Runway-CEO: KI-Video war nur das Vorspiel zu World Models
Cristóbal Valenzuela argumentiert, Text-zu-Video sei eine Übergangsfähigkeit — das eigentliche Ziel sei die Simulation einer persistenten Welt mit konsistenter Physik.
Wenn das stimmt, verschiebt sich das Handwerk vom Prompten eines Shots zur Regie innerhalb einer Szene: Blocking, Kamera und Continuity werden wieder verfügbar, statt Dinge zu sein, die man dem Modell abringt. Das ist eine Rückkehr zu etwas, das klassischem Filmemachen sehr nahekommt — gute Nachrichten für alle, die es ohnehin beherrschen.
Wenn der CEO eines der bekanntesten KI-Video-Unternehmen KI-Video als Vorspiel bezeichnet, ist das eine Aussage darüber, wohin das Unternehmen sein Geld lenken will. Cristóbal Valenzuelas Auftritt im Equity-Podcast von TechCrunch rahmt Text-zu-Video als Zwischenschritt zu etwas anderem – mit Folgen für alle, die ihre Arbeit gerade um heutige Clip-Generatoren herum aufbauen.
Die Episodennotizen von TechCrunch umreißen das Feld, nicht die vollständige Argumentation. Runway habe knapp 860 Millionen USD bei einer Bewertung von 5,3 Milliarden eingesammelt und dränge in allgemeine World Models mit Anwendungen in Gaming, Robotik und womöglich etwas, das allgemeiner Intelligenz näherkommt. Das Gespräch behandelt, warum Valenzuela meint, die eigentliche Grenze des Filmemachens sei nie die Technik gewesen; wie Runway World Models anders denkt als Google und andere Labs; was er „nichtlineare Medien“ nennt; warum Echtzeit-Videogenerierung Anwendungen weit jenseits der Content-Produktion eröffnet; und seine Ansicht, KI-Begleiter seien nicht per se dystopisch. Seine Antworten im Detail gibt die Episodenseite nicht wieder; die Substanz hier stützt sich auf diese Themen und auf das, was Runway tatsächlich veröffentlicht hat.
Diese Veröffentlichungen geben der Idee eine konkrete Form. GWM-1 arbeitete im Dezember 2025 mit Frame-für-Frame-Vorhersage und einem internen Physikverständnis; GWM Worlds 2 streamte im September durchgehend 720p-Video mit 24 fps, gesteuert über Textaktionen und Kamerabewegung – wobei Runway selbst die Grenzen nannte: nachlassende Details bei schnellen Kameraschwenks und unvollkommenes Langzeitgedächtnis. Genau das ist der praktische Unterschied zwischen Clip und Welt. Ein Clip muss nur für seine Dauer stimmen; eine Welt muss sich merken, dass eine Tür offen stand, dass eine Figur eine Tasse hielt und wo die Sonne stand, wenn die Kamera zurückschwenkt.
Für Filmemacher:innen lässt sich diese Unterscheidung direkt aufs Handwerk übertragen. Wenn eine Szene Bestand hat, werden Blocking und Auflösung wieder möglich: Man kann eine Kamera setzen, bewegen, auf den Gegenschuss schneiden und erwarten, dass der Raum hält. Das ähnelt eher den Workflows aus virtueller Produktion und Previs, die bereits auf Game-Engines laufen, als dem Prompten – und es würde Leute begünstigen, die ohnehin in Blickachsen, Continuity und Brennweiten denken. Die Idee nichtlinearer Medien weist in die andere Richtung, hin zu Werken, die erkundet statt angeschaut werden. Das liegt näher an Games als am Film und bräuchte andere Deliverables, Abnahmeprozesse und Rechtestrukturen.
Die Einschränkungen sind real. Persistenz ist genau das, woran heutige Systeme scheitern – wie die Forschung von NVIDIA und Princeton zu adressierbarem Speicher im August zeigte: World Models verlieren frühere Szenen aus dem Blick, sobald ein Durchlauf länger dauert als ihre Trainingslänge. Der Begriff selbst ist ungeklärt, weshalb ein Paper im Juli eine Definition und Roadmap versuchte. Und die Konkurrenz ist massiv: Googles Genie 4 verdoppelte im Oktober die Szenenkonsistenz auf zwei Minuten, AMD vereinbarte im September die Übernahme von World Labs für 8,2 Milliarden USD. Ob ein World Model einen fertigen Frame liefern kann statt einer begehbaren Skizze, ist die Frage, die man verfolgen sollte.