Physische künstliche Intelligenz beschreibt KI-Systeme, die mehr leisten, als Texte, Bilder oder Daten zu interpretieren. Sie erhalten Informationen von Kameras, Mikrofonen, Kraftsensoren, Gelenkgebern und anderen Geräten und nutzen diese Daten anschließend, um eine Maschine in der physischen Welt zu steuern. Bei dieser Maschine kann es sich um einen Roboterarm, ein Lagerfahrzeug, einen humanoiden Roboter, eine Drohne oder ein autonomes Laborgerät handeln. Die zentrale Herausforderung besteht darin, dass reale Umgebungen niemals vollständig vorhersehbar sind. Gegenstände bewegen sich, Lichtverhältnisse verändern sich, Oberflächen verhalten sich unterschiedlich und Menschen können eine Aufgabe unerwartet unterbrechen. Bis 2026 hat sich die Forschung von eng programmierten Bewegungsabläufen hin zu Modellen entwickelt, die visuelles Verständnis, gesprochene oder schriftliche Anweisungen, räumliches Denken und motorische Steuerung miteinander verbinden können. Die Fortschritte sind erheblich, sollten jedoch realistisch betrachtet werden: Aktuelle Systeme können ein breiteres Aufgabenspektrum als frühere Roboter bewältigen, doch ein zuverlässiger Einsatz in jeder unbekannten Umgebung bleibt ein ungelöstes Problem.
Von digitaler Intelligenz zu Maschinen, die wahrnehmen und sich bewegen
Ein herkömmliches KI-Modell kann einen Gegenstand auf einem Foto benennen oder erklären, wie er aufgenommen werden sollte. Ein physisches KI-Modell muss diesen Gegenstand zusätzlich lokalisieren, seine Form und Position einschätzen, einen geeigneten und sicheren Zugriff wählen, einen Greifer mit passender Kraft schließen und bestätigen, dass der Griff erfolgreich war. Dieser Unterschied wird häufig als Verkörperung bezeichnet: Die Intelligenz ist mit einem Körper verbunden, der bestimmte Abmessungen, Gelenke, Sensoren und Einschränkungen besitzt. Ein kleiner Tischroboterarm kann nicht dieselbe Bewegung wie ein humanoider Roboter ausführen, und ein Roboter auf Rädern kann nicht über ein Hindernis steigen. Leistungsfähige Modelle benötigen daher sowohl Kenntnisse über die Aufgabe als auch über die Maschine, die sie ausführt. Außerdem müssen sie praktische Einschränkungen wie Reichweite, Gleichgewicht, Akkustand, Traglast, Geschwindigkeit und die Anwesenheit von Menschen in der Umgebung berücksichtigen.
Viele heutige Systeme verwenden Vision-Language-Action-Modelle, die üblicherweise als VLA-Modelle bezeichnet werden. Sie kombinieren Kamerabilder mit einer natürlich formulierten Anweisung und erzeugen daraus eine Folge von Aktionen. Die Anweisung könnte beispielsweise „Stelle die rote Tasse in die obere Schublade“ lauten, während die visuelle Eingabe den Raum, die Möbel und die verfügbaren Gegenstände zeigt. Das Modell verknüpft Wörter mit sichtbaren Objekten, zerlegt die Aufforderung in kleinere Schritte und erzeugt Bewegungen für den Roboter. Einige Architekturen trennen übergeordnetes Schlussfolgern von der untergeordneten Bewegungssteuerung. Eine Schlussfolgerungskomponente entscheidet, was als Nächstes geschehen soll, während ein Steuerungsmodell diesen Plan in Gelenkbewegungen übersetzt. Diese Aufteilung ist sinnvoll, weil die Planung einer Aufgabe und die Aufrechterhaltung stabiler Bewegungen unterschiedliche Verarbeitungsarten erfordern, auch wenn beide innerhalb eines Systems zusammenarbeiten.
