Physical AI Vom Chatbot zum Cobot: Adaptive Roboter per VLA-Modell trainieren

Roboter können mittlerweile ohne KI-Spezialwissen trainiert werden: Vision-Language-Action-Modelle und offene Software-Tools senken die Einstiegshürden für Physical AI drastisch. Wie das Zusammenspiel von Modellen und Edge-Hardware in der Praxis gelingt.

Ob automatisierte Code-Generierung, Rechtsberatung oder Kundenservice, KI-Chatbots und Large Language Models (LLMs) haben effizient Einzug in softwaregestützte Prozesse gehalten. Doch der Großteil der globalen Wertschöpfung findet nicht auf Monitoren statt, sondern in der physischen Welt: in Fabrikhallen, Logistikzentren und Operationssälen. Genau hier setzt "Physical AI" an. Während Algorithmen im Cloud-Rechenzentrum lediglich Datenmuster auswerten, verlangt Physical AI, dass Modelle auf kompakten Edge-Geräten und unter strengen Latenzvorgaben motorische Handlungen in der echten Welt orchestrieren.

Hier stößt die reine Cloud-KI aufgrund von Latenzen, Datenschutzanforderungen und mangelnder Echtzeitfähigkeit an ihre Grenzen. Welche Lösungsansätze die Industrieautomation hier benötigt, erläuterte Guy Tamir, Technology Evangelist bei Intel, im Rahmen einer Fachpräsentation des Halbleiterherstellers. Um diesen Flaschenhals zu überwinden, möchte Intel sich als technologischer Enabler positionieren, der die notwendige KI-Rechenleistung aus dem Rechenzentrum direkt an die sogenannte Edge bringt. Und zwar nicht nur mit den entsprechenden Prozessoren, wie den Core-Ultra-Serien, sondern auch mit speziell abgestimmten, quelloffenen Software-Ökosystemen. Mit der Robotics AI Suite oder dem Framework OpenVINO zielt der Halbleiterhersteller darauf ab, die Programmierung autonomer Systeme massiv zu vereinfachen und für jeden Entwickler zugänglich zu machen.

Bildergalerie

Bildergalerie mit 10 Bildern

Wer braucht Physical AI? Die nächste Stufe der Automation

Die sogenannte physische KI erstreckt sich über riesige Märkte: Die Fertigungsindustrie allein umfasst ein Marktvolumen von rund 15 Billionen US-Dollar mit 7,5 Millionen Fabriken und fast fünf Millionen eingesetzten Industrierobotern weltweit. Doch trotz dieses massiven Einsatzes sind die vielen gut gealterten Systeme heute noch immer "blind" und an starr programmierte, deterministische Pfade gebunden. Die Maschinen führen vorab definierte Bewegungen aus, können aber nicht adaptiv auf unvorhergesehene Veränderungen in ihrer direkten Arbeitsumgebung reagieren.

Dass KI nun den Sprung in die physische Welt schafft, verdanken wir laut Tamir drei wesentlichen technologischen Dreifaltigkeit:

• Kleinere, effizientere Modelle: Das exponentielle Wachstum der Modellgrößen bei den bekannten Large Language Models (LLMs) stagniert. „Wir haben gelernt, Modelle zu entwerfen und zu trainieren, die viel kleiner und nicht weniger intelligent sind“, erklärt Guy Tamir, Technology Evangelist bei Intel. So lassen sich heute KI-Modelle mit 30 Milliarden Parametern problemlos lokal auf einem Notebook ausführen. Optimierte Small Language Models (SLMs) sind auf ressourcenbeschränkten Edge-Geräten 4- bis 10-mal schneller, was Reaktionen in Echtzeit überhaupt erst möglich macht.

• Bessere Hardware am Edge: Lokale Prozessoren mit geringer Leistungsaufnahme, die CPU, GPU und NPU (Neural Processing Unit) intelligent und heterogen kombinieren, bilden das notwendige Fundament für die anspruchsvollen Berechnungen im Roboter.

• Modell-Fusion (VLA): Die ehemals isolierte Verarbeitung von Sprache und Bild ist Geschichte. Die neuesten KI-Modelle kombinieren visuelle Wahrnehmung, Sprache und physische Aktion nahtlos (Vision-Language-Action, kurz VLA).

