LONDON (IT BOLTWISE) – Die physische KI rutscht nach einem Hype-Abschnitt in eine technisch härtere Phase: Während Roboter in Bewegung und Wahrnehmung besser werden, fehlen häufig die Daten- und Trainingsgrundlagen für zuverlässig werthaltige Arbeit. Die jüngste Marktreaktion auf die Unitree-Bewertung zeigt, wie schnell Erwartungen kippen, sobald Feldperformance hinter dem Potenzial zurückbleibt. Auf der Actuate-Konferenz stand deshalb vor allem die Frage im Fokus, wie sich Trainingsdaten, Simulation und Reinforcement-Learning-Setups systematisch verbessern lassen. Parallel treiben Infrastruktur-Teams wie Foxglove Tools für Data-Search und Evaluation voran, um Iterationen schneller zu machen.
Die Schlagzeile wirkt wie ein klassischer Zyklus aus Fortschritt, Euphorie und Ernüchterung. In der Meldung zur chinesischen Robotikfirma Unitree heißt es, das Unternehmen sei nach dem Börsengang zeitweise auf eine Bewertung von 66 Milliarden US-Dollar gekommen und habe anschließend fast die Hälfte dieses Wertes verloren. Analysten begründen den Rückschlag vor allem damit, dass sich die körperliche Leistungsfähigkeit der Roboter zwar verbessert, das Know-how für wirklich wertschöpfende Aufgaben im Alltag aber oft noch fehlt. Damit trifft die physische KI einen wunden Punkt der aktuellen Modellgeneration: Sie kann Bewegungen und Wahrnehmung immer häufiger “gut genug” integrieren, doch die Brücke zu einer belastbaren, wirtschaftlich nutzbaren Handlungskette bleibt je nach Use Case lückenhaft.
Technisch betrachtet dreht sich diese Lücke um die Trainingsdaten und darum, wie gut ein Modell reale Manipulation in einer Vielzahl von Situationen verallgemeinern kann. Der Text spricht von einer “Robotics data crisis”, konkret also dem Mangel an hochwertigen Trainingsdaten. Versuche, aus generalisierten Robotern “für jede Aufgabe” eine verlässliche Produktklasse zu machen, seien noch weit entfernt. Auch end-to-end Lernansätze für einzelne Aufgaben hätten bisher keine Produkte mit stabiler, kommerziell belastbarer Performance hervorgebracht. Für Entwickler bedeutet das: statt nur mehr “magisches” Training zu hoffen, müssten sie Daten diversifizieren, Trainingsregime gezielt variieren und Reinforcement-Learning-Szenarien so modellieren, dass sie zu den tatsächlichen Anforderungen der Domäne passen.
Auf der letzten Actuate-Konferenz, die sich laut Quelle an Entwickler richtet, die “KI-Gehirne” für Roboter bauen, wurde genau dieses Vorgehen sichtbar. Die Veranstaltung habe sich seit dem Start 2023 deutlich vergrößert und zähle inzwischen 1.500 Teilnehmende, wie die Organisatorseite Foxglove angibt. Gleichzeitig zeigten Messestände die Risikolage: Ein Hinweis zu einer “Robotics data crisis” deutet darauf hin, dass viele Infrastrukturthemen rund um physische KI noch keinen standardisierten, wiederholbaren Weg zu hoher Feldqualität gefunden haben. Der Gründer von Antioch, Harry Mellsop, beschreibt den Reifegrad dabei als “GPT 2 era” der physischen KI: demnach fehlt noch die nächste Stufe, die eher durch deutlich mehr Daten und Compute erreicht wird als durch lokale Modelloptimierungen.
Gerade Simulationen sollen hier eine Schlüsselrolle spielen, weil reale Daten aus Robotik teuer und schwer steuerbar sind. Mellsop nennt als Beispiel GPUs, die für Ray Tracing optimiert sind, um Simulationen mit hoher Detailtreue zu erzeugen. Besonders weit seien nach dem Text autonome Fahrzeuge, nicht nur wegen der Datenlage aus dem Straßenbetrieb, sondern auch weil die Hauptaufgabe oft das sichere Vermeiden von Kontakt ist statt das präzise Manipulieren einer Umgebung. Dazu passt auch die Aussage, dass ein großer Teil der Tooling-Ökosysteme aus dem Umfeld der autonomen Fahrzeugentwicklung kommt. Foxglove wurde beispielsweise laut Quelle von ehemaligen Mitarbeitenden bei Cruise gegründet, und diese Lernkurve aus der Vehicle-Welt wird nun zunehmend als Baustein gedacht, um auch bei humanoiden Robotern wettbewerbsfähig zu werden.
