Der nächste große echte Trend bei KI, den viele noch nicht erkannt haben

In den letzten zwei Jahren habe ich die Updates im Bereich AI nahezu immer sofort ausprobiert. Agenten, multimodale Modelle, eine Iteration nach der anderen – ehrlich gesagt, die meisten haben mich mittlerweile kaum noch beeindruckt. Die Fähigkeiten werden zwar besser, bleiben aber im Grunde auf der Linie „die Inhalte realitätsnäher machen“, die Richtung bleibt gleich.

Erst diesen Monat, als ich Astra, Atlas und Cosmos hintereinander getestet habe, bin ich zum ersten Mal wirklich stehen geblieben.

Es lag nicht daran, dass die generierten Inhalte besser aussehen, sondern daran, dass ich zum ersten Mal das Gefühl hatte: AI überschreitet gerade eine neue Schwelle – vom „Inhalte generieren“ hin zu „die Welt verstehen und sich bereit machen, selbst zu handeln“.

Mein Fazit direkt vorweg: Der nächste echte Werttransfer kommt nicht aus dem Wettlauf um die Modell-Parameter, sondern – die dreidimensionale Welt wird gerade umgeschrieben zu Schnittstellen, die für AI lesbar, simulierbar und operierbar sind. Wer noch auf der Ebene „die Nachfrage nach 3D-Inhalten wird steigen“ bleibt, verpasst den kompletten Wechsel der grundlegenden Logik.

Das klingt nach viel, aber nach diesen drei Schritten konnte ich mich nicht mehr überzeugen, dass es nur Zufall ist.

1/ Astra: Zuerst fällt die Kostenstruktur

Ich habe GPT-6 Astra gebeten, eine Szene für einen Wohnraum zu generieren. Früher – egal wie gut das Ergebnis aussah – war es importiert in ein Modellierungsprogramm nichts wert: Die Strukturinformationen gingen komplett verloren, eine Weiterverwendung war nicht möglich.

Diesmal war es anders. Es lieferte direkt ein Asset mit vollständiger Struktur: editierbar in Blender, und in Unreal Engine 5 sofort für Echtzeit-Erkundungen nutzbar.

Wer im 3D-Workflow gearbeitet hat, weiß wie teuer dieser Prozess ist – Modellierung, Materialien, Licht, Rendering, Postproduktion, jeder Schritt erfordert spezialisiertes Software und manuelle Übergaben; die Fehlerquote ist extrem niedrig, der Zeitaufwand hoch.

Und jetzt? Natürliches Sprachinterface ist der Einstieg.

Bilder und Videos haben diesen Paradigmenwechsel schon einmal durchlebt – sobald die Werkzeugkosten drastisch gesenkt werden, wird die Nachfrage nicht reduziert, sondern entfesselt. Spiele, E-Commerce, Architektur, Werbung, Industriedesign – alle stehen in den Startlöchern. Das ist keine Spekulation, es passiert bereits.

2/ Atlas: Von „Objekte bauen“ zu „Raum verstehen“

Wenn Astra mich auf die Veränderungen aufmerksam gemacht hat, hat mich Atlas von World Labs, das im September veröffentlicht wurde, erstmals erkennen lassen, wie weit diese Entwicklung gehen kann.

Überlege den Unterschied: Ein Becher wird generiert – du prüfst nur, ob stimmt die Form; aber einen Küchenraum zu verstehen, erfordert, dass das Modell weiß, wo der Becher steht, wie hoch die Arbeitsfläche ist, aus welcher Richtung die Hand natürlich zugreifen kann und was in der nächsten Sekunde im Raum passieren soll.

Das eine ist Objekte bauen, das andere ist Raum verstehen. Dazwischen liegt nicht nur ein klareres Bild, sondern eine ganze Dimension.
World Labs hat einen Satz, den ich mehrmals gelesen habe: "3D wird zum universellen Interface für Raum."

Text war einst die Schnittstelle zwischen Mensch und Maschine. Wenn 3D zum gemeinsamen Medium wird, über das Menschen und AI Räume generieren, editieren und simulieren, dann ist 3D nicht mehr nur eine Design-Datei, sondern ein neues Rechenmedium. Diese Einschätzung klingt noch weit, aber mein Praxistest zeigt – es wird zunehmend konkret.

3/ Cosmos: Von „verstehen“ zu „sich trauen, anzupacken“

Bei NVIDIA Cosmos war mir endgültig klar, dass meine Eindrücke keine Überinterpretation waren.

Die heutigen visuellen Modelle können bereits sehr genau sagen, „was ist auf dem Bild“. Doch die größte Herausforderung für Roboter und autonomes Fahren war nie das Erkennen, sondern das Prognostizieren „was wird als nächstes passieren“.

Cosmos sorgt dafür, dass Modelle intern ein System für die Zustandssimulation der Welt aufbauen – Handlungen werden vorab simuliert, die optimalen Wege ausgewählt. Das ist, als würde der AI ein interner Simulator eingebaut.

