierte Erfahrung über Spiele und Steuerungsaufgaben hinweg. DayDreamer brachte die Methode auf physische Roboter. Dreamer 4 erweiterte Offline-Training durch Vorstellung auf sehr lange Aktionssequenzen.

Das Startup steht nun vor der entscheidenden Übertragung. Forschungsbenchmarks definieren Erfolg klar und ermöglichen kostengünstige Wiederholungen von Experimenten. Humanoide Roboter treffen auf Umgebungen, die sich weder vereinfachen noch vollständig aufzählen lassen.

Deshalb ist Embo mehr als ein weiteres Robotics-Unternehmen im Stealth-Modus. Es prüft, ob ein Agent ein nützliches internes Bild der Welt aufbauen, erkennen kann, wann dieses Bild scheitert, und sich anpasst, bevor Schaden entsteht.

In den kommenden Monaten sollten Belege zu unbekannten Aufgaben, körperübergreifender Übertragung und einer ersten Einsatzumgebung folgen. Diese Signale werden zeigen, ob Danijar Hafners World-Model-Agenten imaginierte Zukünfte in verlässliches physisches Verhalten verwandeln können.

Bis dahin bleibt die ehrlichste Schlussfolgerung bedingt. Embo verfügt über einen kohärenten Mechanismus und eine ungewöhnlich relevante Forschungsgeschichte. Das Unternehmen hat noch nicht gezeigt, dass seine Humanoiden Unerwartetes im kommerziellen Maßstab bewältigen können.

Die Frage für Entwickler und KI-Käufer ist daher konkret: Wird Embo wiederholbare Daten zu Fehlern und Wiederherstellung veröffentlichen oder nur sorgfältig vorbereitete Erfolge? Diese Belege werden entscheiden, ob Planung durch World Models zu einer verlässlichen Agentenarchitektur wird oder ein überzeugendes Laborergebnis bleibt.