Physical AI Warum Roboter eine „Kindheit“ brauchen, um autonom zu werden

Nicht Rechenleistung allein, sondern vor allem hochwertige reale Erfahrungsdaten werden zum entscheidenden Faktor für leistungsfähige autonome Systeme. Warum Roboter wie Kinder Millionen Stunden praktischer Lernerfahrung benötigen und weshalb Simulationen dabei nur einen Teil der Lösung darstellen.

Bei generativen Text- oder Bildmodellen in der KI arbeiten Lernverfahren rein im virtuellen Raum. Modelle werden mit großen Mengen an Texten oder Bildern gefüttert und ihre Ergebnisse werden anschließend analysiert, um die Qualität ihrer Antworten kontinuierlich zu verbessern. In der Robotik ist Lernen dagegen ein physischer Vorgang. Damit Roboter ihre Umgebung verstehen und selbstständig handeln können, müssen sie Erfahrungen in der realen Welt sammeln.

Physical AI ist deshalb kein fertiges Produkt, das von heute auf morgen implementiert werden kann. Ähnlich wie bei Menschen muss sie sich schrittweise entwickeln. Kinder lernen in ihren ersten Lebensjahren durch ständiges Üben und Nachahmen ihrer Umgebung, wie sie sich sicher bewegen, das Gleichgewicht halten und gezielt mit ihrer Umwelt interagieren. Auch Roboter entwickeln ihre Fähigkeiten zunächst durch Simulationen und die Imitation menschlicher Bewegungen. Durch eigenes Ausprobieren, Wiederholen und Korrigieren erweitern sie diese Fähigkeiten und lernen, auch mit neuen Situationen umzugehen. Sie müssen genauso greifen, balancieren, scheitern, korrigieren und mit jeder Bewegung Erfahrung gewinnen, um anschließend die ihnen überlassenen Aufgaben zuverlässig ausführen zu können.

Vom Datenpunkt zum Weltverständnis

In der Robotik entsteht Intelligenz nicht allein durch Training in Simulationen oder die Imitation menschlicher Bewegungen. Den entscheidenden Unterschied für robuste Autonomie machen jedoch reale Erfahrungen: Jede Bewegung, die ein Roboter macht, jeder Griff, jede Kollision und Korrektur erzeugt einen Datenpunkt, der das Verständnis von Umgebung und Realität des Roboters schärft. Je vielfältiger diese Erfahrungen sind, desto besser kann das System Muster erkennen und daraus generalisierte Schlussfolgerungen ableiten. Dadurch wird es möglich, Fähigkeiten auch in Situationen anzuwenden, die nicht Teil der ursprünglichen Trainingsumgebung waren.

Bis sich ein Mensch in unterschiedlichen Umgebungen sicher zurechtfindet, verbringt er zehntausende Stunden mit körperlicher Aktivität. Roboter können solche Bewegungsdaten zwar deutlich schneller verarbeiten als Menschen, um jedoch ein vergleichbares intuitives Verständnis der physischen Welt zu erlangen, benötigen sie trotzdem ein Vielfaches an Erfahrung, die sich erst über Millionen von Betriebsstunden gewinnen lässt. Eine ausreichend große und vor allem qualitativ hochwertige Datengrundlage aufzubauen ist daher alles andere als trivial. Aus diesem Grund wird die Verfügbarkeit von Trainingsdaten zunehmend zum entscheidenden Engpass für Physical AI. Algorithmen bleiben die Grundlage. Den Unterschied machen künftig jedoch die besten Trainingsdaten.

Die Grenzen virtueller Trainingswelten

Anders als bei generativer KI wird der Bedarf an Daten sogar zu einer größeren Herausforderung als die Bereitstellung zusätzlicher Rechenleistung. Während Sprachmodelle auf eine nahezu unbegrenzte Menge an digitalen Daten zugreifen können, müssen Roboter ihre Trainingsdaten zunächst durch reale Interaktionen erzeugen. Naheliegend ist also, die benötigten Erfahrungen in Simulationen zu erzeugen. Tatsächlich spielen virtuelle Trainingsumgebungen bereits heute eine wichtige Rolle, da sie kostengünstig sind und Millionen von Trainingsdurchläufen ermöglichen. Dennoch stoßen Simulationen an Grenzen. Die reale Welt ist voller kleiner Unregelmäßigkeiten, die sich nur schwer modellieren lassen: unterschiedliche Oberflächen, Materialabweichungen, wechselnde Lichtverhältnisse, Sensorrauschen oder unvorhersehbare Störungen.

Simulationen können demnach zwar grundlegende Verhaltensmuster vermitteln, aber nicht sämtliche sensorischen Rückmeldungen und unerwarteten Situationen reproduzieren, die für den Umgang mit der realen Welt entscheidend sind. Genauso wie Kinder Fahrradfahren nicht lernen, indem sie anderen dabei zusehen, können Roboter nicht lernen, geschickt zu agieren, ohne Bewegungsabläufe unter realen Bedingungen selbst auszuprobieren.

Lernen wie in der echten Welt

Deshalb arbeiten Unternehmen daran, Robotern eine „Kindheit“ zu geben. Dazu schaffen sie strukturierte Trainingsumgebungen, die unterschiedliche Aufgaben mit verschiedenen Materialien, diversen Bedingungen und Lichtverhältnisse umfassen. Dort können Maschinen Aufgaben beliebig oft wiederholen und anhand ihrer Erfahrungen kontinuierlich lernen. Je größer und vielfältiger diese Trainingsumgebungen werden, desto schneller kann sich Physical AI entwickeln.

Dieses Prinzip ist nicht neu. Ähnlich wie Suchmaschinen erst durch die Auswertung von Milliarden echter Suchanfragen immer präzisere Ergebnisse liefern konnten, verbessert sich auch Physical AI heute durch Bewegungsdaten aus realen Interaktionen.

Trainingsdaten werden zum strategischen Vorteil

Bei der Entwicklung von Physical AI erweist sich also nicht die verfügbare Rechenleistung als größter Engpass, sondern der Zugang zu ausreichend hochwertigen Trainingsdaten aus realen Anwendungssituationen. Die Zukunft autonomer Systeme entscheidet sich nicht allein daran, wer den komplexesten Algorithmus entwickelt, sondern auch daran, wer die besten Voraussetzungen für kontinuierliches Lernen aus realen Daten schafft. Unternehmen, die große Mengen an Erfahrungswerten generieren, teilen und nutzen können, werden maßgeblich bestimmen, wie sich Roboter künftig entwickeln.

Schließlich entsteht leistungsfähige Physical AI nicht isoliert im Labor, sondern in industriellen Umgebungen, unter praxisnahen Produktionsbedingungen und entlang tatsächlicher Kundenanforderungen. Echte Erfahrungsdaten sind dabei kein Nice-to-have, sondern das Fundament .(mc)

* Clemens Marschner ist Principal Engineer bei RobCo, wo er mit seinem Team an KI-gestützten autonomen Robotersystemen für industrielle Anwendungen arbeitet. Er verantwortet die Entwicklung von Systemen für physische KI und die zugrunde liegenden technischen Architekturen für die nächste Generation industrieller Robotik. Zuvor war er in leitenden Engineering-Rollen bei Microsoft und Lyft tätig und arbeitete an großskaligen Machine-Learning-Systemen für Suchmaschinen und autonomes Fahren. Marschner promovierte an der LMU München und entwickelt seit über 15 Jahren KI-Anwendungen in München.

(ID:50914900)