Physical AI lernen — ABXK.AI

Was ist Physical AI? Maschinen, die wahrnehmen und handeln

Sun, 18 Oct 2026 00:00:00 +0000

Die meiste KI, die Sie nutzen, lebt auf einem Bildschirm: Sie tippen eine Frage, und ein Sprachmodell schreibt eine Antwort. Physical AI verlässt den Bildschirm. Gemeint ist KI, die die reale Welt über Kameras, Mikrofone oder Elektroden wahrnimmt und in ihr handelt — über Räder, Motoren oder einen Mauszeiger. Ein Robotaxi ohne Fahrer, ein Roboterarm, der Teile greift, die er nie gesehen hat, und ein Implantat, das Hirnsignale in Wörter übersetzt, sind Physical AI.

Wie Maschinen sich bewegen: Regelung an einer Simulation erklärt

Sun, 18 Oct 2026 00:00:00 +0000

Jedes System der Physical AI endet in einem Motor. Die KI entscheidet „Greifer 30 Zentimeter nach links“ oder „Spur halten, Tempo halten“, doch irgendetwas muss die Motoren genau das tun lassen — gegen Reibung, schwere Lasten, Wind und Unebenheiten. Diese Aufgabe gehört der Regelungstechnik, einem Fachgebiet, das viel älter ist als die moderne KI. Sie ist die Schicht unter jedem Roboter, jeder Drohne und jedem selbstfahrenden Auto.

Dies ist Teil 1 von Level 1 in unserem Lernpfad Physical AI. Wir haben ein einfaches Robotergelenk simuliert und vier klassische Regler daran getestet. Sie erfahren, was ein Regelkreis ist, was P, I und D in einem PID-Regler tun und warum eine Verzögerung von Sekundenbruchteilen eine ruhige Maschine ins Schwingen bringen kann.

Wie Roboter eine Karte bauen: Lidar-Scans und Belegungsgitter

Sun, 18 Oct 2026 00:00:00 +0000

Ein Roboter, der ein neues Gebäude betritt, weiß nichts darüber. Bevor er einen Weg zur Laderampe oder in die Küche planen kann, muss er herausfinden, wo Wände, Regale und Türen sind. Dieses Wissen baut er aus dem, was seine Sensoren sehen, Scan für Scan zu einer Karte zusammen. Die verbreitetste Form dafür ist das Belegungsgitter (Occupancy Grid): Der Boden wird in kleine Quadrate geteilt, und für jedes Quadrat schätzt der Roboter, ob es frei, belegt oder noch unbekannt ist.

Wie ein Roboter seine Route findet: Dijkstra und A* auf einer echten Karte

Sun, 18 Oct 2026 00:00:00 +0000

Sobald eine Maschine eine Karte hat, kann sie planen. Eine Navigations-App, ein Lieferroboter und ein Robotaxi lösen täglich tausendfach dieselbe Grundaufgabe: die kürzeste Route von hier nach dort durch ein Netz aus Straßen oder Gängen finden. Das klingt einfach, doch eine Stadt hat Zehntausende Kreuzungen, und jede mögliche Route zu prüfen, würde ewig dauern. Die Verfahren, die das schnell lösen, gehören zu den ältesten und wichtigsten Algorithmen der Informatik.

Dies ist Teil 2 von Level 2 in unserem Lernpfad Physical AI. Wir haben das echte Straßennetz eines Teils von San Francisco, einer Stadt, in der Robotaxis zum Alltagsverkehr gehören, aus OpenStreetMap geladen und 300 zufällige Routen mit fünf verschiedenen Suchverfahren geplant. Sie erfahren, wie aus einem Stadtplan ein Graph wird, wie Dijkstras Algorithmus und A* ihn durchsuchen und warum die schnellsten Verfahren nicht immer die kürzeste Route finden.

Wie ein Roboter weiß, wo er ist: Odometrie, GPS und Sensorfusion

Sun, 18 Oct 2026 00:00:00 +0000

Bevor ein Roboter einen Weg planen kann, muss er eine einfachere Frage beantworten: Wo bin ich? Diese Aufgabe heißt Lokalisierung, und sie ist schwerer, als sie klingt. Ein Lieferroboter auf dem Gehweg, ein Saugroboter im Wohnzimmer und ein selbstfahrendes Auto in der Stadt müssen ihre Position kennen, oft auf wenige Zentimeter genau und viele Male pro Sekunde. Kein einzelner Sensor schafft das allein.

Dies ist Teil 2 von Level 1 in unserem Lernpfad Physical AI. Wir haben einen Roboter zwei Runden auf einer Bahn fahren lassen und drei Wege verglichen, seine Position zu verfolgen: Radumdrehungen zählen, GPS und beides zusammen. Sie erfahren, warum jeder Sensor auf seine eigene Art versagt und wie ein Kalman-Filter beide zu etwas Besserem verbindet als jeden allein.

