Wer in einer Fabrikhalle steht und auf eine moderne Fertigungslinie schaut, sieht eine Welt, die nach Jahrzehnten industrieller Optimierung nahezu perfekt funktioniert. Schweißzellen takten auf die Millisekunde, SPS-Steuerungen koordinieren komplexe Abläufe, SCADA-Systeme visualisieren jede Abweichung in Echtzeit. Und doch stößt dieses Modell an eine Grenze, die keine Regelungstechnik der Welt beseitigen kann: Varianz.

Sobald sich ein Bauteil geringfügig verzieht, ein Behälter schief befüllt ankommt oder eine neue Produktvariante in den Materialfluss eingeschleust wird, gerät die starr programmierte Automatisierung ins Stocken. Es ist nicht die Komplexität des Einzelfalls, die das Problem darstellt, es ist die schiere Unvorhersehbarkeit der realen Welt. Genau hier beginnt der Wirkungsbereich von Physical AI.

Was Physical AI von bisheriger Robotik unterscheidet

Bisherige Automatisierungslösungen folgten einem deterministischen Paradigma: Eingabe X führt zu Aktion Y – zumindest solange die Bedingungen konstant bleiben. Spezialisierte Machine-Learning-Modelle, etwa für Bildverarbeitung in der Qualitätskontrolle, ergänzen dieses Prinzip, überwinden es aber nicht. Sie erkennen, klassifizieren, melden, können allerdings nicht eigenständig handeln.

Physical AI geht einen Schritt weiter und verbindet Wahrnehmung, Schlussfolgerung und Ausführung in einer integrierten Architektur. Solche Systeme sind nicht nur in der Lage, ihre Umgebung zu analysieren, sondern auch eigenständige Handlungsstrategien abzuleiten und umzusetzen. Technologisch ermöglicht wird dieser Ansatz durch sogenannte Vision-Language-Action-Modelle (VLAs). Diese multimodalen Systeme übersetzen visuelle Informationen und Sprachbefehle direkt in Bewegungssequenzen. Nvidia hat diese Entwicklung mit dem ‚Isaac GR00T N1.6‘ und dem Reasoning-Modell ‚Cosmos Reason 2‘ maßgeblich geprägt. Nvidia-CEO Jensen Huang sprach dabei bewusst vom "ChatGPT-Moment für Physical AI", einem Wendepunkt, an dem sich Technologie von der Forschungsplattform in Produktionswerkzeuge verwandelt.

Wie sich dieser Paradigmenwechsel konkret auswirkt, zeigt sich in der Praxis. Große industrielle Anwender wie Amazon oder Foxconn verdeutlichen bereits heute das Potenzial, etwa in der mobilen Lagerlogistik oder in der KI-gestützten Montage im Zusammenspiel mit digitalen Zwillingen. In einem Pilotprojekt bei Exxeta erhielt ein ‚Agibot G2‘-Roboter lediglich die Aufgabenbeschreibung "Bring die Kiste von A nach B". Ohne State Machine, ohne vorab kodierte Bewegungspfade, ohne Fehlerbehandlungslogik. Das Embodied-Reasoning-System lokalisierte die Kiste selbstständig, kalkulierte einen Greifpunkt und führte diese Aufgabe aus. Was früher Wochen an Engineering-Aufwand gekostet hätte, war dank Physical AI eine Frage von Stunden.

Digitale Zwillinge als der europäische Pfad

Damit Physical AI über einzelne Pilotanwendungen hinaus skaliert, wird das Training der Modelle zum entscheidenden Faktor. Während klassische Automatisierung mit expliziter Programmierung auskommt, benötigen lernbasierte Systeme große Mengen an Daten. Chinesische Anbieter wie Agibot setzen dafür auf physische Trainingsumgebungen mit Teleoperation, in denen Hunderte von Mitarbeitenden täglich Bewegungsdaten manuell generieren. Für viele europäische Unternehmen ist dieser Ansatz jedoch aufgrund von Kosten und Skalierbarkeit nur eingeschränkt praktikabel. Stattdessen sind hochrealistische Simulationen und synthetische Datengenerierung der europäische Pfad.

Aus einem realen Datensatz entstehen durch variierende Lichtverhältnisse, Oberflächentexturen und simulierte Umgebungsstörungen Hunderte von Trainingsbeispielen. Der digitale Zwilling wird damit vom Visualisierungswerkzeug zur Produktionsinfrastruktur. Darüber hinaus übernimmt die Simulation eine zweite zentrale Rolle: die Validierung. Bewegungsstrategien, Greifpunkte oder Navigationsentscheidungen lassen sich unter reproduzierbaren Bedingungen evaluieren, bevor sie in der realen Anlage ausgeführt werden. Gerade bei variablen Szenarien, etwa deformierbaren Objekten oder unstrukturierten Anlagen, reduziert das den Aufwand für physische Test erheblich.

