AI kan inmiddels schrijven, samenvatten en code maken. Toch begrijpt het nog weinig van hoe de fysieke wereld werkt. World models moeten dat gat dichten. Voor een sector die draait op ruimte, tijd, materiaal en risico kan dat meer veranderen dan welke chatbot ook.
Inleiding: van woorden naar werelden
De AI-golf van de afgelopen jaren is gebouwd op taal. Grote taalmodellen hebben enorme hoeveelheden tekst gelezen en zijn daardoor goed in alles wat met woorden te maken heeft. Hun kennis van de werkelijkheid is alleen tweedehands. Een taalmodel kan uitleggen waarom een kraan niet te dicht bij een talud mag staan, maar heeft geen idee hoe de grond zich gedraagt als dat toch gebeurt.
Mensen leren anders. Een kind leert dat een glas breekt door het te laten vallen, niet door erover te lezen. In ons hoofd bouwen we een model van de wereld op: als ik dit doe, gebeurt waarschijnlijk dat. Met dat interne model plannen we, schatten we risico's in en improviseren we als iets anders loopt dan verwacht.
Precies dat vermogen proberen onderzoekers nu in machines te bouwen. Ze noemen het world models. Grote spelers als Google DeepMind, NVIDIA en Meta investeren erin, net als nieuwe labs zoals General Intuition, dat het afgelopen jaar meer dan 650 miljoen dollar ophaalde. Dit artikel legt uit wat world models zijn, waarom ze ertoe doen en wat ze kunnen betekenen voor de bouw en de techniek.
Wat is een world model?
Een world model is een AI-model dat leert voorspellen hoe een omgeving verandert als gevolg van acties. Je geeft het een toestand, bijvoorbeeld een beeld van een bouwplaats, en een actie, bijvoorbeeld een graafmachine die naar links zwenkt. Het model voorspelt dan de volgende toestand.
Dat klinkt eenvoudig, maar het verschil met bestaande AI is groot:
- Een taalmodel voorspelt het volgende woord in een tekst.
- Een videogenerator voorspelt het volgende beeld in een filmpje, maar weet niet wat er gebeurt als jij ingrijpt.
- Een world model voorspelt het volgende beeld afhankelijk van wat jij of een machine doet. Het is interactief.
Omdat het model reageert op acties, kun je er als het ware in rondlopen. Je kunt het gebruiken om scenario's af te spelen voordat je ze in het echt uitvoert.
Drie bouwstenen
World models bestaan meestal uit drie onderdelen:
- Waarneming. Het model zet ruwe input (camerabeelden, sensordata, puntenwolken) om in een compacte interne voorstelling. Het hoeft niet elke pixel te onthouden, alleen wat ertoe doet: waar objecten staan, hoe ze bewegen, wat vast staat en wat los zit.
- Voorspelling. Op basis van die voorstelling en een actie voorspelt het model wat er daarna gebeurt. Goede modellen houden rekening met onzekerheid, want er zijn vaak meerdere mogelijke uitkomsten.
- Handelen. Een apart besluitvormingsdeel, vaak een action model of policy genoemd, gebruikt de voorspellingen om te kiezen welke actie het beste uitpakt. Het denkt vooruit in de simulatie voordat het in de echte wereld iets doet.
Waar het vandaan komt
Het idee is niet nieuw. In de robotica en regeltechniek wordt al decennia gewerkt met modellen van een systeem om het aan te sturen. In 2018 lieten David Ha en Jürgen Schmidhuber met hun paper World Models zien dat een AI-agent kan leren door te "dromen": oefenen in een zelfgeleerde simulatie in plaats van in de echte omgeving.
Wat nu verandert, is de schaal. Dezelfde technieken die taalmodellen groot maakten (transformers, diffusiemodellen, enorme datasets en veel rekenkracht) worden nu losgelaten op video en acties. Enkele voorbeelden:
- Google DeepMind Genie maakt speelbare, interactieve 3D-omgevingen op basis van een beeld of beschrijving.
- NVIDIA Cosmos is een platform van world foundation models, bedoeld om robots en zelfrijdende systemen te trainen met synthetische maar realistische data.
- Wayve GAIA simuleert verkeerssituaties voor de ontwikkeling van zelfrijdende auto's.
- General Intuition traint op miljarden gameclips waarbij bekend is welke toetsen een speler indrukte. Hun model MIRA laat vier spelers in real time samen spelen in een wereld die volledig door AI wordt gegenereerd.
Ook Yann LeCun, een van de grondleggers van de moderne AI, stelt al jaren dat taalmodellen alleen nooit tot echt begrip leiden en dat modellen die de fysieke wereld voorspellen de volgende stap zijn.
