Verdensmodeller, også kjent som verdenssimulatorer, dukker opp som en lovende utvikling innen AI. AI-pioneren Fei-Fei Lis World Labs har samlet inn 230 millioner dollar for å skape store verdensmodeller, og DeepMind har ansatt skaperen av Sora for å fokusere på lignende teknologi. Disse modellene er inspirert av de underbevisste mentale modellene som mennesker bruker for å forstå verden, som beskrevet av forskerne David Ha og Jürgen Schmidhuber. For eksempel forutsier baseball-slåere ballens bane instinktivt, og stoler på interne modeller fremfor bevisst planlegging. Verdensmodeller har vunnet popularitet på grunn av deres potensial i generative videoprogrammer. Nåværende AI-genererte videoer havner ofte i det ukjente terrenget kjent som "uncanny valley", men verdensmodeller kan forbedre dette ved å forstå hvorfor objekter oppfører seg som de gjør. De trenes på variert data for å utvikle interne representasjoner av dynamiske virkeligheter.

Som Alex Mashrabov fra Higgsfield forklarer, forstår en sterk verdensmodell objektadferd, noe som eliminerer kjedelige manuelle innspill. Utover videoproduksjon har verdensmodeller lovende utsikter for avansert prognostisering og planlegging, som foreslått av Metas AI-sjef Yann LeCun. For eksempel kan en verdensmodell planlegge handlinger for å rydde et rom ved å bruke dypere resonnement fremfor mønstergjenkjenning. Til tross for dette potensialet er det betydelige tekniske utfordringer. Verdensmodeller krever enorm datakraft og er utsatt for skjevheter i treningsdataen. I tillegg står de overfor utfordringer som nøyaktig simulering av ulike scenarier. Hvis disse problemene løses, kan verdensmodeller vesentlig knytte AI nærmere virkelige applikasjoner, og forbedre både skapelsen av virtuelle verdener, robotikk og AI-beslutningstaking. De kan gi roboter større bevissthet om deres miljø, og forbedre deres evner til å navigere og samhandle med den virkelige verden.