To af moderne AI’s mest indflydelsesrige forskere rejste tilsammen mere end to milliarder dollar på tre uger. De satser begge på, at sprog alene ikke er nok til at skabe maskiner, der forstår og handler i den fysiske verden. Men de er ikke nødvendigvis enige om løsningen. Uenigheden handler om, hvad en model skal lære, hvordan den skal lære det, og hvor værdien flytter hen, hvis næste fase af AI bliver bygget på andet end tekst.
Hvorfor spørgsmålet er blevet aktuelt
Den 18. februar 2026 offentliggjorde Fei-Fei Lis World Labs en finansieringsrunde på en milliard dollar. Autodesk investerede 200 millioner dollar, mens blandt andre AMD og Nvidia også deltog.
Den 10. marts – knap tre uger senere – rejste Yann LeCuns AMI Labs 1,03 milliarder dollar i en seedrunde. Værdiansættelsen blev rapporteret til 3,5 milliarder dollar før den nye kapital.
Li og LeCun er to af de mest indflydelsesrige forskere i moderne kunstig intelligens, men deres meritter er forskellige. Li stod i spidsen for skabelsen af ImageNet og den tilhørende konkurrence, som blev et afgørende datasæt og benchmark for computer vision. Da AlexNet vandt konkurrencen i 2012, blev det et gennembrud for den moderne deep learning-bølge.
LeCun modtog Turing-prisen i 2018 sammen med Geoffrey Hinton og Yoshua Bengio for deres arbejde med deep learning. Han var Metas øverste AI-forsker i mere end tolv år, før han forlod selskabet for at etablere AMI Labs.
De to selskaber bygger ikke det samme, og de to forskere indtager heller ikke helt den samme position. Fei-Fei Li argumenterer for, at AI mangler rumlig og fysisk intelligens. LeCun går længere og hævder, at autoregressive sprogmodeller ikke er vejen til intelligens på menneskeligt niveau.
Den fælles præmis er mere præcis og mindre dramatisk: En model, der er fremragende til sprog, er ikke nødvendigvis i stand til at forstå den fysiske verden, forudsige konsekvenser eller planlægge handlinger i den.
LeCun har i flere år fremhævet, at selv en kat lærer mere om den fysiske verden gennem observation, end nutidens AI-systemer gør gennem enorme mængder tekst. Da han valgte Paris som hovedsæde for AMI Labs, begrundede han det med, at Silicon Valley efter hans opfattelse var blevet for optaget af den nuværende generation af generativ AI.
Diskussionen er derfor ikke længere kun akademisk. Der er nu placeret mere end to milliarder dollar på, at verden efter LLM’er kræver en anden eller i det mindste bredere form for intelligens.
Hvad en sprogmodel faktisk gør
En klassisk stor sprogmodel bliver i sin grundtræning optimeret til at forudsige det næste token i en sekvens. Et token kan være et ord, en del af et ord eller et andet symbol. Ved at gentage den opgave på enorme datamængder lærer modellen komplekse sammenhænge mellem sprog, begreber, kode og viden.
Det er en langt stærkere læringsopgave, end formuleringen “forudsiger det næste ord” antyder. For at forudsige godt må modellen opbygge repræsentationer af syntaks, betydning, relationer og mønstre i verden. Derfor kan sprogmodeller skrive kode, sammenfatte dokumenter, oversætte og løse mange opgaver, der ligner ræsonnement.
Det er også vigtigt, at de førende modeller ikke længere kun trænes eller arbejder med tekst. Mange er multimodale og kan behandle billeder, lyd og video. Skellet går derfor ikke rent mellem tekst på den ene side og sanseindtryk på den anden.
Kritikken fra LeCun er mere specifik. Han mener ikke, at næste-token-forudsigelse giver den type vedvarende hukommelse, fysisk forståelse og planlægning, som et system behøver for at handle sikkert i en ukendt verden.
Om sprogmodeller allerede lærer en implicit model af verden, er et åbent forskningsspørgsmål. Det bør ikke fremstilles som et afgjort faktum, at de enten gør eller ikke gør. Det afgørende spørgsmål er, om de repræsentationer, de lærer, er robuste nok til handling og planlægning uden for de mønstre, de er trænet på.
