VLA-Modell

Ein VLA-Modell ist ein Computerprogramm, das aus Beispielen gelernt hat, einen Roboter zu steuern. Die drei Buchstaben stehen für Vision, Language und Action, also Sehen, Sprache und Handeln. Das Programm bekommt zwei Dinge als Eingabe: Bilder von einer Kamera und einen Satz in normaler Alltagssprache. Daraus berechnet es, wie sich der Roboterarm im nächsten Moment bewegen soll. Sagt jemand „Leg den Apfel in die Schüssel“, schaut das System auf den Tisch und erzeugt die passenden Bewegungen. Der entscheidende Punkt: Niemand hat diese Aufgabe vorher einzeln einprogrammiert.

Warum Roboter so lange dumm blieben

Klassische Industrieroboter arbeiten nach festen Bahnen. Ein Ingenieur legt jede Position exakt fest, und der Roboter wiederholt sie millionenfach. Das funktioniert hervorragend in einer Fabrik, wo jedes Bauteil immer an derselben Stelle liegt. In einer Küche oder einem Lager bricht dieser Ansatz sofort zusammen. Steht die Tasse fünf Zentimeter weiter links, greift der Roboter ins Leere.

VLA-Modelle sollen genau diese Lücke schließen. Weil sie aus vielen verschiedenen Situationen gelernt haben, kommen sie mit Abweichungen zurecht. Sie erkennen einen Apfel auch dann, wenn er anders liegt oder eine andere Farbe hat. Fachleute sprechen von Generalisierung: Gelerntes wird auf neue, ähnliche Fälle übertragen.

Wirtschaftlich ist das der Grund für die hohen Investitionen in Robotik-Startups. Ein Roboter, der neue Aufgaben durch eine gesprochene Anweisung lernt, braucht keine teure Neuprogrammierung. Firmen wie Figure, Physical Intelligence oder Google DeepMind arbeiten an solchen Systemen. Ob sie zuverlässig genug für den Dauereinsatz werden, ist derzeit offen.

Von Sprachmodellen zu Roboterarmen

Die Grundlage ist meist ein bereits fertiges Modell, das Bilder und Text gemeinsam versteht. Solche Systeme wurden mit Milliarden Bildern aus dem Internet trainiert und wissen deshalb, wie eine Schüssel aussieht. Dieses Vorwissen ist der eigentliche Trick. Der Roboter muss nicht bei null anfangen, sondern kennt die Alltagswelt bereits grob.

Im zweiten Schritt kommt das Handeln dazu. Menschen steuern einen echten Roboterarm per Fernsteuerung durch tausende Aufgaben. Dabei werden Kamerabilder, Anweisung und Gelenkstellungen Zeitschritt für Zeitschritt aufgezeichnet. Das Modell lernt aus diesen Aufnahmen, welche Bewegung in welcher Situation folgt. Man nennt dieses Nachahmen von Vorführungen Imitationslernen.

Im Betrieb läuft das Ganze als schnelle Schleife. Etwa zehn- bis fünfzigmal pro Sekunde kommt ein neues Bild herein, und das Modell gibt neue Zielwerte für die Gelenke aus. Ein häufiger Irrtum ist, das Modell plane die Aufgabe wie ein Mensch von Anfang bis Ende durch. Tatsächlich reagiert es überwiegend auf das, was es gerade sieht. Der größte Engpass sind die Trainingsdaten: Sprache und Bilder gibt es im Netz im Überfluss, echte Roboterbewegungen muss man mühsam selbst aufnehmen.

VLA-Modelle in Lagerhallen und Schlagzeilen

Am häufigsten tauchen VLA-Modelle in Videos humanoider Roboter auf. Wenn ein Roboter Wäsche faltet oder Pakete sortiert, steckt oft ein solches Modell dahinter. Wichtig beim Anschauen: Diese Videos zeigen fast immer die gelungenen Versuche. Die Erfolgsquote bei neuen, ungeübten Aufgaben liegt in Studien häufig deutlich unter der bei bekannten.

In der Praxis werden solche Systeme zuerst dort erprobt, wo Fehler wenig kosten. Das sind Lager, Logistikzentren und einfache Montageschritte. In Fahrzeugen gibt es ähnliche Ansätze, dort spricht man aber meist von End-to-End-Fahren. Der Unterschied zu einem Chatbot ist grundsätzlich: Ein falscher Satz ist ärgerlich, ein falscher Griff kann etwas zerstören.

In Wirtschaftsmeldungen begegnet dir der Begriff im Zusammenhang mit Bewertungen von Robotikfirmen und mit Chipherstellern. Denn jedes VLA-Modell braucht Rechenleistung direkt im Roboter, nicht nur in einem entfernten Rechenzentrum. Wer die Berichterstattung verfolgt, sollte auf zwei Zahlen achten: Erfolgsquote bei unbekannten Aufgaben und Anzahl der Trainingsstunden. Beides sagt mehr aus als ein gut geschnittenes Demovideo.