LONDON (IT BOLTWISE) – Anthropic zeigt mit „Project Fetch“ der Öffentlichkeit und der eigenen Belegschaft, wie weit moderne KI-Modelle bereits beim Umgang mit physischen, handelsüblichen Robotern kommen. In Phase zwei schafft Claude Opus 4.7 Aufgaben, die früher noch mit menschlicher Co-Pilot-Arbeit entstanden, teils um Größenordnungen schneller. Gleichzeitig wird klar: Die fein abgestimmte Closed-Loop-Steuerung beim präzisen „Fetch“-Part bleibt eine Herausforderung. Für Unternehmen heißt das vor allem: KI-gestützte Robotik wird zunehmend zugänglich, aber Sicherheit, Testbarkeit und Schnittstellen werden zum entscheidenden Produkt-Thema.
Anthropic beschreibt „Project Fetch“ als experimentelles Lernfeld für den Übergang von großen Sprachmodellen in die physische Welt. Der Kernbefund von Phase zwei ist dabei weniger spektakulär als praktisch: Claude Opus 4.7 kann in einem Aufgabenparcours mit einem handelsüblichen Vierbeiner („robodog“) deutlich schneller Ergebnisse liefern als Teams, die allein auf Internetrecherche und eigene Ideen angewiesen sind. Schon im Vorgängerexperiment war sichtbar, dass das Modell eine Art „Turbo“ für nicht spezialisierte Mitarbeitende darstellt. Jetzt zeigt sich das Muster noch klarer: Wo Menschen bei Sensorzugriff, Programmierung und Verkettung einzelner Schritte zögern oder mehrere Ansätze abwägen müssen, führt die KI wesentlich geradliniger zu funktionierendem Code.
Technisch betrachtet besteht die Aufgabenfolge aus mehreren, im Alltag typischen Schnittstellenproblemen der Robotik: Zunächst muss das System über den Hersteller-Controller mit dem Roboter interagieren und anschließend Video- und Lidar-Signale so ansprechen, dass Wahrnehmung überhaupt programmierbar wird. Danach folgt das Implementieren eines Handlungsplans in Software: ein Programm, das den Roboter bedient, die Bahn im Raum überwacht und schließlich eine Zielinstanz erkennt – im Experiment der Strandball. Erst am Ende wird diese Pipeline zu einer autonomen Sequenz gebündelt, die den Roboter so steuert, dass der Ball zum Startpunkt zurückbefördert wird. Claude ist hierbei besonders hilfreich, weil es komplexe, mehrschrittige Anforderungen in lauffähige Zwischenschritte übersetzt, statt nur Theorie zu liefern.
Die Autoren führen zudem die Messlogik sauber aus: Opus 4.7 wurde nicht als vollständiger Ersatz für fehlende Robotik-„Hands-on“-Kompetenz eingesetzt, sondern als beschleunigender Partner. Ein „Researcher“ blieb im Loop, indem er das Notebook mit Claude Code an den Roboter anschloss, den Startprompt bestätigte, Befehle freigab und das Modell jeweils zum nächsten Task Schritt führte. Entscheidender Unterschied zu „reiner Autonomie“ ist also nicht nur die Fähigkeit, Code zu generieren, sondern die verlässliche Integration in eine sichere Ausführungsumgebung. Dass Opus 4.7 beim überwiegenden Teil der Schritte bis zu zehn- oder mehrmals schneller ist, deutet auf Fortschritte in Agenten-ähnlichem Problemlösen, also in der Fähigkeit hin, richtige Pfade früher zu wählen und weniger Sackgassen zu produzieren.
Im Markt zeigt sich damit eine Entwicklung, die auch andere Teams im Robotik-Ökosystem seit Jahren beobachten: Bei der Automatisierung gibt es oft zuerst Verbesserungen in „Software-Layern“, bevor echte Regelungs- und Aktorikfeinschliffe beherrscht werden. Wettbewerber wie Tesla mit „Optimus“ oder Startups wie Figure AI setzen zwar ebenfalls auf KI-gestützte Steuerung, adressieren jedoch häufig andere Daten- und Lernpfade, etwa spezifische Trainingspipelines oder roboterspezifische Systemintegration. Analysen aus der Branche ordnen diese Phase als Verschiebung von „Pilotieren mit Expertenwissen“ hin zu „Assistieren beim Engineering“ ein: Modelle übernehmen wiederkehrende Engineering-Arbeit, während Menschen weiterhin für Sicherheit, Robotik-spezifische Details und die Validierung kritischer Verhaltensweisen verantwortlich bleiben.
