Waarom world modelling cruciaal is voor toekomst AI
World modelling is niet zomaar een nieuwe trend in AI, het is de volgende grote sprong. Waar traditionele AI zich baseert op tekst of beelden uit het verleden, bouwt world modelling aan een intern begrip van ruimte, tijd, fysica en actie-reactie. Daarmee wordt AI niet langer een slimme tekstgenerator, maar een agent die de wereld kan simuleren, voorspellen en beïnvloeden.
Met die mentaliteit achter AI kunnen robots leren hoe ze een vaatwasser inruimen, zelfrijdende auto’s anticiperen op een overstekend kind of virtuele werelden renderen waarin AI veilig nieuwe vaardigheden oefent. In dit artikel lees je wat world modelling precies inhoudt, waarom het relevant is en hoe een Nederlands initiatief daaraan bijdraagt.
Wat is world modelling precies?
De term ‘world model’ komt oorspronkelijk uit academisch onderzoek. In het invloedrijke artikel World Models (2018) door David Ha en Jürgen Schmidhuber beschrijven ze hoe een AI-systeem via neurale netwerken een interne, samengevatte representatie van een omgeving leert, op basis van visuele input.
In essentie bestaat een world model uit:
Een encoder / representatiemodule die beelden of observaties omzet in latente staten (latent space).
Een dynamisch model / transitiemodule die voorspelt hoe de latente staat verandert als de agent een actie uitvoert. Bijvoorbeeld: wat gebeurt er als je stuurt, remt, een object oppakt, etc.
Optioneel: een decoder / observatiemodel die latent states terugvertaalt naar beelden of observaties, zodat de agent kan ‘dromen’ of simuleren.
Een controller / policy: de beslisser, die op basis van het world model bepaalt welke actie te nemen om een doel te bereiken.
Zo kan de AI eerst intern simuleren wat er zou gebeuren bij een bepaalde actie en pas daarna handelen in de echte wereld. Dat maakt leren veel efficiënter en veiliger, zeker bij taken met fysiek risico (robotica, voertuigen, etc.).
Waarom world modelling nu relevant is
Retail- en tekst-gebaseerde AI (zoals taalmodellen) zijn ontzettend krachtig. Maar ze missen twee cruciale dingen:
Fysiek inzicht: Ze begrijpen niet automatisch dat objecten zwaartekracht, massa, ruimte en tijd kennen. Ze weten wat een glas is, maar niet dat een vallend glas kan breken.
Actie-reactie begrip: Ze kunnen tekst beschrijven, maar niet voorspellen wat er gebeurt als iets verandert, bijvoorbeeld als je een steen van tafel duwt of een deur open gooit.
World modelling verandert dat. AI krijgt de kans om virtuele werelden te bouwen, te experimenteren, fouten te maken, en te leren, zonder echte schade. Dat helpt vooral bij robotica, zelfrijdende voertuigen, simulatie, games en complexe omgevingen met veel variabelen.
World models zijn cruciaal om helemaal richting ‘generally intelligent’ AI te gaan
Een world model is slechts zo goed als de data waarop hij traint. Om een model te leren hoe de wereld werkt (fysica, interactie, tijd, actie-reactie), heb je video’s nodig waarin niet alleen wordt vastgelegd wat er gebeurt, maar ook hoe. Wat deed de agent? Welke knop werd ingedrukt? welke beweging werd gemaakt?
Dat is zeldzaam. Veel video-data (bijv. YouTube) toont alleen beelden, zonder input. Dan zie je misschien een auto rijden, maar niet hoe het stuur gedraaid werd, wanneer er geremd werd, etc. Zonder die input mist de AI cruciale informatie over oorzaak en gevolg.
Daarom is hoogwaardige, multimodale data (beeld plus actie-input) essentieel. Met zulke data kan de wereld gesimuleerd worden. Het model ‘weet’ niet alleen wat er gebeurt, maar ook waarom en wat de gevolgen zijn.
Het belang van dergelijke datasets blijkt uit de revisie van world-model onderzoek. Recent werk zoals Masked Generative Priors Improve World Models Sequence Modelling Capabilities (2024) laat zien dat nieuwe architecturen (Transformer-based world models) veel beter presteren bij RL-taken, mits ze adequate data hebben.
Daarnaast pleiten wetenschappers ervoor dat een world model niet enkel een statisch simulatiemiddel is, maar een adaptief, interpreteerbaar instrument. Dus een ‘AI-geest’ die fysica, causaliteit en logisch redeneren combineert.
Nederlands initiatief: Medal.tv van General Intuition
Daarom springt het Nederlandse initiatief van Pim de Witte eruit. De Witte maakte met zijn platform Medal.tv jarenlang gamers-video’s, waarin niet alleen het beeld wordt vastgelegd, maar ook de exacte input van hun controllers. Volgens recent nieuws gebruikte zijn nieuwe bedrijf General Intuition deze data om AI te trainen.
