Weltmodelle sind als transformierendes Paradigma in der künstlichen Intelligenz aufgetaucht, das es Agenten ermöglicht, interne Repräsentationen ihrer Umgebungen für prädiktives Denken, Planung und Entscheidungsfindung zu erstellen. Durch das Lernen latenter Dynamiken bieten Weltmodelle ein probereffizientes Framework, das besonders wertvoll in datenbeschränkten oder sicherheitskritischen Szenarien ist. In diesem Artikel präsentieren wir einen umfassenden Überblick über Weltmodelle, wobei wir deren Architektur, Trainingsparadigmen und Anwendungen in den Bereichen Vorhersage, Generierung, Planung und kausales Denken hervorheben. Wir vergleichen und unterscheiden Weltmodelle von verwandten Konzepten wie digitalen Zwillingen, dem Metaversum und Grundmodellen und klären ihre einzigartige Rolle als eingebettete kognitive Motoren für autonome Agenten. Zudem schlagen wir Wireless Dreamer vor, ein neuartiges, auf Weltmodellen basierendes Framework für verstärkendes Lernen, das für die Optimierung von drahtloser Edge-Intelligenz, insbesondere in drahtlosen Netzwerken mit niedriger Flughöhe (LAWNs), entwickelt wurde. Durch eine wetterbewusste Fallstudie zur UAV-Tragflächenplanung demonstrieren wir die Wirksamkeit unseres Frameworks zur Verbesserung der Lerneffizienz und der Entscheidungsqualität.
Zhao et al. (Sat,) haben diese Frage untersucht.