Im Markt verschiebt sich dabei die Zuständigkeit: Während autonome Fahrzeuge traditionell das ML-Setup lieferten, investieren nun auch Teams in humanoide Plattformen. Der Text nennt Tesla und dessen Optimus als Beispiel sowie Wayve und Uber, die R&D-Labs für humanoide Formfaktoren gestartet haben. Alex Kendall, CEO von Wayve, bringt die Richtung so auf den Punkt: „I think you need to start in vehicles… manipulation robotics is like self-driving five years ago, “ und er ergänzt, dass die Dateninfrastruktur, die Simulation und auch ML-Operations-Elemente zwar teilweise gemeinsam genutzt werden könnten, die “world model”-Anpassung nach dem Training aber je nach Embodiment unterschiedlich ausfällt. Daneben betont Théophile Gervet, CEO von Genesis AI, in einem Zitat die Gegenposition: „we’re too early in this wave for a brain strategy to work; our take us there’s lots of opportunities to co-design hardware and AI.“ In der Praxis bedeutet das: Hardware, Sensorik und die Art, wie ein Modell mit der Umgebung interagiert, sind nicht austauschbare Variablen, sondern müssen zusammen gedacht werden.
Auch die Frage nach dem Geschäftsmodell ist in der Quelle sehr konkret, weil sie direkt mit Datenqualität und Feldfeedback zusammenhängt. Der Text beschreibt, dass sich viele Robotikfirmen auf spezifische Aufgaben fokussieren und bereits in die Fläche gehen, etwa in Solarparks, in industriellen Umgebungen oder bei autonomem Aushub. General-purpose-Humanoide hingegen bleiben zunächst in den Laboren; Gervet formuliert das Problem pointiert: „No customer cares about the general purpose robot that works at 80% success rate.“ Eine enge Vertikalfokussierung liefert außerdem echte Deploymentdaten, auch wenn sie für das “General Purpose”-Versprechen möglicherweise nicht breit genug sind. Bedrock CTO Kevin Peterson hebt den Lernwert hervor: Man starte bei der Excavation, um “manipulation in the wild” besser zu verstehen, plane aber eine Intelligence-Layer über mehrere Baumaschinen hinweg. Dass dabei gerade visuelle und LiDAR-Daten schwer zu handhaben sind, erklärt auch, warum Infrastrukturteams an der “letzten Meile” arbeiten.
Foxglove nimmt genau diesen Infrastrukturhebel in den Mittelpunkt und kündigt laut Quelle ein neues Produkt an, das auf einem Nvidia-Cosmos-Open-Weight-World-Model aufsetzt. Zentral ist die Idee, Daten mit Hilfe natürlicher Sprachabfragen durchsuchen zu können, um Evaluationen und Simulationen aufzubauen. Ziel ist schnellere Ursachenanalyse, damit Modellbauer weniger Zeit in “manuellem Durchwühlen” von Logs verbringen und schneller iterieren. In der Debatte um das erwartete “ChatGPT-Moment”-Gegenstück für Robotik werden die unterschiedlichen Perspektiven deutlich: Kendall verweist darauf, dass die größten Robotik-Deployments bisher Consumer-Vakuumroboter sind, und definiert eine Erfolgsgeschichte als etwas, das Konsumenten begeistert statt nur Investor: innen. Gervet hält dagegen, dass es für physische KI eine Art “out of the box”-Manipulation geben müsse, die natürliche Sprache zuverlässig in konkrete Handgriffe übersetzt. Adrian Macneil von Foxglove stellt schließlich die Verteilungsfrage in den Vordergrund und sagt: „There will not be a ChatGPT moment for robotics.“ Er vergleicht das mit Apple II oder IBM PC und macht klar: Entscheidend wird sein, ab wann ein Heimbetrieb wirklich bezahlbar und nutzbar ist. Für Unternehmen heißt das übersetzt weniger “warten auf den einen Durchbruch”, sondern eine konsequente Kette aus Datenstrategie, Simulationstiefe und Evaluations-Workflows aufzubauen, um aus Laborleistung Feldnutzen zu machen.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Physische KI nach dem Hype: Warum Robotik-Daten und Simulationen die Lücke schließen sollen" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Physische KI nach dem Hype: Warum Robotik-Daten und Simulationen die Lücke schließen sollen" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Physische KI nach dem Hype: Warum Robotik-Daten und Simulationen die Lücke schließen sollen« bei Google Deutschland suchen, bei Bing oder Google News!