Waarom world models relevant zijn
1. De grens van taal
Taalmodellen weten veel, maar ze hebben de wereld nooit ervaren. Ze maken fouten bij ruimtelijk redeneren, oorzaak en gevolg en natuurkunde. Dat is geen klein schoonheidsfoutje. Voor elke toepassing waarin iets fysiek moet gebeuren, zoals een robot, een machine of een planning op een bouwplaats, is dat juist het belangrijkste.
2. Veilig oefenen
In de echte wereld is uitproberen duur en soms gevaarlijk. Een robot die leert lopen valt honderden keren om. Een autonome graafmachine die een fout maakt, raakt een kabel of erger. In een world model kan een systeem miljoenen keren oefenen zonder schade. Pas als het in de simulatie betrouwbaar werkt, gaat het de echte wereld in.
3. Data die je anders niet hebt
Sommige situaties komen zelden voor, maar zijn juist belangrijk: een bijna-ongeval, een bezwijkende bekisting, extreem weer. Echte data daarvan is schaars. Een world model kan zulke scenario's nabootsen en variëren, zodat systemen er ook op voorbereid zijn.
4. Vooruitdenken in plaats van achteraf
Het grootste verschil zit in het vermogen om te voorspellen. Huidige systemen registreren vooral wat er gebeurd is. World models kunnen laten zien wat er zou kunnen gebeuren. Daarmee verschuift de rol van AI van rapporteren naar anticiperen.
De kanttekeningen
World models staan nog aan het begin, en dat verdient eerlijkheid:
- Ze zijn niet natuurkundig exact. Ze leren patronen uit data en lossen geen vergelijkingen op. Een world model kan overtuigend laten zien hoe een balk doorbuigt, zonder dat het klopt. Voor constructieve berekeningen blijven klassieke rekenmethoden en normen leidend.
- Ze kunnen hallucineren. Net als taalmodellen kunnen ze dingen verzinnen, zeker in situaties die ver van hun trainingsdata af liggen.
- Ze zijn hongerig. Ze vragen enorme hoeveelheden data en rekenkracht. Daardoor zijn ze voorlopig vooral iets voor grote labs.
- De echte wereld is lastiger dan een game. Veel successen komen uit games of verkeer: omgevingen met duidelijke regels en veel data. Een bouwplaats is rommeliger, unieker en verandert elke dag.
Wat betekenen world models voor de bouw?
De bouw is bij uitstek een sector waarin ruimte, tijd en handelen samenkomen. Elk project is een unieke, veranderende fysieke omgeving waarin mensen, machines en materialen elkaar voortdurend beïnvloeden. Juist daar kunnen world models op termijn waarde toevoegen. Hieronder de belangrijkste richtingen, van dichtbij naar verder weg.
Van digital twin naar levend model
Veel organisaties werken al met BIM en digital twins: digitale tweelingen van gebouwen, installaties of infrastructuur. Die zijn vaak nog statisch. Ze laten zien hoe iets is ontworpen of hoe het er nu bij staat, gevoed door sensordata.
Een world model voegt daar een laag aan toe: gedrag. Waar een digital twin vertelt wat er is, kan een world model laten zien wat er gebeurt als. Wat als we de kraan hier plaatsen? Wat als de prefab elementen twee dagen later komen? Wat gebeurt er met de logistiek als deze toegangsweg dicht moet?
Het BIM-model levert de structuur (geometrie, materialen, fasering), het world model de dynamiek. Die combinatie is interessant, omdat de bouw met BIM al een rijke, gestructureerde bron heeft die veel andere sectoren missen.
Planning en logistiek op de bouwplaats
4D-planning, waarbij het BIM-model aan tijd wordt gekoppeld, bestaat al. Maar zulke planningen gaan uit van een ideaal verloop. In de praktijk lopen werkzaamheden door elkaar, staan machines in de weg en verandert het weer.
World models die getraind zijn op beelden van bouwplaatsen (dronebeelden, vaste camera's, helmcamera's) kunnen leren hoe een bouwplaats zich in werkelijkheid ontwikkelt. Daarmee kun je scenario's afspelen: welke volgorde levert de minste wachttijd op, waar ontstaan knelpunten, hoe beweegt materieel zich door de ruimte. Het verschil met een gewone simulatie is dat het model niet alleen werkt met regels die iemand heeft ingevoerd, maar leert van hoe het echt gaat.
Veiligheid: risico's zien voordat ze gebeuren
De bouw blijft een sector met relatief veel ongevallen. Veel daarvan ontstaan uit een samenloop van omstandigheden: een machine die achteruit rijdt, iemand die net in de dode hoek staat, een last die gaat slingeren.
Camerasystemen die gevaarlijke situaties herkennen, bestaan al. World models kunnen een stap verder gaan: niet alleen herkennen dat iemand in een gevarenzone staat, maar voorspellen dat een situatie de komende seconden gevaarlijk wordt. Daarnaast kun je met world models zeldzame gevaarlijke scenario's simuleren om mensen en systemen te trainen, zonder dat iemand risico loopt.