Ohne dies kann die Maschine nur die aktuelle Momentaufnahme wahrnehmen; mit dem Simulator hat sie erstmals die Fähigkeit, vor dem Handeln eine komplette Simulation durchzuführen. Für Physical AI ist dieser Schritt meines Erachtens so bedeutend wie damals der Durchbruch der großen Modelle beim Reasoning.

4/ Der echte Gamechanger: synthetische Daten

Die Daten aus der realen Welt sind schlicht zu teuer.

Sprachmodelle können riesige Mengen an Webtext crawlen, aber Roboter können nicht vom Internet lernen, wie man einen Becher greift; autonomes Fahren kann mittels echter Tests niemals alle Extremszenarien abdecken. Gerade die wichtigsten Trainingsdaten – Extremwetter, plötzliche Unfälle, seltene Straßenverhältnisse – sind besonders schwer zu bekommen.

Sobald 3D-Rekonstruktion mit Weltmodellen ausgereift ist, verändert sich die Logik: Mit einer begrenzten Menge echter Daten wird ein digitaler Basisszenario gebaut, im Virtuellen kann systematisch Wetter, Position, Objektattribute, Beleuchtung variiert werden – aus einer Startdatenmenge entstehen massenhaft Trainingssamples.

Deshalb analysiert das US-Aktien-Investmentportal, dass die Wettbewerbsdynamik von Physical AI sich verschiebt:

Früher wurde verglichen, wer mehr reale Daten besitzt, künftig zählt – Qualität der realen Daten × Fähigkeit zur Raumrekonstruktion × Simulationspräzision × Effizienz der Vergrößerung synthetischer Daten.

Begünstigte US-Aktienunternehmen

Ich habe nach dem „Grad der direkten Profiteure“ vier Schichten eingeordnet – je weiter vorne, desto sicherer, je weiter hinten, desto flexibler und konzentrierter:

Ebene eins · Infrastruktur: NVDA

Egal, welches Roboterunternehmen oder welcher Anbieter für autonomes Fahren am Ende gewinnt, sie alle brauchen Rechenleistung, Simulation, synthetische Daten und Trainingsplattformen. NVIDIA hält GPU, Omniverse, Isaac, Cosmos – verkauft also längst nicht mehr nur Chips, sondern die komplette Plattform für „Maschinen lernen die reale Welt“. Das ist die Position, die am wenigsten von einem einzelnen Gewinner abhängt.

Ebene zwei · 3D-Rekonstruktion und digitale Zwillinge: PTC, ADSK

Damit die reale Welt zu einer digitalen Umgebung für AI-Training wird, müssen zuerst industrielle 3D-Modelle, digitale Zwillinge und Design-Workflows aufgebaut werden. Das ist das „Daten-Gateway“ der Realität ins Modell.

Ebene drei · Raumwahrnehmung: OUST, MBLY

LIDAR, maschinelles Sehen – zuständig dafür, die physische Umgebung in für Maschinen lesbare Raumdaten zu verwandeln. Ohne diese Schicht wären die oberen Ebenen Luftschlösser; zugleich ist sie am wettbewerbsintensivsten, mit den größten Herausforderungen bei Kosten und Konsistenz.

Ebene vier · Endanwendungs-Deployment: TSLA, SYM

Diejenigen, die AI tatsächlich in die Realität bringen. Sie haben die größte Flexibilität, aber auch das höchste Risiko: Ein Modell kann zwar laufen, aber das garantiert nicht, dass Roboter in großem Maßstab ausgeliefert werden können; Simulation ist effektiv, aber die Übertragung in die reale Welt kann trotzdem scheitern.

Im nächsten Schritt, achtet nicht nur darauf, wie beeindruckend die Demo-Videos sind, sondern auf drei Fragen: Hat Simulation wirklich das Training vor Ort reduziert, erhöhen synthetische Daten tatsächlich die Erfolgsrate der Modelle, und sind Kunden bereit, dauerhaft dafür zu zahlen?

Die letzte KI-Revolution hat das menschliche Wissen in Tokens verwandelt.
Die nächste könnte darauf hinauslaufen, die ganze reale Welt in berechenbare, simulierbare und trainierbare Daten umzuwandeln.

Sprache ließ AI die Menschen verstehen; doch 3D könnte AI wirklich in unsere Welt bringen.

US-Aktien-Investmentportal VIP Upgrade

US-Aktien-AI-Quantitative Analyse Tool – Produktfunktionsanzeige

US-Aktien-Investmentportal ist ein auf US-Aktien spezialisiertes Fintech-Unternehmen, gegründet 2008 im Silicon Valley, USA, von dem ehemaligen Analysten der New Yorker Börse Ken, zusammen mit diversen Analysten von Morgan Stanley, Google- und Meta-Ingenieuren. Mithilfe von AI und Big Data und einer mehr als zehnjährigen US-Aktienpraxis sowie branchenüblichen quantitativen Modellen wurde eine Aktienmarkt-Datenbank aufgebaut, die täglich Millionen von Aktien-Daten verarbeitet: Erkennung großer Optionsorders, Echtzeit-Hauptkapitalbewegungen, Veränderungen bei institutionellen Portfolios und plötzliche Nachrichten von Trump.