Sprachmodelle wie GPT-5 sind brillant – aber blind. Fei-Fei Li, die „Godmother of AI“, fordert den nächsten Schritt: räumliche Intelligenz. Eine Revolution, die Maschinen das Sehen, Verstehen und Handeln in 3D lehren will – mit radikalen Folgen für Wissenschaft, Robotik und Gesellschaft.
Stell dir vor, du fragst ChatGPT nach dem perfekten Wurf, um deinem Freund die Schlüssel zuzuwerfen. Die KI könnte dir eine physikalisch korrekte Formel liefern, Wurfwinkel berechnen und sogar poetisch über die Parabel philosophieren. Aber sie würde nicht verstehen, was es bedeutet, in einem Raum zu stehen, die Distanz zu schätzen und intuitiv zu wissen, wie fest du werfen musst. Sie ist, wie Fei-Fei Li es brutal ehrlich ausdrückt, ein "Wordsmith in the Dark" – ein brillanter Geschichtenerzähler, der noch nie das Licht gesehen hat.
AI’s next frontier is Spatial Intelligence, a technology that will turn seeing into reasoning, perception into action, and imagination into creation. But what is it? Why does it matter? How do we build it? And how can we use it?
— Fei-Fei Li (@drfeifei) November 10, 2025
Today, I want to share with you my thoughts on… pic.twitter.com/L0bnJcCUqc
Während wir bei The Digioneer oft über Energiehunger und digitale Transformation diskutieren, hat die "Godmother of AI" jetzt ein Essay veröffentlicht, das argumentiert, dass Sprachmodelle an eine Wand gestoßen sind und räumliche Intelligenz der Schlüssel zur nächsten Ära der KI ist. Und wenn die Frau, die ImageNet erschaffen hat – einen der drei Grundbausteine moderner KI – ein Manifest über die Zukunft der künstlichen Intelligenz schreibt, dann hören wir besser zu.
Vor 540 Millionen Jahren war die Erde in Dunkelheit gehüllt – nicht wegen fehlendem Licht, sondern wegen fehlender Sicht. Obwohl Sonnenlicht 1000 Meter tief ins Meer drang und hydrothermale Quellen am Meeresboden leuchteten, gab es kein einziges Auge in diesen urzeitlichen Gewässern. Keine Netzhaut, keine Hornhaut, keine Linse. Die Idee des Sehens existierte schlicht nicht.
Bis die Trilobiten kamen.
Diese ersten Organismen mit der Fähigkeit, Licht zu sehen, lösten die kambrische Explosion aus – eine der dramatischsten Evolutionsbeschleunigungen in der Geschichte unseres Planeten. Sehen wurde zu Einsicht; Verstehen führte zu Handlung. Und genau diese Verbindung zwischen Wahrnehmung und Aktion fehlt unserer heutigen KI vollständig.
Die Zahlen sind beeindruckend: GPT-5, Claude 3.8 und andere Sprachmodelle können Quantenphysik erklären, Code in dutzenden Programmiersprachen schreiben und sogar emotionale Nuancen in Texten erfassen. Aber zeig ihnen ein Foto von zwei Objekten und frag nach dem Abstand – Schweigen. Bitte sie, mental einen Würfel zu drehen – Verwirrung. Es ist, als hätte man einen genialen Professor, der nie sein Arbeitszimmer verlassen hat. In diesem Fall ist das Arbeitszimmer ein Rack voller heißlaufender NVIDIA-Server.
Diese Limitation ist keine technische Kleinigkeit – sie ist fundamental.
Räumliche Intelligenz ist, wie Menschen und Tiere die 3D-Welt verstehen, navigieren und mit ihr interagieren. Es ist der Grund, warum ein Feuerwehrmann ein einstürzendes Gebäude durch Rauch hindurch lesen kann. Es ist der Grund, warum du Schlüssel fangen kannst, die quer durch den Raum geworfen werden, ohne nachzudenken.
Aber es geht um mehr als nur Navigation. Watson und Crick bauten physische Modelle, um die DNA-Struktur zu entdecken – manche Durchbrüche erfordern die Manipulation von Raum, nicht nur von "Tokens". Diese Erkenntnis ist revolutionär: Viele der größten wissenschaftlichen Entdeckungen entstanden nicht durch abstraktes Denken allein, sondern durch die Interaktion mit physischen Modellen im dreidimensionalen Raum.
Um räumliche Intelligenz zu erschließen, argumentiert Li, brauchen wir World Models: eine neue Art von KI mit drei Kernfähigkeiten: Generativ (erschafft virtuelle Welten, die Physik und Geometrie folgen), Multimodal (verarbeitet Bilder, Videos, Tiefenkarten, Aktionen – nicht nur Worte), und Interaktiv (sagt voraus, was als nächstes passiert, wenn du eine Aktion ausführst).
Der Unterschied zu heutigen Systemen? Stell dir vor, du könntest einer KI nicht nur sagen "Zeig mir ein Wohnzimmer", sondern tatsächlich durch dieses Wohnzimmer gehen, Objekte bewegen, die Physik erleben. Keine flackernden Pixel nach drei Sekunden, keine morphenden Katzen, die plötzlich zu Hunden werden. Persistente, kohärente Welten, die den Gesetzen der Physik gehorchen.