Hvad en world model gør
En world model er ikke én bestemt arkitektur. Betegnelsen beskriver snarere en funktion: Modellen skal repræsentere, hvordan en verden er opbygget, hvordan den ændrer sig, og hvordan handlinger påvirker det næste udfald.
Træningsdataene kan være video, billeder, 3D-data, robotbevægelser, sensordata, tekst eller kombinationer af dem. Arkitekturen kan blandt andet bygge på transformere, diffusion eller latente repræsentationer. Det afgørende er ikke datatypen alene, men om modellen lærer dynamik og konsekvenser.
Den kan eksempelvis forsøge at lære:
- hvordan objekter bevæger sig gennem rum og tid,
- hvilke egenskaber der forbliver stabile, selv om synsvinklen ændrer sig,
- hvordan en situation udvikler sig efter en bestemt handling,
- og hvilke handlinger der sandsynligvis fører til et bestemt mål.
Objektpermanens er et enkelt eksempel: En genstand fortsætter med at eksistere, selv om den forsvinder bag en anden. For en robot er den type forståelse ikke filosofisk. Den er nødvendig for at kunne navigere, gribe og planlægge.
Nvidias Cosmos illustrerer skalaen. Den første generation blev trænet på omkring 20 millioner timers video fra blandt andet industri, robotik, trafik og menneskelig interaktion. Platformen er siden udviklet videre og omfatter åbne modeller og værktøjer til fysisk AI.
En sprogmodel lærer primært den statistiske struktur i symboler og sprog. En world model forsøger at lære den statistiske struktur i rum, tid og handling. Men de to kategorier kan overlappe, og en world model kan sagtens indeholde sprog som en del af systemet.
Den forskel, der betyder mest i praksis
Som huskeregel kan forskellen koges ned til én sætning:
En sprogmodel forudsiger det næste token. En world model forudsiger den næste tilstand.
Det er en nyttig forenkling, ikke en fuldstændig teknisk definition.
Forskellen bliver især relevant i planlægning. For at planlægge skal et system kunne vurdere flere mulige fremtider: Hvad sker der, hvis robotarmen griber her frem for der? Hvad sker der, hvis bilen bremser nu? Hvilken rækkefølge af handlinger bringer systemet nærmest målet?
LeCuns JEPA-tilgang er interessant, fordi den forsøger at forudsige i et abstrakt repræsentationsrum frem for at generere alle detaljer i de næste pixels. To situationer, der betyder omtrent det samme, kan dermed ligge tæt i modellens interne repræsentation, selv om billederne ikke er identiske.
Tanken er, at intelligens ikke kræver en præcis gengivelse af enhver detalje. Et menneske, der ser en kop vippe ud over bordkanten, behøver ikke forudsige placeringen af hver glassplint. Det er nok at forstå, at koppen sandsynligvis falder og går i stykker.
Meta har videreført idéen i V-JEPA 2. En særlig handlingsbetinget variant kan bruges til robotplanlægning efter træning på relativt begrænsede mængder robotvideo. Det er stadig forskning, men det viser, hvordan en abstrakt world model kan forbindes med handling.
“World model” betyder mindst tre forskellige ting
Udtrykket bruges så bredt, at det ofte skjuler mere, end det forklarer. World Labs foreslog i juni 2026 en funktionel opdeling i tre kategorier: renderere, simulatorer og planlæggere.
1. Renderere
En renderer producerer observationer, typisk billeder eller video. Det vigtigste kvalitetsmål er visuel troværdighed.
OpenAI beskrev oprindeligt Sora som et skridt mod en simulator af den fysiske verden. Google DeepMinds Genie 3 genererer interaktive, navigerbare miljøer i realtid ud fra en tekstbeskrivelse. World Labs’ RTFM genererer ligeledes frames i realtid som reaktion på brugerens bevægelser.
De kan se ud som verdener, man bevæger sig i, men det betyder ikke nødvendigvis, at modellen opretholder en eksplicit, fysisk korrekt 3D-tilstand bag billederne. Ifølge World Labs’ egen taksonomi er Genie 3 derfor primært en renderer.
