---
Zusammenfassung der Kerninhalte in verständlicher Sprache
Der Bereich der „körperlichen Intelligenzroboter“, die in der realen Welt selbstständig Dinge greifen, arbeiten und herumgehen können, ist derzeit äußerst beliebt – sowohl die Finanzierung als auch die Medienaufmerksamkeit sind auf hohem Niveau. Allerdings verfolgte die gesamte Branche zuvor den Ansatz von ChatGPT und dachte, dass die Ansammlung von Daten und Parametern schnelle Ergebnisse liefern würde, was zu vielen Fehlern führte. Auf der Bundestagung für Technologie und Wirtschaft haben einige führende Unternehmer und Wissenschaftler die neuesten Erkenntnisse der Branche erörtert: Die Entwicklung von körperlichen Intelligenzrobotern kann den Weg der großen Sprachmodelle nicht einfach nachahmen. Fragen wie „Wie viel echte Daten sollten gesammelt werden? Werden allgemeine Modelle Arbeitsplätze wegnehmen? Wann können Roboter tatsächlich Geld verdienen?“ haben nun klare Antworten erhalten. Der Wettbewerb in der Branche dreht sich nicht mehr nur darum, welches Modell am stärksten ist, sondern um die Gesamtkompetenz in Bezug auf Daten, Hardware, Systeme und Anwendungszenarien. Die Branche befindet sich dabei an einem Wendepunkt – von der reinen Konzeptpräsentation zu echtem kommerziellen Erfolg.
---
Detaillierte Analyse
1. Die Branche hat bereits den ersten großen Fehler gemacht: Man dachte, es reiche aus, einfach die Methode von ChatGPT zu übernehmen und Daten zu sammeln – doch das funktioniert nicht
Große Sprachmodelle verbesserten ihre Leistung, indem sie Billionen von Wörtern aus dem Internet verarbeiteten. Viele glaubten daher, dass es bei körperlichen Intelligenzrobotern genauso sein würde: Wenn man Millionen Stunden an Videoaufnahmen sammelt, in denen Roboter Dinge bewegen oder laufen, würde das ihre Leistung automatisch steigern.
Inzwischen erkennt die Branche jedoch, dass dieser Ansatz völlig falsch ist. Die meisten gesammelten Daten sind nutzlos – beispielsweise Aufnahmen, in denen Roboter ständig Wasserflaschen heben. Selbst nach Millionen Stunden Training können sie nicht lernen, beispielsweise eine Thermosflasche oder einen Becher mit heißem Wasser zu halten. Die Qualität der Daten ist viel wichtiger als ihre Menge; nur Daten, die echte physikalische Gesetzmäßigkeiten der realen Welt widerspiegeln, sind wertvoll.
2. Die Datenstrategie hat sich grundlegend geändert: Es geht nicht mehr darum, wer die meisten Daten sammelt, sondern darum, die physikalischen Eigenschaften der realen Welt in die Simulationen zu übertragen
Lange Zeit diskutierte die Branche, ob es besser sei, Daten aus realen Szenarien zu verwenden oder Daten in virtuellen Simulationen zu erzeugen. Jetzt ist klar: Beide Ansätze müssen kombiniert werden – die physikalischen Eigenschaften der realen Welt müssen exakt in die Simulationen übertragen werden. Zum Beispiel kann ein Roboter in der virtuellen Welt täglich Hunderttausende Male üben, wie er auf Fliesen läuft, ohne auszurutschen, oder wie er Wasserflaschen unterschiedlicher Gewichte greift, ohne sie zu verschütten. Dies ist hundertmal effizienter als das Training in der realen Welt und vermeidet außerdem den Verbrauch von Ressourcen.
3. Die Befürchtungen, dass große Sprachmodelle die Roboterindustrie zerstören könnten, sind unbegründet
OpenAI hat kürzlich GPT-6 Astra veröffentlicht, ein Modell, das Roboter direkt steuern kann. Viele befürchteten, dass allgemeine Sprachmodelle die Roboterunternehmen zerstören würden. Doch diese Befürchtungen sind unbegründet: Die Fähigkeiten von KI werden aus Daten aus dem jeweiligen Bereich entwickelt – große Sprachmodelle verfügen über Daten aus dem Internet, die bei der Steuerung von Robotern kaum hilfreich sind. Um Roboter zu entwickeln, müssen neue Daten gesammelt werden, die die physikalischen Eigenschaften der Roboter berücksichtigen. Die bereits vorhandenen Daten von körperlichen Intelligenzunternehmen sind in vielen Fällen sogar überflüssig.
4. Der Maßstab für die kommerzielle Erfolg von Robotern ist einfach: Ob Kunden bereit sind, weiterhin Geld zu zahlen
Früher zeigten Roboter auf Messen nur ihre Fähigkeiten – doch in der Praxis funktionierten sie oft nicht in neuen Anwendungen. Heute geht es darum, ob Kunden bereit sind, weiterhin Geld für die Roboter zu zahlen. Ein Roboter ist kommerziell erfolgreich, wenn er effizienter ist als menschliche Arbeitskräfte und die Investitionen sich auszahlen. Es reicht nicht aus, nur beeindruckende Demonstrationen zu zeigen; entscheidend ist, ob der Roboter in der Praxis nützlich ist.
---
Insgesamt zeigt sich, dass sich die Branche von einer Konzeptpräsentation hin zu einer praktischen, kommerziellen Lösung entwickelt. Die Herausforderungen sind zwar groß, aber die vorhandenen Ressourcen und Erkenntnisse ermöglichen es den Unternehmen, erfolgreiche Roboter zu entwickeln.