SAN FRANCISCO / LONDON (IT BOLTWISE) – Nvidia adressiert bei der „Real World AI Stage“ den größten Engpass für KI-gestützte Robotik: Es fehlt an breit verfügbaren Datensätzen für Physical AI. Les Karpas, Global Head of Physical AI bei Nvidia Inception, verknüpft dazu Simulation, synthetische Daten und Foundation-Model-Ansätze. Im Fokus steht die Frage, wie sich der Transfer aus der digitalen in die physische Welt robust genug machen lässt. Die Veranstaltung läuft vom 13. bis 15. Oktober 2026 im Moscone West.
Seit ChatGPT im November 2022 schlagartig gezeigt hat, wie leistungsfähig große Sprachmodelle wirken können, ist KI in vielen Bereichen vom „Hype“ in den Alltag gewandert. Für Robotik gilt das bisher noch nicht im gleichen Tempo: Es gibt zwar seit Jahren Fortschritte in Wahrnehmung, Navigation und Aktorik, aber der entscheidende Sprung zu allgemein einsetzbaren, zuverlässigen Robotern lässt weiterhin auf sich warten. Genau dort setzt die geplante Session auf der „Real World AI Stage“ an, in der Nvidia Inception Physical AI in den Mittelpunkt rückt. Laut dem angekündigten Vortrag von Les Karpas geht es dabei nicht um eine einzelne Technik, sondern um ein Grundproblem der Datenlage für KI in der physischen Welt.
Der Kern seiner Argumentation ist vergleichsweise klar: Während Sprachmodelle profitieren konnten, weil Sprache im Netz in riesigem Umfang als Trainingsmaterial verfügbar ist, fehlt es Physical AI an einem ähnlich breiten „Internet-weit“ verfügbaren Datensatz. Für selbstfahrende Flotten bedeutet das im Umkehrschluss: Der Aufbau von Trainingsdaten braucht lange Laufzeiten, wie man es aus den Erfahrungen mit etablierten Projekten im autonomen Fahren kennt. Auch wenn sich diese Daten kontinuierlich vergrößern, bleibt der Maßstab marktspezifisch. Robotik-Unternehmen stehen damit vor einer deutlich härteren Hürde, weil sie nicht nur Muster erkennen, sondern in dynamischen Umgebungen mit mechanischen Systemen verlässlich handeln müssen – und diese Interaktion ist stark variabel, von Beleuchtung und Geometrie bis zu unvorhersehbaren Bewegungen in realen Räumen.
Um diese Lücke dennoch zu schließen, wächst inzwischen ein Ökosystem von Startups, das Skalierung künstlich herstellt: über Simulationen, synthetische Daten und KI-Modelle, die auf mehreren Robotervarianten trainiert werden. Die Idee dahinter ist, mehr „Versuche“ in kürzerer Zeit zu erzeugen und damit die Trainingsbasis zu verbreitern, ohne auf Jahre realer Feldtests angewiesen zu sein. Gleichzeitig wird damit ein zentrales Problem sichtbar: Simulation kann Daten liefern, aber sie bildet die Realität nie vollständig ab. Der Übergang zwischen digitaler Trainingswelt und physischer Ausführung – oft als „Sim-to-Real“-Frage diskutiert – entscheidet darüber, ob ein Modell in der Produktion, auf dem Werkstattboden oder in einem Logistikzentrum tatsächlich robust bleibt.