Auf dieser Basis teilt Intel die moderne Physical AI in drei wesentliche Robotik-Kategorien ein: Den Anfang machen stationäre Roboterarme (Manipulatoren), die ihre komplexe Umgebung visuell erfassen, Aufgaben verstehen und mehrere Motoren mit höchster Präzision parallel steuern müssen. Die zweite Kategorie bilden Autonome Mobile Roboter (AMR). Diese müssen zusätzlich wissen, wo exakt sie sich in dynamischen Räumen wie großen Lagerhallen befinden, um Ausweichmanöver in Echtzeit zu berechnen. Die mit Abstand anspruchsvollste Klasse sind Humanoide Roboter. Diese erfordern nicht nur ein kontinuierliches Ausbalancieren der Motorik auf zwei Beinen, sondern stellen Entwickler vor massive Compute- und Sicherheitsherausforderungen, da sie oft auf engstem Raum mit Menschen kollaborieren und ihre Rechenzentrale zumeist aus Akkus gespeist werden muss.

Wie funktioniert Physical AI? Von der Theorie in die Fabrikhalle

Die Übersetzung von KI in konkrete Roboterbewegungen erfolgt in einer unaufhörlichen, asynchronen Schleife: Sense, Plan, Act. Der Roboter nimmt seine Umwelt über Kameras oder LiDAR-Systeme wahr (Sense), plant auf dieser Basis den nächsten Schritt (Plan) und setzt ihn motorisch um (Act). Das passiert teilweise dutzende Male pro Sekunde. „Diese Bewegung muss reibungslos sein“, warnt Guy Tamir. „Ein Roboter darf nicht stottern.“

Um das zu gewährleisten, müssen folgende drei Schritte harmonieren:

• Sense – Räumliche Logik statt einfacher Bilderkennung: Das bloße Erkennen von Objekten (Level 2) reicht für die physische Interaktion nicht aus. Modernste Modelle beherrschen visuelles räumliches Denken (Level 6) und interpretieren den Kontext: Sie erkennen nicht nur, dass ein Hund aus einem Napf frisst, sondern schlussfolgern eigenständig, dass der Napf leer ist und folglich aufgefüllt werden muss.

• Plan – Pragmatismus schlägt Cloud-Intelligenz: Während große KI-Modelle in der Cloud einen hypothetischen IQ von 150 bis 200 erreichen, argumentiert Tamir, dass für physische Automatisierungsaufgaben oft eine kompaktere Edge-Intelligenz (ein „IQ von unter 100“) völlig ausreichend ist. Für einfache Greifaufgaben oder Objektsortierungen bedarf es keines hochkomplexen Weltwissens, sondern vor allem schneller lokaler Inferenz.

• Act – Das Dilemma der „Data Gap“: Die Umsetzung in eine Bewegung (Policy) stellt das größte Nadelöhr dar. Große Sprach- und Bildmodelle konnten nur deshalb entstehen, weil Billionen von Text-Token und Milliarden Bilder frei im Internet verfügbar sind. Für die Robotik existiert ein solcher Datenpool nicht. „Die besten Daten für einen Roboter sind die Daten, die Sie in Ihrer Szene aufnehmen: Ihre eigene Kamera, Ihre Beleuchtung, Ihr eigener Roboter. Und das ist das Problem: Wir können hier keine Millionen Episoden aufzeichnen. Dies ist die Data Gap“, so Tamir.

Simulationen allein lösen das Problem nur bedingt. Oft scheitert der Transfer in die Realität (Sim-to-Real Gap) an minimalen Abweichungen, etwa einem Sensorrauschen, einer unkalkulierbaren Reibung oder schlichtweg an einer veränderten Lackfarbe des Roboters. Auch der Versuch, Trainingsdaten durch generative KI per Prompts generieren zu lassen (etwa mit Video-Modellen), liefert laut Tamir für den konkreten Industrie-Use-Case derzeit noch fehlerhafte physikalische Interaktionen.