Gerade deshalb ist die differenzierte Schwäche von Claude Opus 4.7 wichtig. Der experimentelle „Fetch“-Part verlangt eine besonders subtile Closed-Loop-Steuerung: Menschliche Pilot:innen können mit Übung und nach kleinen Fehlerkorrekturen wahrnehmen, wie sich die Ballposition zur letzten Aktion verändert, und dann sanft nachregeln. Claude konnte den Ball zwar oft hinter den Ball bewegen und den Roboter so positionieren, dass ein späteres Anstoßen grundsätzlich möglich wird, aber die Feinsteuerung war unzuverlässig. Ein Robotics-Expertenblick wäre hier: Sprachmodelle können sehr gut die Abfolge planen, doch bei Regelungsproblemen mit starkem Feedback und empfindlichen Genauigkeitsanforderungen braucht es entweder mehr Iterationszyklen oder explizitere Kontrollarchitekturen.
Opus 4.7 blieb außerdem nicht perfekt, etwa weil es in einem Fall auf eine veraltete Objekterkennungs-Strategie zurückfiel. Dennoch ist das Muster relevant: Selbst bei suboptimaler Wahl gelang es dem System, das Problem zu „umgehen“ und zu einer funktionierenden Lösung zu kommen. Für Unternehmen bedeutet das eine doppelte Konsequenz. Erstens werden KI-Modelle voraussichtlich die Zeit bis zum ersten erfolgreichen Prototyp drastisch senken, weil sie die meisten Schritte schneller zusammenbauen und weniger Code-Wiederholungen erzeugen. Zweitens steigt die Bedeutung von Testharnesses, Telemetrie und kontrollierten Freigabemechanismen, da „funktioniert im Versuch“ nicht automatisch „funktioniert im Feld“ heißt. In der Praxis wird der sichere Zugriff auf Sensoren, die Rechteverwaltung für Roboterschnittstellen und das Logging von KI-Entscheidungen zum zentralen Bestandteil der Systemarchitektur.
Aus historischer Perspektive passt das in eine größere Entwicklungslinie: Als Sprachmodelle zuerst mit Text- und Code-Tools integriert wurden, zeigte sich ebenfalls, dass der große Sprung nicht immer „zu neuer Physik“, sondern zu besseren Werkzeug-Workflows führte – etwa beim agentischen Editieren oder beim planvollen Generieren von Softwarebausteinen. Erst danach kamen robustere End-to-End-Fähigkeiten. Anthropic betont, dass die Fortschritte in Phase zwei vor allem aus dem allgemeinen Scaling und der Weiterentwicklung der Modelle resultieren, nicht aus einer gezielten Robotik-Sonderbehandlung. Gleichzeitig deuten die Ergebnisse darauf hin, dass das „Hardware-Kleingedruckte“ nicht mehr der absolute Engpass ist, sondern ein nachgelagerter Optimierungsbereich, der durch agentisches Arbeiten schrittweise erschließbar wird.
Der Ausblick der Autoren zielt daher auf die nächsten Hürden: Modelle müssen nicht nur Aktionen planen, sondern zunehmend Control Policies maßschneidern können, und sie müssen roboter- und task-spezifisch lernen, ohne dass jedes Mal ein tiefes Spezialteam nötig ist. Hier könnten sich auch rechtliche und regulatorische Anforderungen stärker bemerkbar machen: In vielen Einsatzfeldern – von Logistik bis Industrie – verlangen Betreiber Nachweisbarkeit, Sicherheitsbewertungen und eine klare Abgrenzung zwischen „unter Aufsicht“ und „autonom im Betrieb“. Entwickler sollten deshalb frühzeitig auf überprüfbare Schnittstellen, deterministische Schutzschichten und nachvollziehbare Entscheidungswege setzen, etwa durch standardisierte Ereignisprotokolle, begrenzte Aktionsräume und abgestufte Freigabeprozesse. Wer das schafft, kann die neue Generation physisch agentischer KI besonders schnell in Pilotprojekte überführen, während die nächste Entwicklungsstufe – präzise Closed-Loop-Fetch-Aufgaben – in naher Zukunft zum maßgeblichen Qualitätskriterium wird.
💳 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.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【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 "Project Fetch: Wie neue Claude-Modelle Roboteraufgaben deutlich beschleunigen" 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 "Project Fetch: Wie neue Claude-Modelle Roboteraufgaben deutlich beschleunigen" 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: »Project Fetch: Wie neue Claude-Modelle Roboteraufgaben deutlich beschleunigen« bei Google Deutschland suchen, bei Bing oder Google News!