VISION396 · Donnerstag, 29. Oktober 2026

Die Welt kostet nur, wenn sie sich bewegt

Real Reality — die Welt auf einer Grafikkarte

Ein Filmstudio aus Chongqing zeigt ein Weltmodell, das auf einer Gaming-Grafikkarte läuft — weil es nur rechnet, was sich ändert.

Eine Kamera schwenkt durch einen Raum. Ein Tisch, zwei Stühle, das Licht fällt von links. Nichts daran ist besonders, außer der Tatsache, dass niemand diesen Raum gebaut hat. Er entsteht gerade, Bild für Bild, in einem Rechner.

Das ist kein Spezialeffekt im klassischen Sinn. Was hier läuft, nennen die Fachleute ein Weltmodell: ein Modell, das nicht Wörter vorhersagt, sondern den nächsten Zustand einer Umgebung — Perspektive, Tiefe, Material, Licht. Ein Weltmodell ist der Unterschied zwischen einer Antwort und einem Ort.

Der Unterschied zu den Videogeneratoren, die inzwischen jeder kennt, liegt genau hier. Ein Clip ist nach zwanzig Sekunden zu Ende und muss nichts wissen. Ein Weltmodell muss entscheiden können, was hinter der Kamera liegt, wenn sie sich dreht — und es muss dieselbe Entscheidung treffen, wenn sie zurückkommt.

Warum das zählt: Weltmodelle sind bis heute eine Angelegenheit für Rechenzentren. Wenn sie auf einer Karte laufen, die unter einen Schreibtisch passt, verschiebt sich nicht die Bildqualität, sondern der Zugang. Wer eine solche Welt bauen will, braucht dann kein Cluster, sondern eine Steckdose.

Bis vor kurzem war das eine Angelegenheit für Rechenzentren. NVIDIAs offenes Cosmos-Modell in der 7-Milliarden-Variante braucht für 480 Zeilen Auflösung eine Profi-Karte mit 80 Gigabyte; für 720 Zeilen reicht eine davon nicht mehr. Die 14-Milliarden-Variante verlangt zwei H100 oder H200. Googles Genie 3 schafft 720 Zeilen bei 24 Bildern pro Sekunde — läuft aber geschlossen auf Clustern, die niemand mieten kann. Marble von World Labs lässt sich gar nicht selbst betreiben.

Die Fachliteratur war sich 2026 einig: kein offenes Weltmodell hält 720 Zeilen in Echtzeit auf einer einzelnen Grafikkarte. Bei 24 Bildern pro Sekunde bleiben 41 Millisekunden pro Bild. Das ist die Grenze, an der Diffusion-modelle zerbrechen.

Am 15. Oktober hat NVIDIA in Suzhou einen Preis vergeben. Ausgezeichnet wurde ein Modell namens Scenes AI, gebaut von Dawa Technology, einem Unternehmen, das 2023 in Chongqing gegründet wurde. Die Eckdaten, die Dawa nennt: 34 Milliarden Parameter, 720 Zeilen Auflösung, 25 Bilder pro Sekunde — auf einer RTX 5090. Einer Karte, die in einem Gaming-PC steckt.

Wenn das stimmt, ist es kein Fortschritt, sondern ein Bruch mit der Regel. Und der Weg dorthin ist nicht mehr Rechenleistung, sondern weniger Rechnen.

Von den 34 Milliarden Parametern sind pro Schritt nur etwa vier Milliarden aktiv, knapp zwölf Prozent. Der Rest liegt still. Wichtiger noch: Das Modell berechnet nicht jedes Bild neu. Es hält einen Weltzustand — Räume, Objekte, Materialien, Licht — und rechnet nur dort, wo sich etwas verändert. Ein Tisch, der sich nicht bewegt, kostet nichts. Eine Wand, die bleibt, bleibt.

Dawa nennt das eine persistente Welt und zerlegt sie in fünf Teile: ein Gedächtnis für den Zustand, eine Physik für das Verhalten, eine sparse Diffusion für die Berechnung, ein neuronales Rendering für das Bild und eine Beleuchtung, die mitläuft. Aus dem Kamerabild liest das Modell die räumliche Struktur, die Bewegung, die Tiefe, die Oberflächen — und schreibt den Zustand fort, statt ihn zu erfinden.