Wie selbstfahrende Autos die Straße sehen: Kamera, Radar, Lidar

Sun, 18 Oct 2026 00:00:00 +0000

Ein menschlicher Fahrer nutzt zwei Augen, zwei Ohren und jahrelange Erfahrung. Ein selbstfahrendes Auto ersetzt sie durch einen Ring aus Sensoren und Software, die Millionen Messwerte pro Sekunde in drei Entscheidungen übersetzt: wohin lenken, wann beschleunigen, wann bremsen. In mehreren US-Städten funktioniert das schon ohne Menschen am Steuer — und jeder Unfall dieser Autos wird der US-Verkehrssicherheitsbehörde gemeldet.

Dies ist Teil 2 von Level 0 in unserem Lernpfad Physical AI. Sie erfahren, was die Stufen des automatisierten Fahrens bedeuten, welche Sensoren ein selbstfahrendes Auto nutzt und was jeder sieht, wie die Software von den Sensordaten zur Lenkung kommt und was öffentliche Unfallmeldungen darüber zeigen, wie diese Autos tatsächlich in Unfälle geraten.

Auf der Bahn bleiben: Wie ein selbstfahrendes Auto lenkt

Sun, 18 Oct 2026 00:00:00 +0000

Eine geplante Route ist nur eine Linie auf einer Karte. Um sie zu fahren, muss ein Auto im richtigen Moment und im richtigen Maß lenken, viele Male pro Sekunde und in voller Fahrt. Diese Aufgabe heißt Spurführung (Path Tracking). Eines der einfachsten und am weitesten verbreiteten Verfahren dafür in Robotern und Forschungsfahrzeugen trägt einen anschaulichen Namen: Pure Pursuit, „reine Verfolgung“ — das Auto jagt einem Punkt auf seiner Bahn hinterher, der immer einen festen Abstand vorausliegt.

Wie Roboter greifen und gehen lernen

Sun, 18 Oct 2026 00:00:00 +0000

Jahrzehntelang waren Roboter schnell und präzise, aber blind für Veränderungen. Ein Schweißroboter am Fließband wiederholt denselben Weg millionenfach; verschiebt man die Karosserie um zwei Zentimeter, schweißt er in die Luft. Roboter, die unter Menschen arbeiten, in Lagern, Küchen oder Krankenhäusern, brauchen etwas anderes: Sie müssen mit Gegenständen zurechtkommen, die sie nie gesehen haben, an Orten, die sich jeden Tag ändern. Hier kommt KI ins Spiel.

Dies ist Teil 3 von Level 0 in unserem Lernpfad Physical AI. Sie erfahren, auf welchen vier Wegen Roboter heute ihre Fähigkeiten bekommen, warum das Üben in der Simulation so wichtig ist, was die neuen Foundation Models für Roboter leisten und wie Sie die Daten zu den bemerkenswerten Robotermodellen der letzten Jahre lesen.

Wo selbstfahrende Autos fahren: die Operational Design Domain

Sun, 18 Oct 2026 00:00:00 +0000

Kein selbstfahrendes Auto kann heute überall fahren. Jedes ist für bestimmte Bedingungen gebaut: bestimmte Städte, bestimmte Straßenarten, bestimmte Geschwindigkeiten, bestimmtes Wetter. Fachleute nennen diesen Rahmen die Operational Design Domain, kurz ODD — auf Deutsch etwa „vorgesehener Einsatzbereich“. Sie ist eine der wichtigsten Ideen, um automatisiertes Fahren zu verstehen, denn sie erklärt, warum ein Robotaxi in einer Stadt ohne Menschen am Steuer fährt und in der nächsten gar nicht.

Dies ist Teil 3 von Level 1 in unserem Lernpfad Physical AI. Sie erfahren, was eine ODD umfasst, warum sie der entscheidende Unterschied zwischen Level 4 und Level 5 ist und was Tausende US-Unfallmeldungen darüber verraten, wo und wann automatisierte Fahrzeuge heute tatsächlich unterwegs sind.

Hirnsignale lesen: Was ein EEG entschlüsseln kann und was nicht

Sun, 18 Oct 2026 00:00:00 +0000

Gehirn-Computer-Schnittstellen gibt es in zwei sehr unterschiedlichen Formen. Manche nutzen Elektroden, die ins Gehirn implantiert werden — das erfordert eine Operation, liefert aber detaillierte Signale. Die meisten nutzen ein EEG, Elektroden in einer Kappe auf der Kopfhaut: keine Operation, günstig und sicher, aber viel ungenauer. Von den 280 Studien zu Gehirn-Computer-Schnittstellen im US-Studienregister haben wir 129 als nicht invasiv und 59 als implantiert eingeordnet. Was kann ein Computer also tatsächlich aus einem EEG lesen?