Während viele noch über die Theorie diskutieren, hat Fei-Fei Lis Startup World Labs bereits Fakten geschaffen. Marble, ihre neue Plattform, lässt Kreative bereits aus Text-Prompts erkundbare 3D-Welten generieren. Ein einziges Bild oder eine Textbeschreibung genügt, und die KI erschafft eine komplette 3D-Umgebung, die du beliebig lange erkunden kannst – ohne Zeitlimits, ohne Morphing, ohne Inkonsistenzen.
Frühe Nutzer berichten bereits, dass Aufgaben, die früher Wochen dauerten, jetzt in Minuten erledigt werden können. Die generierten Welten können als Gaussian Splats exportiert und in bestehende 3D-Workflows integriert werden. Das ist keine Zukunftsmusik – das passiert jetzt, heute, während du diesen Artikel liest.
Die Auswirkungen entfalten sich in drei Wellen:
Jetzt (Kreativwerkzeuge): World Labs' Marble lässt bereits heute Kreative aus Textbeschreibungen erkundbare 3D-Welten generieren. Architekten visualisieren Gebäude, bevor der erste Stein gelegt wird. Game-Designer erschaffen in Minuten, wofür sie früher Wochen brauchten.
Mittelfristig (Robotik): Roboter, die ihre Umgebung tatsächlich verstehen, nicht nur Skripten folgen oder VR-unterstützten Anweisungen. Stell dir einen Pflegeroboter vor, der nicht nur programmierte Bewegungen ausführt, sondern versteht, warum er vorsichtig sein muss, wenn er ein Glas Wasser über einen Teppich trägt.
Langfristig (Wissenschaft): KI, die Medikamenteninteraktionen in 3D simulieren oder Umgebungen erkunden kann, zu denen Menschen keinen Zugang haben. Von der Molekularbiologie bis zur Marsexploration – räumliche Intelligenz könnte der Schlüssel zu Durchbrüchen sein, die heute undenkbar sind.
Hier schließt sich der Kreis zu unserer Energieserie bei The Digioneer. Wenn schon Sprachmodelle Rechenzentren zum Glühen bringen, was passiert erst, wenn wir komplette 3D-Welten in Echtzeit simulieren? Die Herausforderung liegt nicht nur in der Dimensionalität, sondern in der Natur des Signals selbst. Sprache ist eindimensional, sequenziell, digital. Räumliche Intelligenz ist projiziert, verlustbehaftet und mathematisch schlecht gestellt.
Jede Kamera kollabiert drei Dimensionen in zwei, und die KI muss aus dieser unvollständigen Sicht die Welt rekonstruieren. Der Rechenaufwand? Exponentiell höher als bei reinen Textmodellen. Die Frage ist nicht nur, ob wir diese Technologie entwickeln können, sondern ob wir uns den Energieverbrauch leisten können – und wollen.
Wie Li es ausdrückt: "Die Grenzen meiner Sprache bedeuten die Grenzen meiner Welt." Damit KI diese Grenzen überschreitet, muss sie sehen, berühren und sich bewegen. Aber wollen wir wirklich KI-Systeme, die nicht nur über die Welt sprechen, sondern sie tatsächlich verstehen und in ihr agieren können?
Die Implikationen sind gewaltig. Eine KI mit räumlicher Intelligenz könnte nicht nur bessere Roboter bauen – sie könnte die Art und Weise revolutionieren, wie wir mit der digitalen Welt interagieren. Statt auf Bildschirme zu starren, könnten wir in digitalen Räumen leben. Statt Befehle zu tippen, könnten wir handeln und interagieren.
Gleichzeitig wirft diese Entwicklung fundamentale Fragen auf: Wer kontrolliert diese Welten? Wer entscheidet, welche physikalischen Gesetze in ihnen gelten? Und was passiert, wenn die Grenze zwischen digitaler und physischer Realität endgültig verschwimmt?
Die räumliche Revolution der KI ist keine ferne Vision – sie beginnt jetzt. World Labs wurde Anfang 2024 mit der Überzeugung gegründet, dass fundamentale Ansätze noch etabliert werden, was dies zur definierenden Herausforderung des nächsten Jahrzehnts macht. Die Werkzeuge entstehen, die ersten Anwendungen laufen, und die Auswirkungen werden jeden Bereich unseres Lebens durchdringen.
Die Frage ist nicht mehr, ob KI räumliche Intelligenz entwickeln wird – sie tut es bereits. Die Frage ist, wie wir diese Entwicklung gestalten wollen. Wollen wir passive Konsumenten vorgefertigter digitaler Welten werden? Oder aktive Gestalter einer Zukunft, in der die Grenzen zwischen Imagination und Realität neu definiert werden?
Was meinst du: Ist räumliche Intelligenz der fehlende Baustein für wirklich intelligente KI? Oder öffnen wir gerade die Büchse der Pandora für eine noch tiefgreifendere digitale Abhängigkeit? Diskutiere mit uns in den Kommentaren – und vergiss nicht: Während wir hier über die Zukunft philosophieren, baut Fei-Fei Li sie bereits.
Dieser Artikel erschien in The Digioneer im Rahmen unserer Serie über die digitale Transformation. Die Emergentin Julie Wild beschäftigt sich mit den gesellschaftlichen Auswirkungen neuer Technologien und der Frage: Bist du bereit für die Zukunft?
Quelle: https://drfeifei.substack.com/p/from-words-to-worlds-spatial-intelligence