In oktober 2025 haalde General Intuition ongeveer 115 miljoen euro aan seed-investering op. Dat is een uitzonderlijk hoog bedrag en het onderstreept het geloof van investeerders in de kracht van gamedata als trainingsgrondstof. Burgers kunnen straks robotica, simulatie en AI-agents trainen met data die hier in Europa is verzameld.
Juist die combinatie van realistische beelden in combinatie met controller-input maakt Medal.tv-data bijzonder geschikt voor world modelling. Of zoals Alexander Klöpping het verwoordt: “dit is de brandstof die nodig is om de volgende generatie AI te trainen”. Dat maakt het initiatief strategisch. Niet alleen voor AI-innovatie, maar voor Europese data-soevereiniteit en technologische autonomie.
Kritiek en uitdagingen
World modelling is veelbelovend, maar het concept kent ook serieuze uitdagingen. In het recente essay Critiques of World Models (2025) wijzen auteurs op fundamentele vragen. Wat is überhaupt een wereldmodel? Kun je wel een representatie bouwen die ‘alles wat relevant is’ bevat? En hoe meet je of zo’n model generalistisch genoeg is om echte wereldcomplexiteit vast te leggen?
World models adaptief, hiërarchisch en gecombineerd met symbolisch of causaal laten redeneren
Een world model is bovendien nooit perfect. Er is altijd sprake van vereenvoudiging. Hoe meer je abstraheert, hoe sneller je model. Maar hoe complexere fysieke of sociale realiteit, hoe groter de kans op fouten. Daarom pleiten sommige onderzoekers ervoor dat world models niet statisch blijven, maar adaptief, hiërarchisch en gecombineerd met symbolisch of causaal redeneren.
Handelen in 3D-wereld
World modelling brengt AI van tekst en statische beelden naar de echte wereld, met fysica, tijd, acties en consequenties. Het is de optie om AI te maken die begrijpt, redeneert en handelt in een 3D-wereld.
Met de data van Medal.tv en de visie van General Intuition neemt Nederland misschien een voorhoederol. Daarmee kunnen we niet alleen meedoen met de wereldtop, maar mee bepalen hoe de digitale toekomst eruit ziet, met Europese waarden, talent en grondstof.
Het idee dat AI-ontwikkeling alleen in Silicon Valley gebeurt, is achterhaald. Dankzij initiatieven als deze, kunnen we bouwen aan een Europese AI-toekomst, met wereldmodellen die onze wereld echt leren kennen.
World modelling: AI’s volgende grote sprong
Waarom world modelling cruciaal is voor toekomst AI
World modelling is niet zomaar een nieuwe trend in AI, het is de volgende grote sprong. Waar traditionele AI zich baseert op tekst of beelden uit het verleden, bouwt world modelling aan een intern begrip van ruimte, tijd, fysica en actie-reactie. Daarmee wordt AI niet langer een slimme tekstgenerator, maar een agent die de wereld kan simuleren, voorspellen en beïnvloeden.
Met die mentaliteit achter AI kunnen robots leren hoe ze een vaatwasser inruimen, zelfrijdende auto’s anticiperen op een overstekend kind of virtuele werelden renderen waarin AI veilig nieuwe vaardigheden oefent. In dit artikel lees je wat world modelling precies inhoudt, waarom het relevant is en hoe een Nederlands initiatief daaraan bijdraagt.
Wat is world modelling precies?
De term ‘world model’ komt oorspronkelijk uit academisch onderzoek. In het invloedrijke artikel World Models (2018) door David Ha en Jürgen Schmidhuber beschrijven ze hoe een AI-systeem via neurale netwerken een interne, samengevatte representatie van een omgeving leert, op basis van visuele input.
In essentie bestaat een world model uit:
Zo kan de AI eerst intern simuleren wat er zou gebeuren bij een bepaalde actie en pas daarna handelen in de echte wereld. Dat maakt leren veel efficiënter en veiliger, zeker bij taken met fysiek risico (robotica, voertuigen, etc.).
Waarom world modelling nu relevant is
Retail- en tekst-gebaseerde AI (zoals taalmodellen) zijn ontzettend krachtig. Maar ze missen twee cruciale dingen:
World modelling verandert dat. AI krijgt de kans om virtuele werelden te bouwen, te experimenteren, fouten te maken, en te leren, zonder echte schade. Dat helpt vooral bij robotica, zelfrijdende voertuigen, simulatie, games en complexe omgevingen met veel variabelen.
In een recent essay World Models in Artificial Intelligence: Sensing, Learning, and Reasoning Like a Child (2025) stellen de auteurs dat om AI te laten ‘redeneren’, zoals een kind dat doet, je voortbouwt op world models, met fysica-bewustzijn, causaliteit, en adaptief leren.
