Ziel des Vorhabens „VideoPredict“ ist es, die Kausalität der Geschehnisse zu modellieren, die aufeinander folgende Szenen bedingen. Dabei lernt das Modell grundlegende Ursachen für Ereignisse und kann dann die Folgen vorhersagen. Dafür wird ein neuronales Netzwerk konstruiert, das visuelle Eindrücke in einzelne Komponenten aufteilt. Genauso wie es im menschlichen Gehirn passiert. Bei der Informationsverarbeitung im Gehirn wird das „Wo“ und das „Was“ eines Objekts getrennt in zwei parallelen verarbeitet. Das heißt die räumliche Wahrnehmung und die Erkennung des Objekts werden aufgeteilt. Das zu entwickelnde Modell operiert nach dem gleichen Prinzip. Die Erkennung eines Objektes wird von der Verarbeitung seiner Bewegung getrennt und erst später wieder zusammengeführt, um die Szene zu rekonstruieren. Die Vorhersage der Objektbewegungen gelingt dann, indem die Bewegung nicht in ihrer Gesamtheit von Start- zu Endpunkt berechnet wird, sondern in Teilschritte zerlegt wird. Ein Modell kann diese Zwischenpunkte in einer langen Bewegung viel leichter lernen, weil die Unsicherheit darüber, was als Nächstes passiert, nicht so groß ist.