Bis 2026 veröffentlichte Beispiele zeigen, wie schnell sich dieser Ansatz entwickelt. Google DeepMind stellte Gemini Robotics 2 als VLA-Modell für Roboterkörper vor, die von Tischgeräten bis zu humanoiden Robotern reichen. Das Modell unterstützt Ganzkörpersteuerung, präzise Manipulation und die Reaktion auf aktualisierte Anweisungen. Das Modell On-Device 2 ist für die lokale Ausführung vorgesehen, wenn der Netzwerkzugang eingeschränkt ist. Physical Intelligence beschrieb π0.7 als allgemeines Robotermodell, das mit Demonstrationen, nicht perfekten autonomen Versuchen und Daten verschiedener Robotertypen trainiert wurde. Die Forschung zu NVIDIA Cosmos konzentriert sich auf Modelle, die physische Szenen interpretieren und simulieren, während die GR00T-Arbeiten auf allgemeines Roboterlernen ausgerichtet sind. Diese Entwicklungen sind wichtige Meilensteine der Forschung, doch Demonstrationen und Modelle mit frühem Zugang sind nicht mit einem nachweislich zuverlässigen, unbeaufsichtigten Betrieb in Haushalten oder Fabriken gleichzusetzen.
Der Kreislauf aus Wahrnehmung, Schlussfolgerung und Handlung
Physische KI arbeitet mit einem sich wiederholenden Kreislauf und nicht mit einer einzelnen Vorhersage. Zunächst erfassen Sensoren den aktuellen Zustand der Umgebung. Kameras liefern Informationen über Farbe, Tiefe und Bewegung, Gelenkgeber melden die Position der Roboterarme, Kraft- und Drehmomentsensoren erkennen Kontakte und taktile Sensoren können anzeigen, ob ein Gegenstand abrutscht. Das Modell nutzt diese Signale, um Objekte zu identifizieren, Entfernungen einzuschätzen und Beziehungen wie „innerhalb“, „hinter“, „in Reichweite“ oder „blockiert“ zu verstehen. Ein brauchbares System muss außerdem relevante Informationen von unwichtigen Hintergrunddetails unterscheiden. In einer überfüllten Werkbankszene sollte es sich beispielsweise auf das angeforderte Bauteil konzentrieren und gleichzeitig bemerken, wenn die Hand einer Person in den Arbeitsbereich gelangt.
Anschließend folgen Schlussfolgerung und Planung. Der Roboter wandelt eine allgemeine Anweisung in eine geordnete Abfolge ausführbarer Schritte um. Die Aufforderung „Räume den Tisch auf“ kann erfordern, dass das System erkennt, welche Gegenstände an einen anderen Ort gehören, geeignete Ablageorte bestimmt, eine sichere Reihenfolge wählt und Hindernissen ausweicht. Längere Aufgaben sind schwierig, weil jeder Schritt die Voraussetzungen für den nächsten verändert. Eine Tasse kann erfolgreich bewegt werden, während sich gleichzeitig ein Teller verschiebt, eine Schublade nicht geöffnet werden kann oder der vorgesehene Ablagebereich bereits belegt ist. Moderne Modelle nutzen zunehmend visuelles und sprachliches Wissen, um Pläne anzupassen, anstatt einem unveränderlichen Ablauf zu folgen. Sie können außerdem überprüfen, ob eine Teilaufgabe abgeschlossen wurde, bevor sie fortfahren. Dadurch sinkt das Risiko, dass ein unbemerkter Fehler die gesamte Abfolge beeinträchtigt.
Schließlich handelt das System und beobachtet das Ergebnis. Diese Rückkopplungsphase ist entscheidend, weil eine geplante Bewegung selten genau das erwartete Resultat liefert. Räder können rutschen, Gelenke können nachgeben und weiche Gegenstände können sich verformen. Eine geschlossene Regelung vergleicht den beabsichtigten Zustand mit den neuesten Sensordaten und passt Geschwindigkeit, Richtung oder Greifkraft an. Wenn ein Greifversuch scheitert, kann der Roboter die Kamera neu positionieren, einen anderen Kontaktpunkt wählen oder Unterstützung anfordern. Diese fortlaufende Korrektur ist ein wesentlicher Unterschied zwischen physischer KI und der Erzeugung eines Satzes: Das Ergebnis wird unmittelbar von der realen Welt überprüft. Jede Bewegung erzeugt neue Informationen, die das Modell schnell genug verarbeiten muss, um die Aufgabe stabil und sicher fortzusetzen.
