KI trifft Spielwelt: Können Videos bald auf unsere Befehle hören?
Wie Odyssey KI und Interaktivität vereint
Das Start-up Odyssey zeigt mit seiner neuen Demo, was passiert, wenn künstliche Intelligenz auf Echtzeitinteraktion trifft. Anders als klassische Videos sind diese Inhalte nicht fest vordefiniert – sie verändern sich dynamisch auf Basis von Nutzereingaben. Gesteuert werden kann mit Tastatur, Gamepad oder Smartphone. Hinter dem Ganzen steckt ein autoregressives „Weltmodell“, das nach jedem Input einen neuen Weltzustand generiert – basierend auf bisherigen Ereignissen und aktuellen Nutzeraktionen.
Von Bildabfolge zu Erlebniswelt
Odyssey geht damit einen Schritt weiter als bisherige Videotechnologien: Das KI-System reagiert nicht nur Bild für Bild, sondern strebt langfristig an, ganze Umgebungen zu simulieren, die sich nicht mehr von echten Videos unterscheiden lassen. Potenzielle Einsatzbereiche reichen von Unterhaltung über Bildung bis hin zu Marketing. Das Besondere daran: Diese Welten könnten als Trainingsumgebungen für agentische KI dienen – also KI-Systeme, die durch eigene Erfahrungen lernen und sich autonom in komplexen Szenarien verhalten.
Stabil, aber noch eingeschränkt
Die aktuelle Demo ist laut Odyssey zwar noch instabil, verdeutlicht aber das enorme Potenzial. Um eine gewisse Bildkonsistenz zu gewährleisten, setzt das Team auf ein „Narrow Distribution Model“ – also ein bewusst eingeschränktes Trainingsmaterial. Dadurch wird zwar die Bewegungsfreiheit limitiert (kein freies Umsehen nach oben oder unten), aber die Darstellung bleibt stabiler und konsistenter.
Für die Echtzeitverarbeitung erzeugt ein speziell trainiertes Diffusionsmodell alle 40 Millisekunden ein neues Frame, das über leistungsstarke H100-GPU-Cluster an die Nutzer gestreamt wird. Die Latenz liegt bei nur 40 Millisekunden – ein beeindruckender technischer Meilenstein. Die Betriebskosten pro Nutzerstunde sind aktuell noch bei 1 bis 2 US-Dollar, sollen aber weiter sinken.
Was kommt als Nächstes?
Odyssey arbeitet bereits an einer weiterentwickelten Version mit höherer Generalisierung. Erste Tests zeigen verbesserte Bewegungsmuster, mehr Vielfalt in der Darstellung und realistischere Interaktionen.