Generative verdensmodeller – modeller der kan forudsige og simulere verden ud fra data – er blevet en seriøs kandidat til at erstatte traditionelle simulatorer som fysik- og spilmotorer samt miljøer til reinforcement learning. Men hvor langt er de reelt? En ny systematisk undersøgelse, offentliggjort på Hugging Face, kortlægger 200 repræsentative arbejder fra 2018 til juni 2026 og vurderer dem op imod otte kernekapaciteter hos en traditionel simulator: asset-konstruktion, fysikmotor, interaktion, kontrollerbarhed, stabilitet, state feedback, diversitet og evalueringsmetrikker.
Undersøgelsen finder, at verdensmodeller allerede har opnået funktionel substitution inden for interaktion og kontrollerbarhed i specifikke scenarier. Men de halter fortsat bagefter på tre afgørende områder: formelle garantier for fysiske love, struktureret state feedback og reproducerbar langtidsevolution. Særligt state feedback – evnen til at forespørge på entiteters tilstand eller fysiske parametre under kørsel – er den mest forsømte svaghed på tværs af alle tekniske ruter: kun 6 ud af 163 implementerings-papers eksponerer et runtime-interface til dette.
Undersøgelsen identificerer seks forskningsretninger: formaliseret fysik, en samlet aktions-interface, state feedback som førsteklasses borger, langtidsstabilitet, downstream-orienteret evaluering og hybridisering af de tre tekniske ruter (latent dynamik, videogenerering og joint-embedding-prediktion).
For beslutningstagere betyder det, at verdensmodeller ikke er klar til at erstatte traditionelle simulatorer i produktionskritiske sammenhænge, hvor fysisk nøjagtighed og reproducerbarhed er afgørende – fx i robotik, autonome systemer eller spiludvikling. Men i interaktive og kontrollerbare scenarier kan de allerede være et reelt alternativ, hvilket åbner for nye anvendelser og investeringer.