Wie physische KI-Modelle praktische Fähigkeiten erlernen
Die direkteste Trainingsmethode ist die Demonstration. Eine Person kann einen Roboterarm von Hand führen, ihn mit Joysticks steuern, Bewegungserfassungssysteme verwenden oder ihn aus der Ferne bedienen, während Kameras und Sensoren jeden Schritt aufzeichnen. Der daraus entstehende Datensatz verbindet Beobachtungen, Anweisungen und Aktionen. Beim Imitationslernen wird das Modell anschließend darauf trainiert, die in erfolgreichen Beispielen enthaltenen Muster nachzuahmen. Große gemeinsame Datensätze reduzieren die Abhängigkeit von einer einzelnen Maschine oder einem bestimmten Labor. Das Projekt Open X-Embodiment kombinierte beispielsweise Daten von 22 Robotern aus 21 Einrichtungen und enthielt 527 Fähigkeiten für mehr als 160.000 Aufgaben. Solche Sammlungen ermöglichen es einem Modell, allgemeine Konzepte wie Greifen, Ablegen, Öffnen oder Wischen anhand verschiedener Geräte und Umgebungen zu lernen, statt nur einen bestimmten Aufbau auswendig zu reproduzieren.
Sprache, Bilder und Videos können zusätzliches Wissen vermitteln, das allein in Roboteraufzeichnungen nicht enthalten ist. Umfangreiche visuelle Daten aus dem Internet können einem Modell dabei helfen, Tausende von Gegenständen zu erkennen und alltägliche Anweisungen zu verstehen, während Roboteraufzeichnungen zeigen, wie diese Konzepte mit Bewegungen verbunden werden. Die Forschung zu π0.5 von Physical Intelligence kombinierte Daten verschiedener Roboter mit Sprache, Objektinformationen, übergeordneten Aufgabenbeschreibungen und Webdaten. In Versuchen erledigte das Modell mehrstufige Reinigungsaufgaben in Haushalten, die nicht für das Training verwendet worden waren. Das bedeutet jedoch nicht, dass das Ansehen gewöhnlicher Videos einer Maschine unmittelbar eine sichere Bewegungssteuerung vermittelt. Visuelles Wissen ist besonders nützlich, wenn es mit Aktionsdaten verbunden wird, die dokumentieren, was der Roboter getan hat, wie die Umgebung darauf reagierte und ob die Aufgabe erfolgreich abgeschlossen wurde.
Trainingsdaten umfassen auch Fehlschläge. Frühere Systeme lernten häufig hauptsächlich aus sorgfältig ausgewählten erfolgreichen Demonstrationen, wodurch sie nur unzureichend auf Fehler vorbereitet waren. Neuere Methoden können erfolglose Greifversuche, unterbrochene Bewegungen und teilweise abgeschlossene Aufgaben nutzen, um die Wiederherstellung nach einem Fehler zu trainieren. Ein gescheiterter Versuch zeigt, welche Zustände vermieden werden sollten und auf welche Weise eine Aktion misslingen kann. Reinforcement Learning bietet einen weiteren Ansatz: Der Roboter erhält eine Belohnung für Fortschritte und eine negative Bewertung für unsicheres oder wirkungsloses Verhalten und verbessert sich durch wiederholte Versuche. Der Großteil dieses umfangreichen Lernens durch Versuch und Irrtum findet in Simulationen statt, weil die Beschädigung eines virtuellen Gegenstands günstiger und sicherer ist als die Beschädigung eines realen Roboters. Begrenzte Übungen in der realen Welt werden anschließend genutzt, um verbleibende Abweichungen zu korrigieren.
Warum Simulation reale Erfahrung nicht ersetzen kann
Simulationen geben Entwicklern Kontrolle über Beleuchtung, Objektpositionen, Raumaufteilung und Robotereinstellungen. Tausende virtuelle Roboter können gleichzeitig trainieren und dadurch wesentlich mehr Erfahrungen sammeln, als dies mit einer einzelnen physischen Maschine möglich wäre. Entwickler können Texturen, Reibung, Kamerawinkel und Objektgewichte verändern, damit das Modell nicht von einer einzigen idealen Szene abhängig wird. Weltmodelle erweitern diesen Ansatz, indem sie vorhersagen, wie sich eine Szene nach einer Handlung verändern könnte. Ein Modell kann mehrere mögliche Bewegungen vergleichen, bevor der Roboter eine davon tatsächlich ausführt. Im Jahr 2026 zielen Forschungssysteme wie NVIDIA Cosmos und Methoden zur Szenenerstellung wie SimFoundry darauf ab, umfangreichere simulierte Umgebungen und synthetische Trainingsdaten für Robotik und autonome Maschinen bereitzustellen.
