„GPT-6 erkennt alles – Was bleibt noch vom embodied-based Model?“

Die „Dimensionssenkung“ in der Roboterindustrie? Wie GPT-6 Astra die Spielregeln der körperlichen Intelligenz neu definiert

Hallo zusammen, ich bin euer Finanzjournalist und Wirtschaftswissenschaftler. Heute sprechen wir über einen sehr interessanten, tiefgreifenden Branchenartikel.

Kurz gesagt: In den letzten zwei Jahren hat die Roboterindustrie (körperliche Intelligenz) immer wieder die gleiche Geschichte erzählt: „Obwohl die großen Modelle intelligent sind, verstehen sie die physische Welt nicht – daher müssen wir den Robotern speziell ein ‚Gehirn‘ (Basismodell) trainieren.“

Doch mit der Veröffentlichung von GPT-6 Astra von OpenAI wurde diese Geschichte stark in Frage gestellt. Astra zeigte eine überraschende Fähigkeit: Es konnte ohne spezielles Training allein anhand eines Bildes eine interaktive Simulationssumme erstellen.

Das ist wie jemand, der noch nie in der Küche war, der sich ein Foto eines Rezepts ansieht, nicht nur alle Zutaten erkennt, sondern auch weiß, wo sie platziert werden sollen – und sogar den Kochvorgang nachahmen kann (auch wenn das Ergebnis vielleicht nicht schmeckt).

Für die Start-up-Unternehmen, die viel Geld in das Training der Roboter-„Gehirne“ investieren, ist das ein großes Warnsignal. Im Folgenden zerlege ich den Artikel in fünf Punkte, um euch diese Veränderung in der Branche vollständig zu erklären.

---

1. Kernpunkt: Vom „Bild interpretieren“ zum „Universum erschaffen“ – Was hat Astra geleistet?

Zunächst müssen wir verstehen, welche Fähigkeiten Astra demonstriert hat und warum das beunruhigend ist.

Früher war es sehr schwierig, für Roboter die physische Welt zu verstehen – das sogenannte Problem „Real2Sim“ (Von der realen Welt zur Simulationswelt). Wenn man einem Roboter beispielsweise ein Bild zeigt, auf dem ein Tisch mit einer Tasse und Flüssigkeit zu sehen ist, kann er in der Regel nur erkennen: „Das ist eine Tasse“ und „Das ist Flüssigkeit“.

Aber dieses Mal gab der Entwickler Astra ein solches Bild und bat es, eine interaktive Simulationssumme zu erstellen. Astra schaffte es:

• Objekte erkennen: Es erkannte, dass es sich um einen Behälter und Flüssigkeit handelte.
• Raum verstehen: Es wusste, dass sich die Flüssigkeit im Behälter befand und der Behälter auf dem Tisch stand.
• Details wiedergeben: Es konnte sogar die Farbe der Flüssigkeit sehr realistisch darstellen.
• Code generieren: Es verwandelte diese statischen Bilder in eine ausführbare Programmszene.

Der Schlüsselpunkt ist: Astra wurde nicht speziell für diese Aufgabe trainiert. Es lernte dies nur, indem es riesige Mengen an Internetbildern, Videos und Anleitungen „ansah“.

Der einzige Nachteil: Es konnte die chemische Reaktion beim Mischen der Flüssigkeiten nicht simulieren. Es wusste, wie Wasser aussieht, aber nicht, dass eine Mischung aus Wasser und Schwefelsäure explodieren kann. Das zeigt: Es versteht die „Sehkraft“, aber noch nicht die tieferen physikalischen Zusammenhänge.

Einfaches Fazit: Astra ist wie ein gut gebildeter Praktikant, der zwar viele Dinge kennt, aber noch nie selbst gearbeitet hat. Es erkennt 99 % der gängigen Objekte und weiß, wie sie im Alltag verwendet werden, hat sie aber noch nie selbst berührt – daher weiß es nicht, wie stark die Reibung ist oder wie viel Kraft nötig ist.

---

2. Kognitiver Kollaps: „Einen Apfel erkennen“ ist nicht mehr ein Vorteil

Der Artikel weist darauf hin, dass die Einführung von GPT-6 den Wettbewerb für Unternehmen der körperlichen Intelligenz stark beeinträchtigt, insbesondere für diejenigen, die immer noch von Basismodellen sprechen.

