Yann LeCun, Turing Award-vinder og en af verdens mest indflydelsesrige AI-forskere, har netop rejst 1,03 milliarder dollars til sit nye selskab AMI Labs. Missionen? At bygge AI, der forstår den fysiske verden, ikke bare tekst.
Det nye paradigme hedder world models, og det udfordrer fundamentalt den LLM-dominerede tilgang, som har præget AI-industrien de seneste år. For danske virksomheder inden for produktion, logistik og industri kan world models åbne døre, som sprogmodeller aldrig kunne. Her er, hvad du skal vide.
World models er en ny type AI-arkitektur, der lærer at forstå den fysiske verden ved at observere den. Hvor en stor sprogmodel forudsiger det næste ord i en sætning, forsøger en world model at forudsige, hvad der sker næste gang i et fysisk miljø. Tænk: tyngdekraft, bevægelse, materialeegenskaber og årsag-virkning-sammenhænge.
Kernen i AMI Labs' tilgang er JEPA (Joint Embedding Predictive Architecture), som LeCun først foreslog i 2022. I modsætning til transformers, der driver GPT og lignende modeller, forsøger JEPA ikke at rekonstruere hvert eneste detalje af virkeligheden. I stedet lærer arkitekturen at forudsige i et abstrakt repræsentationsrum, hvor den fokuserer på de mønstre, der virkelig betyder noget, og ignorerer uforudsigelige detaljer.
LeCun har selv beskrevet målet som at bygge "en abstrakt digital tvilling af virkeligheden, som en AI kan bruge til at forstå verden, forudsige konsekvenserne af sine handlinger og planlægge derefter." Det er et fundamentalt anderledes mål end at generere tekst eller billeder.
For at forstå hvorfor dette er så vigtigt, kan du tænke på det sådan: Når du kaster en bold, ved du intuitivt, hvor den lander. Du behøver ikke beregne luftmodstand, tyngdekraft og vindhastighed. Din hjerne har en intern model af fysikken, der lader dig forudsige resultatet. LLM'er har ingen sådan model. De kan skrive en perfekt fysikopgave, men de forstår ikke, hvad tyngdekraft faktisk gør. World models forsøger at give AI netop denne forståelse, og det åbner for anvendelser, som sprogbaseret AI simpelthen ikke kan løse.
AMI Labs lukkede sin seed-runde på 1,03 milliarder dollars den 10. marts 2026 med en værdiansættelse på 3,5 milliarder dollars. Blandt investorerne er Nvidia, Toyota, Samsung, Bezos Expeditions og en række prominente tech-profiler som Jeff Bezos, Eric Schmidt og Mark Cuban. Det er Europas største seed-runde nogensinde, og signalet er tydeligt: markedet tror på, at AI's næste store spring handler om at forstå fysik, ikke bare sprog.
Det er værd at bemærke, at Toyota og Samsung ikke er tilfældige investorer. Begge virksomheder har massive behov inden for robotik, produktion og autonome systemer, som LLM'er ikke kan løse. Toyotas investering signalerer, at bilindustrien ser world models som en nøgleteknologi til næste generation af selvkørende biler og robotiserede fabrikker. Og Nvidias deltagelse sikrer, at AMI Labs får adgang til den computerkraft, der er nødvendig for at træne modeller, der forstår fysikkens love i enorm skala.
World models er ikke kun akademisk teori. Der er allerede konkrete anvendelsesområder, som er særligt relevante for danske virksomheder med fysiske operationer. Og det er netop her, at Danmark har en unik position: Vi har en stærk industrisektor, høj digitaliseringsgrad og et arbejdsmarked, der i stigende grad kræver intelligent automatisering.