2. Simulatorer
En simulator producerer en strukturel tilstand, som mennesker eller software kan arbejde videre med. Geometri, skala, materialer og fysik skal ikke blot se rigtige ud; de skal kunne bruges i beregninger og interaktion.
World Labs’ Marble ligger mellem rendering og simulation. Produktet kan skabe redigerbare og navigerbare 3D-verdener fra tekst, billeder og video og eksportere både visuelle repræsentationer og kollisionsnet, som en fysikmotor kan arbejde med.
Selskabets nyere model Atlas går videre og er trænet på tekst, billeder, video og 3D. World Labs beskriver Atlas som en simulator af rum og tid, men modellen er foreløbig kun i tidlig adgang. Selskabets opkøb af SceniX og arbejde med real-to-sim-to-real viser samtidig, at ambitionen nu rækker fra kreativ 3D-produktion til træning og evaluering af robotter.
3. Planlæggere
En planlægger producerer handlinger. Den får en observation og et mål og forsøger at vælge, hvad systemet skal gøre som det næste.
V-JEPA 2’s robotforsøg og LeCuns bredere forskningsprogram ligger tættest på denne kategori. Men en planlægger behøver en form for forudsigelse af konsekvenser, og derfor flyder grænsen mellem simulator og planlægger hurtigt sammen.
Det er netop den vigtigste nuance i tredelingen: Kategorierne er forskellige funktioner, ikke nødvendigvis tre adskilte teknologier. Den langsigtede ambition er et samlet system, der både kan fremstille en verden, simulere dens udvikling og vælge handlinger i den.
For en investor er skellet afgørende. De tre funktioner har forskellige kunder, modenhed og forretningsmodeller:
- Renderere sælger allerede værktøjer til spil, film, reklame og design.
- Simulatorer kan sælge træningsmiljøer, digitale tvillinger og syntetiske data til robotik, industri og selvkørende biler.
- Planlæggere kan på sigt blive selve kontrolsystemet bag autonome maskiner.
At samle dem i ét investeringstema svarer til at behandle hele batteriværdikæden som én forretning. Råmaterialer, celleproduktion, software, integration og ejerskab påvirkes af det samme tema, men tjener penge på vidt forskellige måder.
Hvem bygger hvad?
Nvidia er positioneret som infrastruktur- og platformleverandør. Cosmos omfatter modeller og værktøjer til syntetiske data, video og fysisk AI. Rollen ligner selskabets position i resten af AI-økosystemet: at levere regnekraft og software, uanset hvilken applikation der vinder.
Google DeepMind udvikler Genie 3 som en interaktiv world model og ser simulerede verdener som en mulig trænings- og evalueringsplatform for agenter. Waymo har tilpasset Genie-teknologien til en world model, der kan fremstille sjældne trafiksituationer på tværs af kamera- og lidar-data.
World Labs har bevæget sig fra Marble, et kommercielt produkt med abonnementer fra gratis til 95 dollar om måneden, mod Atlas og robotsimulation. Autodesk-investeringen peger mod design, byggeri og underholdning, mens SceniX-opkøbet peger mod robotik.
Meta fortsætter arbejdet med V-JEPA 2, selv efter LeCuns afgang. AMI Labs forsøger at udvikle LeCuns idéer uden for en stor teknologikoncerns produktkrav.
Wayve bruger GAIA-serien til generativ simulation af trafiksituationer til selvkørende teknologi. Feltet omfatter derudover en lang række mindre forskningsselskaber inden for robotik, autonome systemer og 3D-generering.
Det er værd at bemærke, at de store aktører ikke placerer sig rent i én lejr. Nvidia deltog i finansieringen af World Labs, samtidig med at selskabets vigtigste forretning fortsat nyder godt af LLM-udbygningen. Meta udvikler både Llama og V-JEPA. Google arbejder med Gemini, Genie og Waymo.
Markedet satser med andre ord ikke kun på én teknisk vej. Det bygger flere på samme tid.
Er sprogmodellerne en blindgyde?
Det korte svar er, at ingen ved det.
