Robotik-Foundation-Model
Ein Robotik-Foundation-Model ist ein großes KI-Modell, das aus riesigen Mengen an Bewegungs-, Bild- und Sprachdaten gelernt hat, Roboter zu steuern. Statt für jede einzelne Aufgabe neu programmiert zu werden, soll ein solches Modell viele verschiedene Aufgaben und oft auch verschiedene Robotertypen bedienen.
Roboter wurden lange für genau eine Aufgabe gebaut und eingestellt. Ein Schweißroboter im Autowerk wiederholt dieselbe Bewegung millionenfach, kann aber nichts anderes. Ein Robotik-Foundation-Model verfolgt den umgekehrten Ansatz. Es ist ein sehr großes Computerprogramm, das aus enormen Datenmengen gelernt hat, und zwar aus Videos von Roboterarmen, aus Kamerabildern und aus Textanweisungen. Aus diesen Daten leitet es ab, welche Bewegung zu welcher Situation passt. Ein Mensch sagt in normaler Sprache, was passieren soll, und das Modell erzeugt daraus die einzelnen Steuerbefehle für die Motoren.
Warum Roboter bisher an jeder neuen Aufgabe scheiterten
Der klassische Weg ist teuer. Für jede neue Tätigkeit muss jemand die Bewegungsabläufe festlegen, testen und nachjustieren. Verschiebt sich das Werkstück um zwei Zentimeter, greift der Roboter daneben. Genau deshalb stehen Industrieroboter fast immer hinter Absperrungen in einer streng geordneten Umgebung. Eine unaufgeräumte Küche oder ein volles Lager sind für sie unlösbar.
Foundation-Modelle sollen dieses Problem so lösen, wie es bei Sprache schon geklappt hat. Ein Chatbot wurde nicht für jede mögliche Frage einzeln programmiert. Er hat aus sehr vielen Texten allgemeine Muster gelernt und kommt deshalb auch mit neuen Fragen zurecht. Übertragen auf Roboter heißt das: ein Modell, das das Greifen an sich gelernt hat, sollte auch einen Becher greifen können, den es nie zuvor gesehen hat.
Wirtschaftlich ist das der eigentliche Reiz. Wenn Roboter ohne monatelange Einrichtung neue Aufgaben übernehmen, lohnen sie sich auch für kleine Betriebe und für Bereiche wie Pflege oder Logistik. Deshalb fließen derzeit Milliardenbeträge in Firmen, die an solchen Modellen arbeiten. Ob die Technik hält, was sie verspricht, ist allerdings noch offen.
Von der Kamera zum Motorbefehl
Im Kern verarbeitet das Modell drei Arten von Eingaben. Es sieht Kamerabilder der aktuellen Szene. Es liest eine Anweisung in Alltagssprache, etwa den Satz: Stell die Tasse in die Spüle. Und es kennt die aktuelle Stellung seiner eigenen Gelenke. Daraus berechnet es viele Male pro Sekunde, wie sich die Gelenke als Nächstes bewegen sollen. Wegen dieser Kombination spricht man auch von Vision-Language-Action-Modellen, also Modellen für Bild, Sprache und Handlung.
Die Trainingsdaten stammen zu einem großen Teil von Menschen. Ein Mitarbeiter führt den Roboterarm per Fernsteuerung durch eine Aufgabe, und alle Bewegungen werden aufgezeichnet. Solche Aufnahmen heißen Demonstrationen. Mehrere Forschungsgruppen haben ihre Daten zusammengelegt, um auf Millionen solcher Episoden zu kommen. Zusätzlich trainiert man in Simulationen, also in physikalisch nachgebauten virtuellen Welten, in denen tausende Durchläufe parallel laufen können.
Hier liegt auch die größte Schwäche. Texte gibt es im Internet praktisch unbegrenzt, echte Roboterdaten nicht. Jede Demonstration kostet Zeit, Hardware und Personal. Dazu kommt der sogenannte Reality Gap: Was in der Simulation funktioniert, scheitert in der echten Welt an Reibung, Beleuchtung oder einem rutschigen Griff. Ein weiterer Irrtum ist die Annahme, ein solches Modell verstehe Physik. Es sagt statistisch wahrscheinliche Bewegungen voraus, und es liegt dabei regelmäßig daneben.
Humanoide, Lagerhallen und Schlagzeilen
Am sichtbarsten sind Robotik-Foundation-Modelle bei humanoiden Robotern. Firmen wie Figure, Tesla mit Optimus oder Agility zeigen Videos, in denen Maschinen Kisten sortieren oder Wäsche falten. Der Chiphersteller Nvidia bietet mit der Modellfamilie GR00T eine Grundlage an, die andere Hersteller anpassen können. Google DeepMind arbeitet an der RT- und Gemini-Robotics-Reihe, das Start-up Physical Intelligence an offenen Modellen für viele Robotertypen.
Im Alltag begegnet man der Technik bisher kaum. Realistisch sind Lager, Fabriken und Testlabore, wo Fehler wenig kosten. Wenn in News von embodied AI oder verkörperter KI die Rede ist, geht es meist um genau dieses Thema: KI, die nicht nur Texte schreibt, sondern Dinge in der physischen Welt bewegt.
Beim Lesen solcher Meldungen lohnt eine kritische Frage. Läuft der Roboter im Video autonom, oder steuert ihn ein Mensch fern? Und ist das Tempo echt oder beschleunigt? Beides wird in Demonstrationsvideos häufig verschwiegen. Der Unterschied zwischen einem beeindruckenden Clip und einem Produkt, das acht Stunden am Tag zuverlässig arbeitet, ist bislang noch groß.