Physical AI wird die Automatisierungspyramide nicht ersetzen, aber sie grundlegend ergänzen. © Exxeta

Für Physical-AI-Systeme entsteht so ein geschlossener Entwicklungszyklus: Reale Betriebsdaten fließen in die Simulation, werden dort erweitert und zum Training genutzt. Die trainierten Modelle werden anschließend auf Edge-Systemen eingesetzt und im laufenden Betrieb weiter verfeinert.

Sicherheit als Architekturprinzip

Mit dem Übergang vom digitalen Testraum in den realen Betrieb rücken Sicherheitsfragen in den Mittelpunkt. Wer einen lernfähigen Roboter in eine kollaborative Fertigungsumgebung einbringt, steht vor einem Zielkonflikt: Funktionale Sicherheit nach IEC 61508 und ihrer Derivate setzten auf deterministische, verifizierbares Systemverhalten – genau das Gegenteil der probabilistischen Natur von VLA-Modellen.

Die Antwort der Industrie liegt in einer konsequenten Trennung von Entscheidungs- und Sicherheitsschicht. Das KI-Modell steuert die adaptive Aufgabenausführung. Ein davon unabhängiger, SIL-2 oder SIL-3-zertifizierter Safety-Controller überwacht auf Hardwareebene kontinuierlich, ob Sicherheitsgrenzen eingehalten werden. Diese Entkopplung ermöglicht es, nicht-deterministischer KI-Logik den notwendigen Handlungsspielraum zu geben, ohne die Zertifizierbarkeit der Gesamtanlage zu gefährden.

Die zweite Sicherheitsdimension betrifft Cybersecurity. Ein Physical-AI-System ist kein geschlossenes Steuerungssystem mehr. Es verfügt über externe API-Verbindungen zu Cloud-Diensten, empfängt regelmäßige Modell-Updates und verarbeitet semantische Informationen über seine Produktionsumgebung. Dieses Profil erzeugt eine neue Angriffsfläche an der Schnittstelle von OT und IT. Die Antwort liegt in Prinzipien, die die IT-Sicherheitswelt als Zero Trust erkennt: Mikrosegmentierung auf Zellenebene, protokollbewusste Tiefenpaketinspektion für industrielle Kommunikation, zeitlich begrenzte Vendor-Zugänge mit Mehr-Faktor-Authentifizierung.

Für europäische Betreiber kommt noch eine dritte Dimension hinzu: Datensouveränität. Trainingsdaten aus Produktionsumgebungen sind Intellectual Property der integrierenden Unternehmen. Plattformen, die Maschinendaten direkt in Cloud-Infrastrukturen außerhalb des EU-Rechtsrahmen übertragen, scheiden für viele Unternehmen aus Compliance-Gründen aus. Souveräne Infrastruktur – ob on-premise, auf einer Cloud eigener Wahl oder bei einem europäischen Anbieter – sind damit nicht nur eine technische Präferenz, sondern eine strategische Notwendigkeit.

Wohin der Weg führt

Physical AI wird die Automatisierungspyramide nicht ersetzen, aber sie grundlegend ergänzen. Die starre Fertigungszelle, die präzise und unermüdlich Millionen identischer Teile produziert, hat ihren Platz. Doch überall, wo Varianz, Flexibilität und semantisches Verstehen gefordert sind, verschieben Roboter mit Physical AI die Grenze dessen, was automatisierbar ist.

Der Autor: Julian Kramer ist Lead Physical AI und Robotics bei Exxeta. © Exxeta

Besonders in der Intralogistik zeigt sich aktuell ein hohes Automatisierungspotenzial. Boxhandling, Kommissionierung oder das Greifen gemischter Bauteile sind geprägt von Varianz und bislang schwer zu automatisieren. Gleichzeitig liegen sie nah an den bereits vortrainierten Fähigkeiten kommerzieller Foundation-Modelle. Der praktische Einstieg erfolgt daher häufig genau in diesen Aufgaben. Die nächste Welle betrifft die Mensch-Roboter-Interaktion: nicht mehr Teach-Pendant und Koordinationsprogrammierung, sondern Anweisungen über die natürliche Sprache, aus denen der Roboter selbstständig eine Bewegungssequenz ableitet.

Redaktion: Inka Krischke