Virtuelles Training vereinfacht die Realität jedoch immer. Der Kontakt zwischen harten und weichen Materialien lässt sich nur schwer präzise nachbilden. Transparente Gegenstände können Kameras irritieren, Kabel bleiben an Kanten hängen, Verpackungen verbiegen sich und Flüssigkeiten bewegen sich auf eine Weise, deren Modellierung aufwendig ist. Sensoren weisen außerdem Rauschen und Verzögerungen auf, die in einer sauberen Simulation unterschätzt werden können. Dieser Unterschied wird als Sim-to-Real-Lücke bezeichnet. Eine Steuerungsstrategie, die in einem virtuellen Test zuverlässig erscheint, kann instabil werden, wenn ein Rad die Bodenhaftung verliert, eine Greiferauflage verschleißt oder Sonnenlicht das Kamerabild verändert. Deshalb nutzen Entwicklungsteams Simulationen als umfangreichen Trainingsraum und überprüfen das Verhalten anschließend auf realer Hardware unter schrittweise vielfältigeren Bedingungen.
Reale Erfahrungen sind besonders wichtig für Fehlerbehebung und situationsbezogene Entscheidungen. Ein leistungsfähiger Roboter muss nicht nur wissen, wie eine Aufgabe abgeschlossen wird, sondern auch erkennen, wann er langsamer werden, anhalten oder Unterstützung anfordern sollte. Er benötigt Beispiele für überfüllte Räume, ungewöhnliche Objektpositionen, beschädigte Werkzeuge und unvollständige Anweisungen. Menschliche Aufsichtspersonen bleiben wichtig, weil sie subtile Fehler kennzeichnen können, die eine automatische Bewertung möglicherweise übersieht, etwa wenn ein zerbrechlicher Gegenstand zu nahe an einer Kante abgelegt wird. Hochwertige Daten bestehen daher nicht nur aus einer großen Zahl von Aufzeichnungen. Sie erfordern eine genaue Synchronisierung der Sensoren, klare Aufgabenbeschreibungen, unterschiedliche Bedingungen und eine ehrliche Dokumentation von Erfolgen und Misserfolgen. Ohne diese Grundlage kann ein großes Modell unzuverlässige Abkürzungen erlernen.
Was physische KI im Jahr 2026 leisten kann und wo ihre Grenzen liegen
Industrie- und Logistikumgebungen gehören zu den aussichtsreichsten kurzfristigen Einsatzbereichen, weil Aufgaben klar definiert und Arbeitsbereiche kontrolliert werden können. Physische KI kann Robotern helfen, gemischte Bauteile zu erkennen, einen Griff an geringfügige Veränderungen anzupassen, Produkte zu prüfen, Pakete zu sortieren und auf natürlich formulierte Anweisungen zu reagieren. Dies ist flexibler als traditionelle Automatisierung, bei der jedes Objekt in derselben Position eintreffen muss. Ein zuverlässiger industrieller Einsatz erfordert jedoch weiterhin eine sorgfältige technische Gestaltung rund um das Modell. Haltevorrichtungen, kalibrierte Kameras, geprüfte Greifer, Zugangskontrollen und Notfallsysteme bleiben unverzichtbar. Ein Basismodell kann die Auswahl und Anpassung von Aufgaben verbessern, beseitigt jedoch nicht die Notwendigkeit einer durchdachten Prozessgestaltung, regelmäßiger Wartung und messbarer Qualitätskontrollen.
Forschungsdemonstrationen umfassen auch Haushaltsarbeiten, Landwirtschaft, Labore und das Gesundheitswesen. Mobile Manipulationsroboter haben Räume gereinigt, Gegenstände zwischen verschiedenen Orten transportiert und mehrstufige Anweisungen in unbekannten Haushalten befolgt. Landwirtschaftliche Maschinen können mithilfe von Bildverarbeitung Nutzpflanzen oder Unkraut identifizieren, während Laborroboter wiederkehrende Handhabungs- und Messvorgänge automatisieren können. Die medizinische Robotik entwickelt sich durch größere gemeinsame Datensätze und Modelle für Aufgaben wie chirurgische Manipulation, Ultraschall und Endoskopie weiter. Diese Bereiche erfordern jedoch eine strenge Überwachung, klinische Nachweise und behördliche Genehmigungen. Im Jahr 2026 ist es zutreffender, viele dieser Systeme als fortgeschrittene Forschungsprojekte oder zweckgebundene Werkzeuge zu beschreiben und nicht als autonome Ersatzlösungen für ausgebildete Fachkräfte.