Früher war es eine technische Leistung, wenn ein Unternehmen einen Roboter dazu brachte, einen Apfel auf dem Tisch zu erkennen. Jetzt hat GPT-6 – ein allgemeines, mehrmodales Modell – aufgrund seiner enormen Trainingsdatenmenge (alle Bilder, Videos und Artikel des Internets) bereits ein umfangreiches „Wissensbuch über die physische Welt“ erstellt.

• Es hat noch nie eine Tasse in der Hand gehalten, aber unzählige Menschen dabei beobachtet.
• Es war noch nie in einer Fabrik, aber kann Roboterarme und Produktionslinien erkennen.
• Es hat noch nie einen Schrank geöffnet, aber weiß, wo sich der Griff befindet und wie man den Schrank öffnet.

Das bedeutet: Die Fähigkeiten, Objekte zu erkennen und Szenen zu verstehen, werden zu einer allgemeinen Fähigkeit – ähnlich wie das Lesen – und sind nicht mehr ein seltenes Talent.

Für Start-up-Unternehmen bedeutet dies: Wenn euer Hauptverkaufsargument nur darin besteht, dass euer Roboter Befehle verstehen und Objekte erkennen kann, kämpft ihr gegen Giganten wie OpenAI. In Bezug auf Rechenleistung, Datenvolumen und Iterationsgeschwindigkeit haben Start-ups keine Chance. Ein neues, großes und allgemeines Modell zu entwickeln, ist nicht nur teuer, sondern führt wahrscheinlich nur dazu, dass sie die Arbeit, die bereits von allgemeinen Modellen erledigt wurde, wiederholen.

Einfaches Fazit: Früher war es eine Leistung, Dinge zu verstehen; heute ist es Standard. Wenn ihr nur darauf vertraut, Dinge zu verstehen, wird euch dieser Vorteil von allgemeinen Modellen genommen.

---

3. Grenzen der Fähigkeiten: Warum konnte Astra die chemische Reaktion nicht simulieren?

Hier ist ein sehr wichtiger Punkt, der auch die Unterscheidung zwischen „allgemeinen Modellen“ und „körperlicher Intelligenz“ verdeutlicht:

Astra konnte die Farbe der Flüssigkeit wiedergeben, aber nicht die Reaktion beim Mischen. Warum?

• Farben sind visuelle Informationen, die man aus vielen Bildern lernen kann.
• Chemische Reaktionen hingegen erfordern genaue Daten und Modelle, die die Eigenschaften der Materialien und physikalischen Gesetze berücksichtigen.

Das zeigt eine zentrale Logik: Objekte zu erkennen, bedeutet nicht, sie zuverlässig steuern zu können.

Roboter können genau den Standort einer Tasse angeben und die Schritte „Hand ausstrecken, greifen, heben“ ausführen. Aber bei der tatsächlichen Ausführung gibt es viele Fragen:

• Wie viel Kraft müssen die Greifer anwenden?
• Fällt das Objekt herunter, wenn sich der Kontaktpunkt um 2 Millimeter verschiebt?
• Wie muss die Geschwindigkeit angepasst werden, wenn sich die Flüssigkeit im Glas bewegt?
• Wie groß ist die Reibung zwischen verschiedenen Materialien?

All diese Fragen erfordern Feedback aus der realen Welt – also „Tastsinn“, „Kraftgefühl“ und „Fehlererfahrungen“. Allgemeine Modelle wie Astra fehlen diese „körperlichen Erfahrungen“. Sie wissen, wie eine Tasse aussieht, aber nicht, wie schwer sie ist, wie rutschig sie ist oder wie zerbrechlich.

Einfaches Fazit: Astra ist ein „Theoretiker“ – es weiß, wie es gehen soll, aber nicht, wie es sich anfühlt. Der Wert der körperlichen Intelligenz liegt genau darin, diese Lücke zu schließen.

---

4. Wertverschiebung: Vom „Gehirn“ zur „körperlichen Erfahrung“

Da allgemeine Modelle das „Kognitionsproblem“ gelöst haben, wo liegen dann die Chancen für Unternehmen der körperlichen Intelligenz? Der Artikel gibt eine klare Antwort: Der Wert verschiebt sich nach hinten.