Intel propagiert daher einen pragmatischeren Ansatz: Imitation Learning. Hierbei wird der Roboter nicht durch abstrakte Algorithmen trainiert, sondern durch Vormachen. Ein Experte führt die gewünschte Bewegung (z. B. das Sortieren eines Bauteils) per Teleoperation vor, und das VLA-Modell (Vision-Language-Action) erlernt direkt die Zuordnung von visuellem Input, Sprachbefehl und motorischer Ausgabe.

Das Intel Physical AI Studio: Praxis-Workflow für Edge-Entwickler

Um diesen Imitation Learning-Prozess zu demokratisieren, hat Intel das Physical AI Studio entwickelt. Es ist Teil der Open-Source-basierten Robotics AI Suite und soll Entwicklern, ganz ohne KI-Spezialwissen, ermöglichen, eigene VLA-Modelle für Industrieroboter zu trainieren und zu implementieren.

Tamir demonstriert im Vortrag, wie zugänglich dieser Prozess geworden ist. Die Einrichtung erfolgt über eine einfache 6-Schritte-Pipeline:

• Connect Robots & Cameras: Die nahtlose Integration von Roboterhardware (z. B. via ROS 2) und Kamerasystemen, die verschiedene Winkel der Szenerie abdecken.

• Record Data-Set: Über einen Controller führt der Entwickler den Roboterarm per Teleoperation durch die Aufgabe. Die Software zeichnet synchron die Kamerabilder und den exakten Status aller Servomotoren auf.

• Train: Sind genügend Episoden aufgezeichnet, wird das VLA-Modell direkt im Studio trainiert (Fine-Tuning).

• Optimize: Im Vorfeld der Bereitstellung wird das Modell durch Quantisierung und Pruning (z.B. für das OpenVINO-Format) auf die lokale Hardwarearchitektur optimiert.

• Deploy: Das fertig trainierte Modell wird für die Ausführung auf dem lokalen Edge-PC freigegeben.

„Das senkt die Hürde für Entwickler wirklich. Wenn Sie das auf einen millionenschweren Roboterarm übertragen wollen, ist es derselbe Betrieb. Es sind dieselben sechs Freiheitsgrade, die Sie bedienen müssen“, verspricht Tamir. Dass dieser Workflow praxistauglich ist, zeigt sein eigener Versuch: Es dauerte lediglich zwei Stunden (eine Stunde Aufnahme, eine Stunde Training auf einer handelsüblichen Hardware), um einem preiswerten, 3D-gedruckten 300-Dollar-Roboterarm eine autonome Greifaufgabe (Pick-and-Place) nahezubringen.

OpenVINO Physical AI: Die Herausforderung der Echtzeit

Ein KI-Modell erfolgreich zu trainieren, ist nur die halbe Miete. Die wahre Komplexität der Physical AI zeigt sich erst beim Deployment in der industriellen Praxis. Soll sich ein Roboterarm von Punkt A nach Punkt B bewegen, wäre die Berechnung des vollständigen, idealen Pfades durch ein neuronales Netz oft zu rechenintensiv und damit zu langsam.

Die Lösung liegt im sogenannten Path-Chunking. „Ich teile die Bewegung in Blöcke auf und berechne immer nur einen Block nach dem anderen“, erklärt Guy Tamir den Ansatz. Der Roboter berechnet beispielsweise die nächsten 50 Schritte und beginnt sofort mit der Ausführung. Doch die reale Fabrikumgebung ist dynamisch: Ein unerwartetes Hindernis taucht auf, die Motoren weisen Toleranzen auf oder die gegriffene Last ist schwerer als kalkuliert. Der Roboterarm weicht von der Ideallinie ab.

„Die Frage ist: Was tun wir jetzt? Ich kann nicht einfach in null Sekunden auf den Kurs zurückkehren. Das ist die physische Welt, das braucht Zeit“, so Tamir. Eine Neuberechnung der Trajektorie muss während der Bewegung absolut flüssig erfolgen, um harte Ruckler oder gar Notstopps zu vermeiden. Hier wird die Hardware zum ultimativen Flaschenhals: „Das Rechenbudget liegt wirklich im Millisekundenbereich. Wenn man mehr als 10 Millisekunden braucht, um das Modell zu inferieren, hat man keine Chance“.