Autonome Fahrzeuge, Drohnen und Feldroboter sind ebenfalls Formen physischer KI, weil sie eine sich verändernde Umgebung wahrnehmen und unter Zeitdruck handeln müssen. Ihre Modelle kombinieren Karten, Kameras, Radar, Lidar oder andere Sensoren mit Bewegungsplanung und Steuerung. Die konkrete Aufgabe unterscheidet sich von der Manipulation auf einer Tischfläche, doch die Lernherausforderung ist ähnlich: Seltene Ereignisse können entscheidend sein, und ein selbstsicher ausgeführter Fehler kann physische Folgen haben. Wetterbedingungen, beschädigte Straßen, ungewöhnliches menschliches Verhalten und verdeckte Sensoren erzeugen Situationen, die möglicherweise nur selten in Trainingsdaten vorkommen. Ein zuverlässiger Einsatz hängt daher von klar begrenzten Betriebsbedingungen, wiederholten Prüfungen und geeigneten Rückfallmechanismen ab und nicht ausschließlich von einer besseren Objekt- oder Spracherkennung.
Sicherheit, Zuverlässigkeit und die nächste Entwicklungsstufe
Ein Roboter, der umfassende Schlussfolgerungen ziehen kann, benötigt dennoch unabhängige Sicherheitsebenen. Dazu können Geschwindigkeits- und Kraftbegrenzungen, Kollisionserkennung, geschützte Arbeitsbereiche, Not-Aus-Schalter, gesonderte Sicherheitssensoren und eine Steuerung gehören, die eine unsichere Aktion ablehnen kann. Auch semantische Prüfungen gewinnen an Bedeutung. Ein Roboter sollte erkennen, dass eine technisch ausführbare Anweisung dennoch unangemessen sein kann, etwa wenn ein scharfes Werkzeug auf eine Person zubewegt oder ein heißer Gegenstand auf einer instabilen Oberfläche abgestellt werden soll. Die aktuelle Forschung bevorzugt zunehmend modulare Schutzmaßnahmen, statt sämtliche Entscheidungen einem einzigen durchgängigen Modell zu überlassen. In industriellen Umgebungen behandeln die aktualisierten Normen ISO 10218-1:2025 und ISO 10218-2:2025 die Konstruktion von Robotern und die sichere Integration von Roboteranwendungen. Damit unterstreichen sie die Notwendigkeit einer Risikominderung, die über das KI-Modell hinausgeht.
Zuverlässigkeit muss unter Bedingungen gemessen werden, die dem tatsächlichen Einsatz entsprechen. Eine hohe Erfolgsquote bei einem bekannten Benchmark sagt wenig über die Leistung in einem unübersichtlichen Raum, nach einer Sensorabweichung oder während einer langen Aufgabenfolge aus. Eine aussagekräftige Bewertung berücksichtigt die Aufgabenerfüllung, die Häufigkeit von Kollisionen, menschliche Eingriffe, die Erholung nach einem Fehler, Reaktionszeiten und den Umgang mit unbekannten Gegenständen. Entwickler sollten außerdem Betriebsgrenzen und bekannte Schwächen in Model Cards oder vergleichbaren Dokumentationen angeben. Bis August 2026 stammen die belastbarsten Nachweise weiterhin aus wiederholten Versuchen mit realen Robotern in unterschiedlichen Umgebungen. Ein professionell erstelltes Video kann eine Fähigkeit zeigen, belegt jedoch nicht, wie häufig dasselbe Verhalten scheitert oder wie sicher das System mit einem unerwarteten Ereignis umgeht.
Die nächste Entwicklungsphase wird voraussichtlich größere gemeinsame Datensätze, leistungsfähigere Weltmodelle, kleinere lokal ausgeführte Modelle und eine bessere Übertragung zwischen unterschiedlichen Roboterkörpern miteinander verbinden. Roboter könnten zentral ein breites Spektrum an Fähigkeiten erlernen und anschließend mit einer begrenzten Zahl von Beispielen an eine neue Maschine angepasst werden. Mehrere Roboter könnten außerdem Erfahrungen austauschen, sodass eine von einem System erfolgreich geprüfte Fehlerbehebung auch andere Maschinen verbessert. Der Fortschritt wird dennoch weniger von eindrucksvollen Einzelaufgaben als von gleichbleibender Leistung, transparenter Bewertung und kontrolliertem Lernen nach der Inbetriebnahme abhängen. Physische KI entwickelt sich im Jahr 2026 von festgelegter Automatisierung hin zu Maschinen, die Anweisungen interpretieren und ihr Verhalten anpassen können. Allgemein einsetzbare Roboter, die in jeder gewöhnlichen Umgebung sicher arbeiten, sind jedoch noch keine vollständig gelöste Technologie.