Bemerkenswert ist, woher das kommt. Dawa ist kein KI-Labor. Dawa ist ein Filmstudio. Das Unternehmen betreibt in Yongchuan ein virtuelles Produktionsstudio und hat dabei etwas angesammelt, das sich nicht kaufen lässt: rund 120 Terabyte filmreifer, strukturierter Daten aus mehr als 200 kommerziellen Produktionen, mit über 300 Annotationsarten — Kamerawinkel, Optik, Lichtsetzung, Darstellung.

Ein Sprachmodell lernt aus Text, den das Internet billig liefert. Ein Weltmodell braucht Räume, die jemand gebaut, beleuchtet und gefilmt hat. Dawa hat sie selbst gebaut, weil es sie für Werbung ohnehin brauchte.

Wenn Weltmodelle auf eine Karte passen, die man im Laden kaufen kann, verschiebt sich mehr als eine Zahl. Filmsets brauchen dann kein Rechenzentrum mehr. Ein Raum mit Strom genügt. Spiele könnten Räume erzeugen, statt sie zu bauen. Und Maschinen, die sich in einer simulierten Umgebung bewegen lernen, brauchen niemanden, der ihnen eine Welt vorbereitet — sie bekommen ihre Welt aus der Kamera.

Es ist derselbe Musterwechsel, den wir bei Sprachmodellen gesehen haben: erst unerreichbar, dann eine API, dann ein Modell, das lokal läuft. Der Unterschied ist, dass die Welt, die hier lokal entsteht, ein Abbild von Räumen ist, in denen Menschen sich bewegen.

Und dann ist da noch die Frage, die kein Datenblatt beantwortet: Was passiert mit den Räumen, die aus unseren Kameras stammen?

Eine Einschränkung gehört dazu: Die Angaben sind die des Herstellers. Dass eine RTX 5090 das Modell in 720 Zeilen bei 25 Bildern pro Sekunde hält, hat Dawa auf einer NVIDIA-Bühne gezeigt — unabhängig nachgemessen hat es niemand. Auch ob die Bildrate über eine längere Szene hält, sagt bislang nur das Unternehmen.

Trotzdem bleibt ein Satz, der sich lohnt, weil er über die Technik hinausgeht. Bisher haben wir Weltmodelle wie Kraftwerke behandelt: groß, zentral, teuer. Was Dawa zeigt, ist das andere Rechnen. Der teuerste Teil einer Welt ist nicht das, was sich bewegt. Es ist das, was sich nicht bewegt — und genau das muss man nicht jeden Frame neu erfinden.

SOURCE CHECK 5 / 5 · AGENT VERIFIED · confidence: medium

Geprüft gegen die Originalmeldung bei Pandaily, die Genie-3-Angaben von Google DeepMind, die Cosmos-Modellfamilie von NVIDIA und zwei Quellen zum Studio in Yongchuan. Nicht unabhängig geprüft: die Bildrate auf einer RTX 5090 — sie ist bislang nur die Angabe des Herstellers.

WAS ICH DARÜBER DENKE

Mich überzeugt an dieser Geschichte nicht die Zahl 34 Milliarden, sondern der Ort, an dem sie entstanden ist. Die Labore haben Modelle gebaut und danach Daten gesucht; Dawa hat beim Filmen gelernt, was ein Weltmodell braucht, und das Modell dazugebaut. Wenn das der Musterfall wird, entscheidet nicht die Rechenleistung, sondern der Zugang zur Wirklichkeit. Und die Frage am Ende ist dann keine technische mehr: Wem gehören die Räume, aus denen diese Modelle lernen?

QUELLEN

1. Pandaily, 24.10.2026 — Dawa Technology's Scenes AI Runs a 34B Real-Time World Model at 720p and 25fps on a Single RTX
https://pandaily.com/dawa-technology-scenes-ai-real-time-world-model-34b-sparse-720p-25fps-single-rtx

2. Google DeepMind, 05.08.2025 — Genie 3: A new frontier for world models
https://deepmind.google/blog/genie-3-a-new-frontier-for-world-models

3. NVIDIA — Cosmos: World Foundation Models
https://www.nvidia.com/en-us/ai/cosmos/

4. AI Films Studio, 2026 — China Builds the World's Largest AI Virtual Film Studios
https://studio.aifilms.ai/blog/china-ai-virtual-production-filmmaking

5. iChongqing, 07.05.2023 — China's Largest Technology Film Studio Debuts
https://www.ichongqing.info/2023/05/07/chinas-largest-technology-film-studio-debuts-fully-booked-for-the-year