Um diese harten Latenzvorgaben bei Modellen mit Milliarden von Parametern (wie das π_0-Modell mit 3 Milliarden Parametern und rund 6 Milliarden Rechenoperationen pro Token) zu halten, bündelt Intel seinen Software-Stack. Die OpenVINO Physical AI Runtime fungiert hierbei als Brücke, die KI-Inferenz, das Robot Operating System (ROS2) und klassische Real-Time Control Frameworks nahtlos verzahnt.

Hardware-Architektur: Was Roboter vom menschlichen Gehirn lernen

Um all diese simultanen Prozesse, von der Bilderkennung über die Sprachverarbeitung bis zur Pfadplanung, auf einem kompakten Edge-Gerät abzubilden, blickt Intel auf das Vorbild der Biologie. „Unser menschliches Gehirn ist wahrscheinlich immer noch die erstaunlichste Maschine, die wir haben. Es arbeitet mit weniger als 30 Watt“, veranschaulicht Tamir. Unser Gehirn ist kein monolithischer Rechenchip, sondern hochgradig heterogen und arbeitsteilig aufgebaut.

Diese Bionik vergleicht Guy Tamir mit der aktuellen Panther-Lake-Architektur moderner SoCs (nicht nur) für die Robotik:

• Die CPU (Central Processing Unit): Sie fungiert als Dirigent. Auf den Performance- und Efficient-Cores laufen das Echtzeit-Betriebssystem (Intel ECI RTOS), klassische Interpreter (z. B. MoveIt2) und die Ethernet/CAN-Bus-Kommunikation.

• Die GPU (Graphics Processing Unit): Integrierte oder dedizierte Arc-GPUs übernehmen die Schwerstarbeit, die kurze Performance-Bursts erfordert – darunter fallen große Vision-Encoder und die eigentliche LLM/VLA-Inferenz.

• Die NPU (Neural Processing Unit): Sie ist der Dauerläufer für spezialisierte KI-Tasks. So kann die NPU beispielsweise ein Spracherkennungsmodell (wie Whisper ASR) den ganzen Tag über bei nur rund 1 Watt Leistungsaufnahme betreiben, um permanent auf Zuruf reagieren zu können, ohne den Akku eines autonomen mobilen Roboters (AMR) zu leeren.

Auf die Frage, warum Entwickler Standard-SoCs gegenüber dedizierten FPGAs bevorzugen sollten, liefert Tamir ein pragmatisches Argument für den industriellen Serieneinsatz: „Der große Vorteil besteht darin, dass man eine Standard-CPU, -GPU und -NPU von Intel aus dem Regal nimmt, die über alle Compiler und Werkzeuge verfügt und einfach funktioniert“. Zudem bieten industrietaugliche Standard-SoCs ebenso essenzielle Features für den Industrieeinsatz: Hardwareseitigen Determinismus (via Intel TCC und Time-Sensitive Networking), funktionale Sicherheit (FuSa) und langfristige Verfügbarkeit.

Die Demokratisierung der Roboter-Entwicklung

Mit Physical AI beginnt nun der ChatGPT-Moment für die Automatisierung – wenn auch nicht ganz so plötzlich, wie damals 2022. Roboter lernen, ihre Umgebung iterativ zu verstehen und in ihr adaptiv zu handeln. Dass diese komplexe Technologie nicht mehr nur in den Händen weniger Tech-Giganten liegt, verdanken wir standardisierten, Open-Source-Werkzeugen wie der Robotics AI Suite und Hardware, die KI-Rechenleistung effizient an die Edge bringt.

Indem Imitation Learning den fehleranfälligen und aufwendigen Prozess der Umgebungs-Simulation ablöst, wird das Anlernen eines Roboters fast so intuitiv wie die Einarbeitung eines neuen Mitarbeiters. Die Einstiegshürde für die Implementierung wird damit drastisch sinken. Die Künstliche Intelligenz hat den Bildschirm endgültig verlassen, jetzt erobert sie die Werkbank. (mc)

(ID:50918095)