Ein Robotik-Startup aus den USA stellt die bisherige Logik der Automatisierung in Frage: Physical Intelligence präsentiert ein KI-Modell, das Roboter befähigt, völlig neue Aufgaben eigenständig zu lösen – ohne spezifisches Vortraining. Für Industrie und Logistik könnte das mittelfristig weitreichende Konsequenzen haben.
Physical Intelligence: Roboter-KI bewältigt unbekannte Aufgaben ohne spezifisches Training
Das US-amerikanische Robotik-Startup Physical Intelligence hat ein neues KI-Modell vorgestellt, das Roboter in die Lage versetzen soll, Aufgaben eigenständig zu lösen, für die sie nie explizit trainiert wurden. Der Ansatz könnte die bisherige Logik industrieller Roboterprogrammierung grundlegend verschieben – weg von aufgabenspezifischen Modellen, hin zu generalistischen Systemen.
Vom Spezialisten zum Generalisten
Bisherige Robotersysteme sind in der Regel auf eng definierte Aufgaben ausgelegt: Ein Roboterarm, der Pakete sortiert, kann typischerweise keine Türen öffnen oder Objekte in unbekannter Umgebung greifen. Physical Intelligence verfolgt mit seinem neuen Modell einen grundlegend anderen Ansatz. Das System soll physikalische Zusammenhänge und räumliche Logik so weit verallgemeinern, dass Roboter auch in Situationen handlungsfähig bleiben, die im Training nicht vorkamen.
Das Unternehmen, das 2023 von ehemaligen Forschern aus dem Umfeld von Google DeepMind, Stanford und UC Berkeley gegründet wurde, hatte bereits mit seinem Modell „pi0″ auf sich aufmerksam gemacht. Das nun angekündigte Nachfolgesystem soll diese Fähigkeiten erheblich ausbauen.
Generalisierung als technische Kernherausforderung
Das zentrale Problem bei physischer KI ist die sogenannte Sim-to-Real-Lücke: Modelle, die in simulierten Umgebungen trainiert werden, scheitern in der realen Welt häufig an unvorhergesehenen Variablen – ungleichmäßige Oberflächen, wechselnde Lichtverhältnisse, leicht veränderte Objektpositionen.
Physical Intelligence setzt auf eine Kombination aus großen Mengen realer Trainingsdaten und einem Architekturansatz, der Generalisierung über verschiedene Aufgabentypen hinweg priorisiert.
Konkret bedeutet das: Das Modell soll nicht nur aus direkten Demonstrationen lernen, sondern physikalische Prinzipien abstrahieren und auf neue Szenarien übertragen. Demonstrationsvideos des Unternehmens zeigen Roboter, die Haushaltsgegenstände manipulieren, Kleidungsstücke falten oder Objekte in wechselnden Konfigurationen greifen – Aufgaben, die im Training so nicht vorkamen.
Finanzierung und Marktposition
Physical Intelligence gehört zu den am stärksten finanzierten Startups im Bereich Robotik-Grundlagenmodelle:
- Gesamtfinanzierung: rund 400 Millionen US-Dollar
- Investoren: Bezos Expeditions, OpenAI-Mitgründer Jeff Dean, Risikokapitalgeber Lux Capital
- Bewertung: zuletzt rund 2 Milliarden US-Dollar
Das Unternehmen steht damit in direkter Konkurrenz zu anderen Ansätzen im Bereich Foundation Models für Robotik, darunter Projekte von Google DeepMind, Figure AI sowie dem von Amazon unterstützten Startup Covariant. Der Wettbewerb um generalistische Robotermodelle hat in den vergangenen zwölf Monaten deutlich an Intensität gewonnen.
Technische Grenzen noch nicht überwunden
Trotz der vielversprechenden Demonstrationen bleibt Skepsis angebracht:
Unabhängige Evaluierungen der vorgestellten Fähigkeiten liegen bislang nicht vor. Die Laborbedingungen, unter denen Startups ihre Systeme präsentieren, spiegeln industrielle Realitäten selten vollständig wider.
Zuverlässigkeit, Fehlerquoten und Skalierbarkeit unter produktionsnahen Bedingungen sind Fragen, die das Unternehmen bislang nicht öffentlich quantifiziert hat.
Einordnung für deutsche Unternehmen
Für Unternehmen in Deutschland – insbesondere im Maschinen- und Anlagenbau sowie der Logistik – ist die Entwicklung generalistischer Robotermodelle strategisch relevant. Der bisherige Aufwand für roboterbasierte Automatisierung – aufwendige Programmierung, kostspielige Umrüstung bei Produktwechseln – könnte sich mittelfristig deutlich reduzieren, wenn Systeme wie das von Physical Intelligence industrielle Reifegrade erreichen.
Gleichzeitig gilt: Investitionsentscheidungen sollten nicht allein auf Basis von Demonstrationsvideos getroffen werden. Der Abstand zwischen Labor-Showcases und produktionstauglichen Systemen bleibt im Robotikbereich erheblich. Wer die Technologie ernsthaft evaluieren möchte, sollte gezielte Pilotprojekte unter realistischen Bedingungen einplanen.
Quelle: TechCrunch AI