Die zukünftige Arbeitsteilung könnte sich wie folgt gestalten:

1. Oberer Bereich (Kognitionsbereich): Durch allgemeine Modelle wie GPT-6. Sie sind für das Verstehen von Befehlen, das Erkennen von Objekten und die Planung von Aktionen zuständig.

2. Mittlerer Bereich (Aktionsvorhersagebereich): Durch körperliche Modelle, die vorhersagen, wie sich die Umgebung nach einer Aktion verändert.

3. Unterer Bereich (Steuerbereich): In Kombination mit dem jeweiligen Roboterkörper. Hier werden Fragen der Genauigkeit, Kraftkontrolle, Reaktionszeit und Sicherheit gelöst.

Die neue Herausforderung für Start-up-Unternehmen ist nicht mehr die Größe der Parameter, sondern die Qualität der Daten zu den Aktionen.

• Allgemeine Videoaufnahmen: Sie zeigen dem Modell, wie Menschen eine Tasse halten. (Allgemeine Modelle haben bereits genug gelernt.)
• Roboterinteraktionsdaten: Sie dokumentieren, aus welcher Richtung sich der Roboterarm nähert, wie sich die Gelenke bewegen, wie viel Kraft der Greifer ausübt, ob die Greifaktion erfolgreich ist und wie sich der Roboter nach einem Fehlverlauf wieder erholt.

Diese Daten, die Sehen, Tasten, Kraftgefühl, Gelenzstatus und Ausführungsergebnisse enthalten, sind die wahren Erfahrungen für Roboter, um in die physische Welt einzutreten. Solche Daten sind schwer über das Internet zu erhalten und können nicht einfach durch Rechenleistung erzeugt werden.

Einfaches Fazit: Versucht nicht mehr, ein allwissendes „Gehirn“ zu entwickeln – das ist Aufgabe von OpenAI. Ihr müsst „körperliche Erfahrungen“ sammeln: Lasst die Roboter berühren, greifen, Fehler machen und daraus lernen. Wer diese „echten Interaktionsdaten“ besitzt, hat den nächsten Vorteil.

---

5. Endgame der Branche: Die Startlinie verschiebt sich – aber das Spiel ist noch nicht vorbei

Zum Schluss kommt der Schlussfolgerung des Artikels: GPT-6 hat die körperliche Intelligenz nicht beendet, sondern die Startlinie der Branche weiter nach vorne verschoben.

• Früher: Die Startlinie lag darin, dass Roboter die Welt erkennen sollten.
• Jetzt: Die Startlinie liegt darin, dass Roboter die Welt sicher und präzise verändern können.

Wenn ein Unternehmen nur in der Lage ist, Roboter dazu zu bringen, Objekte zu erkennen und Sprache zu verstehen, wird der Abstand zu GPT-6 immer größer – und das Unternehmen wird marginalisiert.

Wenn ein Unternehmen jedoch umfangreiche Daten zu echten Interaktionen, Kraftgefühl und Fehlverläufen sammelt, kann GPT-6 sein „obersächliches Gehirn“ werden, während das Unternehmen selbst zum unverzichtbaren „körperlichen Ausführer“ wird.

Erkenntnisse für Investoren:

• Vorsicht: Unternehmen, die immer noch davon sprechen, ein allgemeines Roboterbasismodell zu entwickeln, ohne exklusive echte Daten, sind stark gefährdet.
• Chancen: Unternehmen, die sich auf spezifische Anwendungen konzentrieren (z. B. Fabriken, Haushalte) und einen Kreislauf aus „Deployment, Ausführung, Fehlverlauf, Korrektur, erneutes Training“ schaffen sowie umfangreiche, hochwertige Interaktionsdaten sammeln, haben gute Aussichten.

Zusammenfassung: Das Erkennen der Welt wird zu einer allgemeinen Fähigkeit. Wie man die Welt sicher und präzise verändert, ist der wahre Wert, den Unternehmen der körperlichen Intelligenz beweisen müssen. Konzentriert euch nicht darauf, wer am meisten sieht, sondern darauf, wer am stabilsten handelt.