Det første og mest oplagte use case er digitale tvillinger på et helt nyt niveau. I dag bygger mange produktionsvirksomheder digitale tvillinger af deres fabrikker og processer, men disse modeller er typisk statiske og regelbaserede. Med world models kan en digital tvilling lære at forudsige, hvordan maskiner opfører sig under forskellige forhold, forudse nedbrud og optimere processer i realtid. For en dansk produktionsvirksomhed kan det betyde, at jeres digitale tvilling ikke bare viser, hvordan fabrikken ser ud lige nu, men aktivt forudsiger problemer, før de opstår, og foreslår optimeringer baseret på en dyb forståelse af de fysiske processer.
Det andet use case er kvalitetskontrol og inspektion. En world model, der forstår materialeegenskaber og fysiske processer, kan identificere fejl og afvigelser langt mere præcist end traditionel computer vision. Hvor et klassisk billedgenkendelsessystem kun ser, om et produkt ligner et fejlfrit eksemplar, kan en world model forstå hvorfor en bestemt defekt er opstået, og forudsige, hvilke andre produkter i samme batch der kan være påvirket. Fujitsu har allerede lanceret en AI-platform, der bruger digital twin-teknologi og reinforcement learning til at simulere millioner af potentielle forstyrrelsesscenarier i forsyningskæder.
Det tredje område er logistik og forsyningskædeoptimering. Over 65% af logistikvirksomheder bruger allerede AI, men de fleste systemer er stadig baseret på historisk data og statistiske modeller. World models kan forstå, hvordan fysiske objekter interagerer i et lager eller en produktionslinje, og dermed optimere ruteplanlægning, lagerstyring og robotkoordinering på en fundamentalt smartere måde. Amazon har for eksempel deployeret over en million robotter med sin DeepFleet AI-model, der koordinerer robotbevægelser på tværs af hele deres fulfillment-netværk og forbedrer flådeeffektiviteten med 10%.
For danske logistik- og transportvirksomheder er perspektiverne enorme. Geopolitiske spændinger og sårbare forsyningskæder har gjort det tydeligere end nogensinde, at virksomheder har brug for AI, der kan reagere på fysiske forstyrrelser i realtid. En world model, der forstår, hvordan varer bevæger sig gennem et logistiknetværk, kan simulere hundredtusindvis af scenarier og finde optimale ruter og lagerniveauer, selv når forholdene ændrer sig pludseligt. Det er en kapacitet, som regelbaserede systemer og simple prognosemodeller aldrig kan matche.
Fælles for alle tre use cases er, at de kræver en AI, der forstår fysik, ikke bare statistik. Og det er præcis dér, world models skiller sig ud fra generativ AI og traditionelle machine learning-modeller. Ifølge Deloittes Tech Trends 2026-rapport er warehousing og forsyningskædeoperationer de tidligste adoptanter af fysisk AI, primært drevet af presset på arbejdsmarkedet og behovet for mere fleksible operationer. Danske virksomheder, der allerede opererer i et højt lønmiljø med stigende automatiseringsbehov, er dermed naturlige kandidater til at drage fordel af denne teknologi.
Selvom world models stadig er i en tidlig fase, er det vigtigt at forstå paradigmeskiftet allerede nu. Vi har set det før med cloud computing, med mobil og med LLM'er: De virksomheder, der begynder at eksperimentere tidligt, opbygger en kompetencefordel, som konkurrenterne ikke kan indhente, når teknologien modnes. Teknologisk Institut rapporterer, at 84% af danske produktionsvirksomheder ser potentiale i AI, men kun implementerer det i begrænset omfang. Den største barriere er manglende viden og kompetencer, ifølge 62% af virksomhederne.
World models gør denne kompetencekløft endnu mere relevant. De virksomheder, der allerede investerer i AI readiness, datakvalitet og digital twin-initiativer, vil være bedst positioneret, når teknologien modnes. AMI Labs forventer at begynde kommercielle partnerskaber inden for 1-2 år og levere bredt anvendelige systemer inden for 3-5 år.
