GRASP (Gradient-based Planning for World Models) ist ein Forschungsprojekt des Berkeley AI Research Lab, das sich einem grundsätzlichen Problem modellbasierter Planung widmet: Gradientenbasierte Optimierung durch gelernte Weltmodelle wird über lange Zeithorizonte zunehmend instabil. Ursachen sind schlecht konditionierte Gradienten, lokale Minima durch nicht-gierige Planungsstrukturen sowie hochdimensionale latente Repräsentationen aus visuellen Encodern, die sogenannte „State-Input"-Gradienten erzeugen, die das Signal für die eigentliche Aktionsoptimierung korrumpieren. GRASP begegnet diesen Problemen mit drei strukturellen Eingriffen: Erstens wird die Trajektorie in virtuelle Zustände „gehoben", wodurch die Optimierung parallelisiert über die gesamte Zeitachse erfolgt statt sequenziell. Zweitens wird den Zustandsiteraten direkt Stochastizität beigefügt, um bessere Exploration und Escape aus lokalen Minima zu ermöglichen. Drittens wird das Gradientensignal so umgeformt, dass Aktionen ein sauberes Lernssignal erhalten und fehleranfällige Gradienten durch hochdimensionale Vision-Modelle gezielt vermieden werden. Das Weltmodell selbst wird als differenzierbarer Simulator betrachtet – ein Markov-Modell über Zustandsübergänge, das aus gelernten latenten Repräsentationen arbeitet. Das Projekt entstand in Zusammenarbeit mit Mike Rabbat, Aditi Krishnapriyan, Yann LeCun und Amir Bar.