Physische KI: Wie Roboter über einstudierte Bewegungen hinausgehen

Physical AI bezeichnet die intelligente Software, die es Robotern ermöglicht, die physische Welt wahrzunehmen, zu verstehen und in ihr zu handeln – abgegrenzt vom humanoiden Formfaktor. Humanoide Roboter führen zwar oft beeindruckende einstudierte Vorführungen durch, ihnen fehlt jedoch die Fähigkeit, sich an wechselnde Bedingungen anzupassen. Die Branche bewegt sich weg vom Training eines einzigen massiven End-to-End-Modells hin zu einem agentenbasierten Ansatz, bei dem mehrere spezialisierte Modelle unterschiedliche Modalitäten (Sehen, Sprache, Handeln) übernehmen und unabhängig voneinander aktualisiert werden können. Lernen bleibt ein Engpass: Es gibt keine großflächigen Datensätze wie bei großen Sprachmodellen, und Methoden wie das Lernen aus Videos erfordern weiterhin zusätzliche Annotationen. Sehen ist der am weitesten entwickelte sensorische Kanal, wobei Vision-Language-Action-Modelle (VLA) vortrainierte Bilderkennungs-Encoder nutzen und Bilder wie Text tokenisieren. Sprache dient als universelle Schnittstelle, die es ermöglicht, dass hochrangige Anweisungen von übergeordneten Planern heruntergebrochen werden. Taktile Wahrnehmung gilt als entscheidend für Aufgaben, die präzise Manipulation erfordern, da Sehen nicht ausreicht, sobald ein Objekt gegriffen ist; die Forschung untersucht künstliche Haut, doch aktuelle Roboter verwenden Kraftsensoren. Propriozeption – das Wissen über den eigenen Körperzustand des Roboters – ist ein weiterer wesentlicher Kanal, der Encoder, Trägheitsmessgeräte und Drehmomentsensoren nutzt. Menschliche Geschicklichkeit und Anpassungsfähigkeit zu erreichen bleibt ein fernes Ziel, aber agentische Architekturen und inkrementelle Verbesserungen gelten als praktikabler Weg nach vorn.