Physical AI’s GPT-2-Zeit: Warum Roboter die Arbeit immer noch nicht schaffen

BitcoinWorldPhysical AI’s GPT-2-Zeit: Warum Roboter die Arbeit immer noch nicht schaffen
Physical-AI-Startups sammeln Milliarden, um Techniken aus großen Sprachmodellen auf die Robotik zu übertragen, doch die Branche stößt an eine Wand: Roboter mangelt es an Daten und Intelligenz, um werthaltige Aufgaben zuverlässig auszuführen. Diese Realität wurde diese Woche unterstrichen, als Unitree, Chinas führender Robotikhersteller, nach einem 66-Milliarden-Dollar-IPO an der Chinas STAR Market knapp die Hälfte seines Marktwerts verlor – nachdem Analysten die Lücke zwischen physischer Leistungsfähigkeit und praktischer Handwerkskunst hervorgehoben hatten.
Warum die Datenkrise die Entwicklung von Physical AI ausbremst
Auf der vergangenen Actuate-Konferenz in San Francisco kamen Entwickler zusammen, die KI-Gehirne für Roboter bauen, um sich der „Robotics Data Crisis“ zu stellen, wie sie von Avala, einem Unternehmen für physische KI-Infrastruktur, genannt wurde. Die von Foxglove organisierte Veranstaltung verdreifachte sich seit 2023 auf 1.500 Teilnehmende – ein Zeichen für Aufregung und Dringlichkeit zugleich. Das Kernproblem: Es gibt nicht genug hochwertige Trainingsdaten, um Robotern zu vermitteln, dass sie generalisierte Fähigkeiten beherrschen, und End-to-End-Lernen für bestimmte Aufgaben hat bislang noch keine verlässlichen kommerziellen Produkte hervorgebracht.
Harry Mellsop, Gründer von Antioch, einem Startup, das Simulationstools entwickelt, verglich physische KI mit der „GPT-2-Ära“ von OpenAI – bevor ChatGPT die Macht von Skalierung bewies. Er glaubt, dass mehr Daten und Rechenleistung, insbesondere GPUs, die für Ray Tracing optimiert sind, um Simulationen mit hoher Detailtreue zu erzeugen, nötig sind, um das Feld voranzubringen. Autonome Fahrzeuge sind am weitesten, weil sie echte Fahrdaten sammeln können und die Hauptaufgabe das Kollisionsvermeiden ist – nicht die Manipulation.
AV-Unternehmen schwenken auf Humanoide
Die Werkzeuge, die für autonomes Fahren entwickelt wurden, werden jetzt für humanoide Roboter umgewidmet. Foxglove wurde von ehemaligen Cruise-Mitarbeitenden gegründet, und sowohl Wayve als auch Uber haben Robotics-Labs gestartet, die sich auf humanoide Bauformen konzentrieren. Alex Kendall, CEO von Wayve, sagte gegenüber Bitcoin World: „Du musst in Fahrzeugen anfangen… Manipulationsrobotik ist wie autonomes Fahren vor fünf Jahren.“ Er argumentiert, dass Dateninfrastruktur und Simulation gemeinsam genutzt werden, aber World-Modelle müssen je nach Verkörperung (Embodiment) eine andere Post-Training-Phase erhalten.
Allerdings ist nicht jeder der Ansicht, dass AV-Expertise sich direkt übertragen lässt. Théophile Gervet, CEO von Genesis AI, das in diesem Jahr eine Seed-Runde über 105 Millionen US-Dollar einsammelte, konterte: „Wir sind in dieser Welle zu früh für eine Brain-Strategie; es gibt viele Möglichkeiten, Hardware und KI gemeinsam zu entwickeln.“ Sein Unternehmen ist vertikal integriert und baut sowohl Hardware als auch Software, um die Herausforderung der Co-Entwicklung zu adressieren.
Vertikal vs. Generalistisch: Die Strategie-Debatte
Robotics-Unternehmen sind zwischen jenen aufgeteilt, die auf bestimmte Aufgaben abzielen, und jenen, die generalistische Humanoide verfolgen. Gervet stellte fest: „Kein Kunde interessiert sich für den generalistischen Roboter, der nur mit 80% Erfolgsquote funktioniert“, fügte aber hinzu: Wenn man für eine enge vertikale Nische auf einem schwachen Modell aufbaut, „wirst du von dem Unternehmen zermalmt, das auf GPT-4 aufsetzt“. Vertikal ausgerichtete Akteure wie Gritt (Solarparks), Agility (industrielle Umgebungen) und Bedrock (autonome Aushubmaschinen) setzen bereits Roboter ein, gewinnen dadurch echte Felddaten – riskieren aber Obsoleszenz, sobald allgemeine Modelle besser werden.