Robots en autonoom materieel
Robots op de bouwplaats zijn in opkomst: robots die boorgaten zetten, metselen, lijnen uitzetten of de voortgang scannen, en graafmachines die deels zelfstandig werken. Het grote probleem is dat een bouwplaats geen fabriekshal is. Alles verandert voortdurend en niets staat op een vaste plek.
Hier ligt waarschijnlijk de grootste impact van world models. Robots met een intern model van hun omgeving kunnen beter omgaan met onverwachte situaties. Ze kunnen bovendien eerst in een gesimuleerde bouwplaats worden getraind voordat ze de echte op gaan. NVIDIA richt zijn world models expliciet op deze vorm van physical AI.
Ontwerp en gebruik van gebouwen
Ook in de ontwerpfase kunnen world models een rol gaan spelen. Denk aan simuleren hoe mensen zich door een gebouw bewegen, hoe een ruimte in de praktijk wordt gebruikt of hoe een installatie zich gedraagt onder wisselende omstandigheden. Bestaande simulatiesoftware doet dit al voor onderdelen, maar vaak los van elkaar en met veel handwerk. Een world model kan op termijn verschillende aspecten in één voorspellend model samenbrengen.
Ook hier geldt: voor constructieve veiligheid, brandveiligheid en energieprestatie blijven gevalideerde rekenmethoden en normen leidend. Een world model is een hulpmiddel om te verkennen, geen vervanging van een berekening.
Beheer en onderhoud
In de beheerfase draait het om vooruitkijken: wanneer gaat een installatie haperen, welk onderdeel slijt het snelst, wat gebeurt er met de rest van het systeem als je ergens ingrijpt? Een world model dat getraind is op sensordata en onderhoudshistorie kan scenario's doorrekenen voordat een beheerder een beslissing neemt.
Wat de bouw zelf in handen heeft: data
Het voorbeeld van General Intuition laat iets belangrijks zien. Hun voorsprong komt niet uit een slim algoritme, maar uit een unieke dataset: miljarden gameclips waarvan bekend is welke acties erbij horen. Die data hadden ze al voordat hun AI bestond.
Daar zit een les voor de bouw. World models leren van beelden én van de acties die daarbij horen. Bouwbedrijven verzamelen al veel van die data, vaak zonder het zo te zien: dronebeelden van de voortgang, machinedata uit graafmachines en kranen, BIM-modellen met fasering, planningen, inspectierapporten en incidentmeldingen. Die gegevens liggen nu verspreid over systemen, partijen en projecten.
Wie die data structureert, koppelt en goed vastlegt (wat gebeurde er, wanneer, waarom en met welk gevolg), bouwt een fundament waarop toekomstige AI kan draaien. Dat werk heeft nu al waarde, ook los van world models.
Hoe ver weg is dit?
Een eerlijke inschatting:
- Nu: world models zijn vooral onderzoek en worden ingezet in games, verkeer en algemene robotica. Directe bouwtoepassingen zijn er nauwelijks.
- Komende jaren: de eerste toepassingen komen waarschijnlijk via robotica en autonoom materieel, omdat fabrikanten daar al zwaar in investeren. Ook simulatie voor veiligheidstraining en logistiek ligt voor de hand.
- Langere termijn: world models gekoppeld aan BIM en digital twins, zodat een gebouw of project een voorspellend model krijgt dat meegroeit van ontwerp tot beheer.
Conclusie: begin bij het fundament
World models zijn de poging om AI te laten begrijpen hoe de fysieke wereld werkt. Niet door erover te lezen, maar door te leren wat er gebeurt als je handelt. Dat is een fundamentele stap voorbij de taalmodellen die nu alle aandacht krijgen.
Voor de bouw is dat relevant, omdat de sector draait om precies wat world models proberen te vatten: ruimte, tijd, beweging en de gevolgen van beslissingen. De mogelijke opbrengst ligt in betere planning, veiligere bouwplaatsen, slimmere robots en digital twins die niet alleen laten zien wat er is, maar ook wat er kan gebeuren.
Tegelijk past nuchterheid. De technologie is jong, de modellen zijn niet natuurkundig exact en een bouwplaats is veel weerbarstiger dan een game. Wie nu belooft dat world models morgen de bouw veranderen, overdrijft.
De belangrijkste les is daarom praktisch. Straks hebben niet per se de partijen met de beste algoritmes het meeste aan world models, maar de partijen met de beste data. Gestructureerde BIM-modellen, goed vastgelegde bouwprocessen, gekoppelde machinedata en eerlijke registratie van wat er misgaat: daar begint het. Wie dat fundament nu op orde brengt, krijgt vandaag al meer grip op projecten en staat klaar zodra de technologie volwassen is.