Et centralt spørgsmål er, hvordan world models påvirker jeres eksisterende tech-stack. Hvis I bruger AI til kundekommunikation, tekstanalyse eller RAG-baserede vidensystemer, skal I fortsætte med det. World models erstatter ikke disse løsninger, men de tilføjer et helt nyt lag af intelligens til operationelle processer. Tænk på det som forskellen mellem at have en AI, der kan læse jeres vedligeholdelsesrapporter, og en AI, der faktisk kan forudsige, hvornår jeres maskiner har brug for service, baseret på deres faktiske fysiske tilstand.
Det vigtigste budskab er, at world models ikke erstatter jeres eksisterende AI-investeringer. Den mest lovende tilgang kombinerer foundation models og deep learning med world models, så sprogmodeller håndterer tekst, analyse og kommunikation, mens world models overtager opgaver, der kræver fysisk forståelse.
Ny forskning i LLM-JEPA-hybridmodeller viser, at fremtiden sandsynligvis ikke handler om enten/eller, men om at kombinere begge arkitekturer. Forestil dig et system, hvor en LLM analyserer jeres kundehenvendelser og salgsdata, mens en world model samtidig optimerer jeres produktionslinje og forudsiger vedligeholdelsesbehov. Den type integreret AI-platform er netop, hvad de største tech-virksomheder arbejder hen imod, og det er her, at en solid AI-strategi virkelig betaler sig.
Du behøver ikke vente på, at AMI Labs lancerer sit første produkt, for at handle. Der er konkrete skridt, du kan tage allerede i dag for at positionere din virksomhed til den næste bølge af AI. Start med at investere i jeres datainfrastruktur. World models kræver rige, strukturerede data om fysiske processer, og de virksomheder, der allerede indsamler sensor-, video- og IoT-data fra deres operationer, vil have et enormt forspring. Hvis I endnu ikke har sensorer på jeres produktionslinjer, er det nu, I skal begynde at udrulle dem. Data er brændstoffet for world models, og jo mere kontekstuelle fysiske data I har, desto mere værdifulde bliver jeres fremtidige AI-løsninger.
Byg videre på jeres AI roadmap. Hvis I allerede arbejder med prædiktiv analyse eller digitale tvillinger, er I godt på vej. World models er en naturlig forlængelse af disse initiativer, og de kompetencer, I opbygger nu, vil være direkte overførbare. Overvej også at etablere samarbejder med universiteter og forskningsinstitutioner. Smart Industri 2026-konferencen viser, at danske produktionsvirksomheder i stigende grad bruger digitalisering til at skabe robusthed i deres operationer og forsyningskæder, og world models passer perfekt ind i denne udvikling.
Prioritér AI literacy i organisationen. Danmarks Statistik viser, at hver fjerde dansk virksomhed allerede bruger kunstig intelligens, men forståelsen af nye paradigmer som world models er stadig lav. Sørg for, at jeres tekniske ledere og beslutningstagere forstår forskellen på LLM-baseret AI og fysisk AI, så I kan træffe informerede valg om jeres teknologiinvesteringer. Det behøver ikke være kompliceret: Start med at følge udviklingen hos AMI Labs og andre world model-aktører, deltag i brancheevents som Smart Industri 2026, og sørg for, at jeres AI-team har mandat til at eksperimentere med nye teknologier, før de bliver mainstream.
Endelig bør du holde øje med EU AI Act og regulering af fysisk AI. World models, der styrer robotter og produktionsprocesser, falder potentielt i en anden risikokategori end chatbots og tekstgeneratorer. Sørg for, at jeres AI governance-framework er bredt nok til at dække fysisk AI, så I undgår overraskelser, når regulering og teknologi mødes.
World models er ikke science fiction. Med 1,03 milliarder dollars i ryggen, backing fra Nvidia og Toyota, og en Turing Award-vinder ved roret er det et paradigme, der fortjener en plads på jeres strategiske radar. De virksomheder, der forstår skiftet tidligt, vil have en afgørende konkurrencefordel, når teknologien rammer mainstream. Spørgsmålet er ikke, om world models bliver relevante for jeres branche, men hvornår. Og den bedste tid at forberede sig er nu.