Bedrock-CTO Kevin Peterson erklärte, dass der Einstieg mit dem Aushub hilft, „Manipulation in der Wildnis“ zu verstehen, aber das Unternehmen plant, eine Intelligenzschicht über Baumaschinen aufzubauen. Das Management dichter visueller und lidarbasierter Daten ist eine Herausforderung – deshalb kündigte Foxglove ein neues Produkt an, das auf Nvidias Cosmos-World-Modell basiert. Es ermöglicht Ingenieurinnen und Ingenieuren, per natürlichsprachigen Suchanfragen in den Daten zu suchen, um das Debugging zu beschleunigen.
Wann hat Physical AI seinen „ChatGPT-Moment“?
Sam Altman sagte kürzlich einen ChatGPT-Moment für Physical AI in ein paar Jahren voraus, aber Expertinnen und Experten haben unterschiedliche Ansichten. Kendall verweist auf Konsumenten-Staubsaugerroboter als den größten Robotereinsatz und sagt, ein echter Durchbruch wäre „autonome Systeme ohne ‚Wegsehen‘ – für weniger als 1.000 US-Dollar [an Hardware] – in einem Auto“: ein Markt, auf den Wayve abzielt, indem es Lizenzmodelle an Automobilhersteller vergibt. Gervet definiert den Moment als „Manipulation, die einfach aus der Box heraus funktioniert“, bei der ein Roboter natürliche Sprache versteht und grundlegende Aufgaben mit 80%-+ Zuverlässigkeit erledigt.
Der Foxglove-CEO Adrian Macneil widerspricht dem Konzept grundsätzlich. „Es wird keinen ChatGPT-Moment für Robotik geben“, sagte er gegenüber Bitcoin World, weil die Verteilung in der physischen Welt viel schwieriger ist als in der digitalen. Er hofft auf einen „Apple-II-Moment“, bei dem Konsumenten einen Haushaltsroboter kaufen können, der nützliche Dinge erledigt. Der weitere Weg bleibt ungewiss, aber die Branche setzt darauf, dass die Lösung der Datenkrise die nächste Welle an Wert freisetzen wird.
Fazit
Physical AI befindet sich an einem kritischen Wendepunkt: Milliarden werden investiert, aber der praktische Nutzen im echten Einsatz ist begrenzt. Die Datenkrise, die Debatte „vertikal vs. generalistisch“ und die Herausforderung der Verteilung sind die zentralen Hürden. Während Unternehmen wie Wayve, Genesis und Foxglove vorantreiben, werden die Gewinner vermutlich diejenigen sein, die die Lücke zwischen beeindruckender Hardware und zuverlässiger, wertvoller Software überbrücken können.
FAQs
F1: Warum fiel die Aktie von Unitree nach dem IPO? Unitree bewertete sein Unternehmen um fast die Hälfte niedriger, nachdem Analysten darauf hingewiesen hatten, dass die Roboter zwar ihre physischen Fähigkeiten weiter verbessert hätten, es aber an der KI-Software fehle, um wertschaffende Aufgaben zuverlässig auszuführen – das untergrabe das Vertrauen der Anleger.
F2: Was ist die „Robotics Data Crisis“? Sie bezeichnet den Mangel an hochwertigen Trainingsdaten, die man benötigt, um KI-Modelle so zu trainieren, dass sie Roboter effektiv steuern. Ohne vielfältige und verlässliche Daten können Modelle sich nicht auf neue Aufgaben oder Umgebungen verallgemeinern.
F3: Werden Unternehmen für autonome Fahrzeuge bei der humanoiden Robotik die Führung übernehmen? Einige Expertinnen und Experten wie Alex Kendall von Wayve glauben, dass die AV-Infrastruktur geteilt wird, aber andere wie Théophile Gervet von Genesis AI argumentieren, dass eine Co-Entwicklung von Hardware und KI notwendig ist – daher sei es zu früh zu sagen, welcher Ansatz dominieren wird.
Dieser Beitrag „Physisches KI’s GPT-2-Zeit: Warum Roboter immer noch nicht die Arbeit erledigen können“ erschien zuerst auf BitcoinWorld.