In de populaire pers en tech-wereld ontstaat opnieuw interesse: volgens recente berichten is world modelling “the key to the next big AI leap”. Bovendien investeren grote spelers volop in deze richting. Google DeepMind, samen met andere toonaangevende AI-labs, ziet world models als cruciaal om helemaal richting ‘generally intelligent’ AI te gaan.
Nut en noodzaak van goed trainingsmateriaal
Een world model is slechts zo goed als de data waarop hij traint. Om een model te leren hoe de wereld werkt (fysica, interactie, tijd, actie-reactie), heb je video’s nodig waarin niet alleen wordt vastgelegd wat er gebeurt, maar ook hoe. Wat deed de agent? Welke knop werd ingedrukt? welke beweging werd gemaakt?
Dat is zeldzaam. Veel video-data (bijv. YouTube) toont alleen beelden, zonder input. Dan zie je misschien een auto rijden, maar niet hoe het stuur gedraaid werd, wanneer er geremd werd, etc. Zonder die input mist de AI cruciale informatie over oorzaak en gevolg.
Daarom is hoogwaardige, multimodale data (beeld plus actie-input) essentieel. Met zulke data kan de wereld gesimuleerd worden. Het model ‘weet’ niet alleen wat er gebeurt, maar ook waarom en wat de gevolgen zijn.
Het belang van dergelijke datasets blijkt uit de revisie van world-model onderzoek. Recent werk zoals Masked Generative Priors Improve World Models Sequence Modelling Capabilities (2024) laat zien dat nieuwe architecturen (Transformer-based world models) veel beter presteren bij RL-taken, mits ze adequate data hebben.
Daarnaast pleiten wetenschappers ervoor dat een world model niet enkel een statisch simulatiemiddel is, maar een adaptief, interpreteerbaar instrument. Dus een ‘AI-geest’ die fysica, causaliteit en logisch redeneren combineert.
Nederlands initiatief: Medal.tv van General Intuition
Daarom springt het Nederlandse initiatief van Pim de Witte eruit. De Witte maakte met zijn platform Medal.tv jarenlang gamers-video’s, waarin niet alleen het beeld wordt vastgelegd, maar ook de exacte input van hun controllers. Volgens recent nieuws gebruikte zijn nieuwe bedrijf General Intuition deze data om AI te trainen.
In oktober 2025 haalde General Intuition ongeveer 115 miljoen euro aan seed-investering op. Dat is een uitzonderlijk hoog bedrag en het onderstreept het geloof van investeerders in de kracht van gamedata als trainingsgrondstof. Burgers kunnen straks robotica, simulatie en AI-agents trainen met data die hier in Europa is verzameld.
Juist die combinatie van realistische beelden in combinatie met controller-input maakt Medal.tv-data bijzonder geschikt voor world modelling. Of zoals Alexander Klöpping het verwoordt: “dit is de brandstof die nodig is om de volgende generatie AI te trainen”. Dat maakt het initiatief strategisch. Niet alleen voor AI-innovatie, maar voor Europese data-soevereiniteit en technologische autonomie.
Kritiek en uitdagingen
World modelling is veelbelovend, maar het concept kent ook serieuze uitdagingen. In het recente essay Critiques of World Models (2025) wijzen auteurs op fundamentele vragen. Wat is überhaupt een wereldmodel? Kun je wel een representatie bouwen die ‘alles wat relevant is’ bevat? En hoe meet je of zo’n model generalistisch genoeg is om echte wereldcomplexiteit vast te leggen?
Een world model is bovendien nooit perfect. Er is altijd sprake van vereenvoudiging. Hoe meer je abstraheert, hoe sneller je model. Maar hoe complexere fysieke of sociale realiteit, hoe groter de kans op fouten. Daarom pleiten sommige onderzoekers ervoor dat world models niet statisch blijven, maar adaptief, hiërarchisch en gecombineerd met symbolisch of causaal redeneren.
Handelen in 3D-wereld
World modelling brengt AI van tekst en statische beelden naar de echte wereld, met fysica, tijd, acties en consequenties. Het is de optie om AI te maken die begrijpt, redeneert en handelt in een 3D-wereld.
Met de data van Medal.tv en de visie van General Intuition neemt Nederland misschien een voorhoederol. Daarmee kunnen we niet alleen meedoen met de wereldtop, maar mee bepalen hoe de digitale toekomst eruit ziet, met Europese waarden, talent en grondstof.
Het idee dat AI-ontwikkeling alleen in Silicon Valley gebeurt, is achterhaald. Dankzij initiatieven als deze, kunnen we bouwen aan een Europese AI-toekomst, met wereldmodellen die onze wereld echt leren kennen.