Künstliche Intelligenz tritt in die physische Welt ein: Physical AI

Was mit dem autonomen Fahren begonnen hat, setzt sich bei der Entwicklung der Physical AI fort: Künstliche Intelligenz wird wird in physische Systeme wie Roboter, Maschinen oder Drohnen integriert. Eine herausragende Eigenschaft dieser intelligenten Systeme ist, aus Fehlern lernen zu können und Strategien anzupassen. Sie können sich in unbekannten Umgebungen zurechtfinden und eigenständig komplexe Manipulationen durchführen. Ausserdem arbeiten sie ohne vorab programmierte Sicherheitsregeln mit Menschen zusammen.

Physical AI funktioniert durch einen geschlossenen, kontinuierlichen Kreislauf, der menschliche Sinne und Entscheidungsprozesse nachahmt. Dieser Prozess lässt sich in vier Hauptschritte unterteilen: Wahrnehmung (Perception), Analyse und Interpretation (Cognition), Planung und Lernen sowie Ausführung (Action). In der Wahrnehmungsphase erfassen die physischen Systeme ihre Umgebung mit verschiedenen Sensoren. Die erfassten Sensordaten werden durch multimodale grosse Sprachmodelle (MLLMs), Vision-Language-Action-Modelle und tiefe neuronale Netze verarbeitet. Auf Basis der Analyse erstellt das System einen Plan für die erforderliche Aktion. Dabei nutzt Physical AI verschiedene Lernmechanismen. Besonders wichtig sind Simulationen mit digitalen Zwillingen, in denen der Roboter Millionen von Szenarien trainiert, bevor er in der Realität agiert. Schliesslich setzen Aktoren, Motoren und Roboterarme die geplanten Handlungen um. Diese Ausführung erfolgt oft auf Basis von Edge AI, unterstützt durch Internetverbindungen für komplexere Datenverarbeitung. Dies ist ein immerwährender Kreislauf: Das System lernt aus jeder Aktion, verbessert sich selbst und passt sich an verändernde Bedingungen an, ohne dass menschliche Programmierer manuell eingreifen müssen.

Bildergalerie

Beckhoff auf der Hannover Messe 2026

Physical AI: Beckhoff macht Maschinen sprachfähig

Neuer Standort in der Schweiz

Neura Robotics in Zürich: Knoten für humanoide Robotik und Physical AI

Limitierenden Faktoren bei der Entwicklung von Künstlicher Intelligenz

In den letzten Jahren hat sich die Künstliche Intelligenz rasant entwickelt: Als Forschungs- und Expertenthema hin zu intelligenten physischen Systemen die über verschiedene Sensoren autonom mit der Umwelt agieren. Doch es gibt einige limitierende Faktoren, die die weitere Entwicklung beeinflussen. Ein wichtiger Punkt dabei ist die Recheninfrastruktur und Hardware. Um grosse Sprachmodelle zu trainieren, braucht man spezielle Hardware – vor allem GPUs von Nvidia. Nvidia hat einen quasi-Monopol auf dem Markt und Schwierigkeiten die Nachfrage zu erfüllen. Aber es entstehen in der Industrie zahlreiche alternative Prozessor-Technologien, die Nvidias Dominanz herausfordern oder wichtige Nischenbereiche abdecken. Diese neuen Entwicklungen versprechen höhere Effizienz, bessere Kosteneffektivität, geringeren Energieverbrauch oder Spezialisierung auf bestimmte KI-Aufgaben. Auch photonische Prozessoren spielen dabei eine zunehmend wichtige Rolle.

Auch die Datenqualität ist ein wichtiger Faktor. Es hat sich gezeigt, dass die Qualität der Daten wichtiger ist als die Quantität. Wenn ein Modell auf Daten trainiert wird, die bereits Fehler enthalten, verstärken sich diese Fehler. Auch regulatorische Faktoren spielen eine wichtige Rolle. Vor allem kleinere Unternehmen haben oft nicht die Ressourcen, um komplexe Compliance-Prozesse aufzubauen. Hinzu kommen Datenschutzanforderungen.

Bei den LLMs ist das Thema Halluzination ein ungelöstes Problem. Das liegt an der Funktionsweise dieser Systeme. Ein LLM funktioniert durch Token-Vorhersage, es kann nicht zwischen richtig und falsch unterscheiden.

(ID:48237588)