Yann LeCun und Forscher der Brown University stellen kontrafaktische Weltmodelle für Roboter vor

Was passiert ist

Ein Team von Machine-Learning-Forschern glaubt, einen saubereren Weg gefunden zu haben, diese Lücke zu schließen.

Ihre neue Technik hilft Weltmodellen, den internen Simulatoren, mit denen physische KI trainiert wird, vorherzusagen, wie sich Objekte unter Aktionen verhalten würden, die das Modell nie tatsächlich beobachtet hat. Wird von ihnen etwas Neues verlangt, geht es oft schief.

Die Arbeit stammt von Randall Balestriero von der Brown University, Kerda Varaku und Yann LeCun von der NYU. Sie ist in einem Preprint-Paper mit dem Titel „Counterfactual World Models: Natura Non Facit Saltus“ dargelegt, veröffentlicht am 9. November 2026.

Sie sagt die Folgen einer Aktion voraus, bevor die Aktion stattfindet. Diese Fähigkeit ist vor allem für physische KI-Systeme wie Roboter wichtig.

Ein Roboter, der Ergebnisse antizipieren kann, kann planen, statt sich in der realen Welt durch Versuch und Irrtum zu tasten. Der Haken: Weltmodelle lernen aus dem, was sie beobachten.

Taucht eine bestimmte Aktion nie in den Trainingsdaten auf (dem Material, aus dem ein Modell aufgebaut wird), hat das Modell wenig Anhaltspunkte, wenn es gefragt wird, was es tun würde.

Der Trick: die Überraschung herausrechnen. Die Kernidee der Forscher ist überraschend kompakt.