In der Simulation trainiert: Warum Roboter unordentliche Übungswelten brauchen

Sun, 18 Oct 2026 00:00:00 +0000

Roboter, die durch Versuch und Irrtum lernen, brauchen viele Versuche, oft Millionen. In der echten Welt würde das Jahre dauern, die Hardware verschleißen und unterwegs einiges zerbrechen. Deshalb findet das meiste Roboterlernen heute in der Simulation statt, wo ein Computer Tausende Übungsversuche pro Minute schafft. Das Problem: Keine Simulation trifft die Wirklichkeit genau. Motoren sind etwas schwächer, Sensoren etwas verrauschter, Signale etwas später. Eine Strategie, die im Simulator perfekt funktioniert, kann am echten Roboter scheitern. Das heißt Sim-to-Real-Lücke.

Wie Gehirn-Computer-Schnittstellen Hirnsignale in Befehle übersetzen

Sun, 18 Oct 2026 00:00:00 +0000

Ein Mensch mit schwerer Rückenmarksverletzung kann seine Hände nicht bewegen, doch der Teil des Gehirns, der Handbewegungen plant, arbeitet weiter. Versucht er, sich zu bewegen, feuern Nervenzellen in Mustern, die ein Computer lesen lernen kann. Eine Gehirn-Computer-Schnittstelle (englisch Brain-Computer Interface, BCI) tut genau das: Sie zeichnet Hirnaktivität auf und macht daraus Befehle, sodass die Person einen Mauszeiger bewegen, schreiben oder über eine synthetische Stimme sprechen kann.

Dies ist Teil 4 von Level 0 in unserem Lernpfad Physical AI. Sie erfahren, was eine BCI eigentlich misst, welche Schritte vom Hirnsignal zum Befehl führen, wo KI ins Spiel kommt, wie sich implantierte und nicht invasive Systeme unterscheiden und was das Studienregister darüber zeigt, wer sie heute nutzt.

Im Inneren eines Hirn-Decoders: Elektroden, Trainingsdaten und fremde Gehirne

Sun, 18 Oct 2026 00:00:00 +0000

In Level 1 dieses Lernpfads haben wir getestet, ob ein Computer im EEG erkennt, welche Hand sich ein Mensch zu bewegen vorstellt. Die Antwort war ernüchternd: Bei der mittleren Person lag der Decoder in 58,9 % der Fälle richtig, wo Raten 50 % ergibt, und nur 31 von 106 Personen erreichten die 70 %, die die BCI-Forschung oft als Minimum für eine brauchbare Steuerung nennt. Was würde einen solchen Decoder also besser machen?

Im Inneren von KI-Chips: Rechenleistung, Speicher und die Speicherwand

Sun, 18 Oct 2026 00:00:00 +0000

Jedes Robotergehirn, jedes selbstfahrende Auto und jeder Chatbot läuft auf Chips. Wird ein neuer KI-Chip vorgestellt, macht eine Zahl die Schlagzeilen: wie viele Rechenschritte er pro Sekunde schafft. Doch diese Zahl allein sagt erstaunlich wenig darüber, wie schnell ein Chip KI in der Praxis ausführt. Die eigentliche Grenze liegt oft woanders: wie schnell der Chip Daten aus seinem Speicher holen kann.

Dies ist Teil 5 von Level 1 in unserem Lernpfad Physical AI. Mit Daten von Epoch AI, einem Forschungsinstitut, das KI-Hardware erfasst, vergleichen wir die Spitzen-Chips jedes Jahres seit 2017. Sie erfahren, welche drei Kennzahlen einen KI-Chip beschreiben, warum die Rechenleistung mehr als doppelt so schnell gewachsen ist wie die Speichergeschwindigkeit und was diese Speicherwand für das Tempo von KI-Antworten bedeutet.

Was KI antreibt: Chips, Rechenzentren, Strom und Wasser

Sun, 18 Oct 2026 00:00:00 +0000

Wenn Sie einem Sprachmodell eine Frage stellen, kommt die Antwort nicht von Ihrem Handy. Ihre Frage reist in ein Rechenzentrum, wo Tausende Spezialchips das Modell ausführen und die Antwort in Sekunden zurückschicken. Auch jedes selbstfahrende Auto, jedes Foundation Model für Roboter und jeder Sprach-Decoder für ein Hirnimplantat wurde in einem solchen Gebäude trainiert. KI ist Software, ruht aber auf einem sehr physischen Fundament: Chips, Gebäuden, Stromleitungen und Kühlwasser.

Dies ist Teil 5, der letzte Teil von Level 0 in unserem Lernpfad Physical AI. Sie erfahren, warum KI Spezialchips braucht, was in einem KI-Rechenzentrum steckt, wie viel Strom die größten Standorte ziehen und warum heute Strom der wichtigste Engpass ist, nicht die Chips.