Nvidia, UC Berkeley und Stanford haben gemeinsam untersucht, wie zuverlässig KI-Modelle Roboter per Code steuern können – mit einem differenzierten Befund: Menschliches Niveau ist erreichbar, aber nur unter klar definierten Vorbedingungen.
KI-generierter Roboter-Code erreicht menschliches Niveau – unter Vorbedingungen
Ein Forschungsverbund aus Nvidia, UC Berkeley und Stanford hat systematisch untersucht, wie zuverlässig Large Language Models Roboter per Code steuern können. Das Ergebnis ist differenziert: Ohne gezielte Unterstützung durch menschlich definierte Abstraktionen versagen selbst leistungsstarke Modelle. Mit dem richtigen Framework hingegen schließt sich die Lücke zur menschlichen Programmierleistung erheblich.
Das Framework und seine Methodik
Die Forscher entwickelten ein Benchmark-System speziell für die sogenannte codebasierte Robotersteuerung. Dabei erhalten KI-Modelle die Aufgabe, Roboterbewegungen und -aktionen direkt als ausführbaren Code zu formulieren – anstatt auf vortrainierte Bewegungsmodelle zurückzugreifen. Getestet wurden verschiedene Modelle an realen Manipulationsaufgaben, bei denen Roboterarme Objekte greifen, sortieren oder positionieren mussten.
Der entscheidende Befund: Ohne vordefinierte Hilfsfunktionen und strukturierte Abstraktionsebenen – von den Forschern als „Stützräder” bezeichnet – scheitern die Modelle selbst an vergleichsweise einfachen Aufgaben.
Die Fehlerquote steigt deutlich, sobald die Modelle vollständig eigenständig arbeiten sollen.
Laufzeit-Skalierung als Schlüssel
Vielversprechender zeigte sich ein anderer Ansatz: Durch sogenannte Laufzeit-Skalierung – also das Generieren und Bewerten mehrerer Code-Varianten während der Ausführung – verbesserten sich die Ergebnisse messbar. Modelle, die parallel mehrere Lösungsansätze erprobten und anhand von Feedback aus der Simulationsumgebung auswählten, erzielten Erfolgsraten, die mit menschlich geschriebenem Code vergleichbar waren.
Dieser Ansatz erhöht jedoch den Rechenaufwand erheblich. Die Frage, ob sich dieser Mehraufwand in industriellen Umgebungen mit engen Latenzanforderungen rechtfertigen lässt, beantwortet die Studie nicht abschließend.
Strukturierte Abstraktionen als Voraussetzung
Ein zentrales Ergebnis der Studie ist die Bedeutung menschlich vordefinierter Funktionsbibliotheken. Wenn Ingenieure dem Modell geeignete Bausteine zur Verfügung stellen – etwa Funktionen für Greifbewegungen, Koordinatentransformationen oder Kollisionsvermeidung – steigt die Erfolgsrate der generierten Programme signifikant.
Die Qualität des KI-generierten Codes hängt direkt von der Qualität der bereitgestellten Abstraktionen ab – Domänenwissen bleibt unverzichtbar, verlagert sich jedoch im Entwicklungsprozess.
Das bedeutet im Umkehrschluss: Die Anforderungen an menschliche Expertise werden verschoben, aber keineswegs aufgehoben.
Einordnung für die industrielle Praxis
Für Unternehmen in der Fertigungsindustrie liefert die Studie konkrete Orientierung:
- Der direkte Einsatz von LLMs zur autonomen Robotersteuerung ohne strukturierte Rahmenbedingungen ist nach aktuellem Stand nicht produktionsreif.
- Vielversprechend ist hingegen ein hybrider Ansatz: Erfahrene Automatisierungsingenieure definieren Funktionsbibliotheken, die KI-Modelle anschließend zuverlässig kombinieren und adaptieren.
- Für deutsche Unternehmen – insbesondere im Maschinenbau und in der Automobilzulieferung – verlagert sich der Schwerpunkt von der manuellen Programmierung hin zur systematischen Wissensstrukturierung.
Wer jetzt in den Aufbau geeigneter Funktionsbibliotheken investiert, schafft die Grundlage für einen späteren produktiven Einsatz KI-gestützter Codegenerierung in der Robotik.
Quelle: The Decoder – KI-Modelle schreiben Roboter-Code fast so gut wie Menschen, aber nur mit Stützrädern