LeCun mener, at autoregressiv generering ikke kan skaleres hele vejen til intelligens på menneskeligt niveau. Indtil videre er sprogmodellerne dog blevet bedre på langt flere opgaver, end mange kritikere forventede, og skalering med mere data, regnekraft og eftertræning har fortsat leveret fremskridt.
Samtidig er den rene modsætning mellem LLM’er og world models ved at blive mindre brugbar. De førende laboratorier kombinerer allerede sprog med billeder, video, værktøjer, hukommelse, simulation og handling. World models kan bruge transformerarkitekturer, og sprogmodeller kan indgå som et lag i et større system.
Den mest sandsynlige udvikling er derfor ikke nødvendigvis, at den ene arkitektur erstatter den anden. Det kan blive et sammensat system, hvor sproget håndterer instruktioner, abstraktion og kommunikation, mens andre modeller håndterer rum, dynamik og planlægning.
Det er netop den kombination, der er relevant for fysisk AI i produktionen, som jeg tidligere har behandlet i artiklen om Industri 4.0 og fysisk AI. En robot skal både kunne forstå en instruktion og forudsige, hvad der sker, hvis den udfører den.
Det centrale spørgsmål er derfor ikke kun, om LLM’er eller world models vinder. Det er, hvilke funktioner der samles i det endelige system, og hvilket selskab der kontrollerer de mest værdifulde lag.
Hvad betyder det for investorer?
Der er fire konsekvenser, som er værd at holde fast i.
Den første handler om, hvad man faktisk ejer. En stor del af den børsnoterede AI-eksponering ligger i regnekraft, datacentre, netværk og cloud. Den infrastruktur kan bruges til både sprogmodeller, videogenerering, simulation og robotik. Arkitekturrisikoen er derfor større i applikationslaget end hos de mest brede infrastrukturleverandører.
Den anden handler om neutralitet. Nvidia sælger regnekraft til flere paradigmer og har med Cosmos placeret sig direkte i fysisk AI. Det gør selskabet mindre afhængigt af, om én bestemt modeltype vinder, selv om efterspørgslen og konkurrencesituationen stadig kan ændre sig. Den samme logik har jeg beskrevet i artiklen om træning mod inference.
Den tredje handler om modenhed. Renderere er allerede kommercielle produkter. Simulatorer er på vej ind i design, digitale tvillinger, selvkørende biler og robottræning. Generelle planlæggere er fortsat primært forskning. Et selskab kan derfor godt befinde sig i det rigtige teknologiske felt og stadig være mange år fra en holdbar forretning.
Den fjerde handler om investerbarhed. De mest rendyrkede selskaber – World Labs og AMI Labs – er unoterede. Den børsnoterede eksponering er indirekte gennem blandt andre Nvidia, Alphabet, Meta og Autodesk. Det betyder, at man ikke køber en ren world model-case, men et stort selskab, hvor teknologien kun er én del af den samlede værdi.
Min holdning
Jeg synes, den mest brugbare del af diskussionen ikke er at vælge side, men at forstå, hvor upræcist markedet ofte taler om emnet.
To milliardrunder er ikke bevis på, at LLM’er er en blindgyde. Kapitalen kommer blandt andet fra selskaber, der samtidig tjener store beløb på den nuværende LLM-bølge. Finansieringen viser snarere, at nogle af markedets mest informerede aktører ønsker at have en position, hvis sprog alene ikke er nok.
Jeg hæfter mig især ved tredelingen mellem renderere, simulatorer og planlæggere. Det er tre forskellige funktioner med forskellige kunder, indtjeningsmodeller og tidshorisonter. Samtidig er de allerede begyndt at smelte sammen, og derfor er betegnelsen “world model” i sig selv næsten værdiløs som investeringsargument.
Når et selskab kalder sig en world model-virksomhed, er mit første spørgsmål, hvilken funktion det faktisk leverer. Det næste er, hvem der betaler for den. Derefter kommer spørgsmålet om, hvilke data, distributionskanaler eller tekniske fordele der forhindrer andre i at kopiere produktet.
Kan jeg ikke få klare svar på de spørgsmål, er det ikke en investeringscase. Så er det et buzzword.