Dass Nvidia Inception dafür explizit eine eigene Bühne („Real World AI Stage“) organisiert, passt zur Ausrichtung der Organisation: Les Karpas koordiniert als Global Head of Physical AI die Beziehungen zu einem breiten Startup-Netzwerk, das von Robotik über Automotive und Fertigung bis hin zu Smart-City- und Mobilitätsprojekten reicht. Damit trifft er regelmäßig genau auf Teams, die versuchen, den Datenengpass zu lösen. Seine Laufbahn spiegelt diese Querschnittsanforderungen wider: Er war unter anderem bei Stanley Black & Decker, Intellectual Ventures und iRobot tätig, später auch in Funktionen von Venture-Studios und Corporate-Venture-Kontexten. Für den Robotikmarkt ist diese Mischung relevant, weil die Technologie allein selten reicht; gebraucht werden auch Produktisierung, Lieferkettenverständnis für Hardware-Entwicklungen und ein Real-World-Deployment, das Datenproduktion und Modellverbesserung verbindet.
Interessant ist zudem, wie die Session die nächsten Schritte formuliert, ohne so zu tun, als sei die Lösung bereits „einfach“ verfügbar. Im angekündigten Format soll Karpas gemeinsam mit Gründern mehrerer Unternehmen diskutieren, die sich mit unterschiedlichen Segmenten von KI in der physischen Welt beschäftigen. Der Mehrwert entsteht dabei weniger aus einzelnen Features als aus der Gesamtschau: Wer Sensorik, Modelltraining und Feldbetrieb zusammenbringt, lernt typischerweise auch, welche Daten-Streams am meisten Wirkung zeigen und wo sich Kostenfallen verbergen. Besonders bei Universalrobotern wird die Frage schnell praktisch: Welche Teile lassen sich durch synthetische Daten abdecken, welche brauchen reale Interaktionen in spezifizierter Umgebung, und wie werden Fehler so diagnostiziert, dass das System iterativ besser wird?
Für Entscheider in Unternehmen ist der Blick auf die Datenlücke deshalb unmittelbar wirtschaftlich. Robotik-Projekte scheitern häufig nicht daran, dass kein Modell existiert, sondern daran, dass der Weg zur verlässlichen Leistung zu teuer oder zu langsam wird. Wenn ein Unternehmen Trainingsdaten nicht in ausreichendem Umfang erzeugen kann, bleibt es entweder bei Pilotprojekten oder muss mit konservativen Betriebsregeln arbeiten. Genau hier könnten Simulationen, synthetische Daten und foundation-model-gestützte Ansätze als Beschleuniger wirken – sofern der Transfer in die reale Umgebung hinreichend kontrollierbar ist. Der Event-Frame zielt deshalb auch auf „Lessons learned“: Wer später in Robotik investiert oder selbst Systeme entwickelt, gewinnt schnelleres Lernen durch einen sauber definierten Datenprozess.
Wer die angekündigte Diskussion in San Francisco im Moscone West verfolgt, bekommt damit nicht nur einen Blick auf Nvidia’s Position, sondern auch auf die Richtung, in die Physical AI-Teams derzeit arbeiten. Für die KI-Community ist das ein Hinweis darauf, dass der nächste große Produktsprung vermutlich nicht von reiner Modellgröße kommt, sondern von besserer Datenstrategie und enger Verkopplung zwischen Trainingspipeline und realem Betrieb. Ob sich dadurch tatsächlich das „ChatGPT-Moment“ für Robotik einstellt, hängt von einer kniffligen Kombination ab: skalierbare Datenerzeugung, verlässliche Sim-to-Real-Transfermechanismen und ein Engineering, das Ausnahmen nicht nur erkennt, sondern sicher behandelt. Bis dahin bleibt der angekündigte Themenfokus ein guter Leitfaden, um selbst zu prüfen, wo der eigene Robotik-Stack heute noch zu stark von einzelnen Dateninseln abhängig ist.
💳 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 "Warum Robotik noch kein „ChatGPT-Moment“ hat – Nvidia erklärt den Datenengpass" 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 "Warum Robotik noch kein „ChatGPT-Moment“ hat – Nvidia erklärt den Datenengpass" 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: »Warum Robotik noch kein „ChatGPT-Moment“ hat – Nvidia erklärt den Datenengpass« bei Google Deutschland suchen, bei Bing oder Google News!