{"author":{"@type":"Person","name":"Alexander Bock","url":"https://abxk.ai/de/autor/alexander-bock/"},"categories":["Physical AI"],"content":{"markdown":"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.\n\nDies ist Teil 1 von Level 0 in unserem Lernpfad Physical AI. Sie erfahren, was Physical AI ist, welchen Kreislauf jedes solche System durchläuft, welche Felder dieser Lernpfad abdeckt und warum die physische Welt für KI so viel schwieriger ist als ein Chatfenster. Vorwissen brauchen Sie nicht.\n\n## Der Kreislauf: wahrnehmen, entscheiden, handeln\n\nJedes System der Physical AI durchläuft denselben Kreislauf, viele Male pro Sekunde. Es **nimmt** die Welt über Sensoren **wahr**, **versteht**, was es sieht — etwa „ein Radfahrer, zwei Meter voraus, zieht nach links“ —, **entscheidet**, was zu tun ist, und **handelt** über Motoren oder andere Aktoren. Die Handlung verändert die Welt, und der Kreislauf beginnt mit frischen Sensordaten von vorn.\n\n![Ein Kreislauf aus vier Schritten um die reale Welt: mit Kameras und anderen Sensoren wahrnehmen, verstehen, was da ist, entscheiden, was zu tun ist, und mit Motoren handeln; die Handlung verändert die Welt, die erneut wahrgenommen wird](/images/learn/de/what-is-physical-ai-loop.webp \"Der Kreislauf jedes Systems der Physical AI: wahrnehmen, verstehen, entscheiden, handeln.\")\n\nEin Sprachmodell arbeitet anders: Es bekommt eine Eingabe, schreibt eine Ausgabe und wartet. Ist die Antwort falsch, fragen Sie einfach noch einmal. Ein selbstfahrendes Auto kann die Straße nicht anhalten. Es muss in Sekundenbruchteilen entscheiden und kann eine falsche Entscheidung nicht zurücknehmen.\n\n## Die vier Felder dieses Lernpfads\n\nPhysical AI umfasst viele Maschinen, vom Saugroboter bis zur Drohne. Dieser Lernpfad folgt vier Feldern, in denen KI schon echte Arbeit leistet, dazu der Infrastruktur dahinter — und zu jedem gibt es öffentliche Daten, die Sie selbst prüfen können.\n\n| Feld | Nimmt wahr | Entscheidet | Handelt | Öffentliche Daten auf ABXK.AI |\n|---|---|---|---|---|\n| Selbstfahrende Fahrzeuge | Kameras, Radar, Lidar | Wohin und wie schnell | Lenkung, Bremsen, Motor | [Unfallmeldungen an die US-Verkehrssicherheitsbehörde](/de/physical-ai/self-driving-car-crash-data/) |\n| Roboter | Kameras, Kraft- und Tastsensoren | Wie greifen, wohin treten | Motoren in Gelenken und Greifern | Bemerkenswerte KI-Modelle für Roboter |\n| Gehirn-Computer-Schnittstellen | Elektroden auf oder im Gehirn | Welche Bewegung oder welches Wort gemeint war | Mauszeiger, Roboterarm, synthetische Stimme | [Klinische Studien im US-Studienregister](/de/physical-ai/brain-computer-interface-trials/) |\n| Chips und Rechenzentren | — | — | Liefern die Rechenleistung | [Chips, Rechenzentren und Stromverbrauch](/de/physical-ai/ai-data-centers/) |\n\nDie letzte Zeile ist keine Maschine, die selbst handelt. Sie ist das physische Fundament jeder KI: Jedes Modell, auch das in Robotern und Autos, wird in Rechenzentren voller Chips trainiert, die viel Strom ziehen.\n\n## Warum die physische Welt schwerer ist als ein Chat\n\nPhysical AI ist noch ein kleiner Teil der KI-Forschung. Von den {{\u003c num \"ai_models\" \"notable_since_2020\" \u003e}} bemerkenswerten KI-Modellen, die das Forschungsinstitut Epoch AI seit 2020 erfasst hat, wurden nur {{\u003c num \"ai_models\" \"robotics_share_since_2020_pct\" \u003e}} % für Roboter oder Fahrzeuge gebaut; die meisten sind Sprach- und Bildmodelle.\n\n![Waagerechte Balken: bemerkenswerte KI-Modelle seit 2020 nach Bereich, Sprache weit vorn, Robotik und Fahren weit unten](/images/learn/de/what-is-physical-ai-domains.webp \"Bemerkenswerte KI-Modelle seit 2020 nach Bereich. Physical AI ist ein kleiner Anteil.\")\n\nDafür gibt es vier Hauptgründe:\n\n- **Fehler kosten mehr.** Ein falsches Wort im Chat ist ärgerlich. Eine falsche Lenkentscheidung kann Menschen verletzen. Physical AI muss auch in seltenen Situationen sicher sein, nicht nur in typischen.\n- **Es gibt wenig Daten.** Sprachmodelle lernen aus Texten aus dem Internet. Ein Internet der Roboterbewegungen gibt es nicht: Jedes Beispiel, wie ein Roboter eine Tasse greift, muss mit echter Hardware aufgezeichnet oder in einer Simulation erzeugt werden.\n- **Die Zeit ist knapp.** Ein Auto mit 50 km/h legt fast 14 Meter pro Sekunde zurück. Wahrnehmen, Verstehen und Entscheiden müssen in Sekundenbruchteile passen, auf einem Computer im Fahrzeug.\n- **Die Welt ist offen.** Auf der Straße gibt es unzählige seltene Situationen, sogenannte **Edge Cases**: eine Matratze auf der Autobahn, ein Polizist, der den Verkehr bei Rot durchwinkt. Kein Modell kann sie alle gesehen haben.\n\n## Wie Physical AI lernt\n\nWeil echte Daten knapp sind, kombiniert Physical AI mehrere Lernwege. Ingenieure **programmieren** Regeln, wo die Aufgabe fest ist, etwa bei einem Schweißroboter am Fließband. Roboter lernen aus **Vorführungen**, wenn ein Mensch den Roboter führt oder fernsteuert und das Modell die Bewegung nachahmt. Sie üben in der **Simulation**, Millionen Versuche in einer virtuellen Welt vor dem ersten Versuch in der echten. Seit 2023 kommen **Foundation Models für Roboter** hinzu: große Modelle, die Bilder, Sprache und Bewegung verbinden, sodass ein Roboter einer Anweisung wie „Stell die rote Tasse in die Spüle“ folgen kann. {{\u003c num \"ai_models\" \"robotics_since_2022\" \u003e}} der {{\u003c num \"ai_models\" \"robotics_models\" \u003e}} bemerkenswerten Robotik-Modelle in den Daten von Epoch AI erschienen 2022 oder später.\n\n{{\u003c data \"models-robotics\" \"n=8\" \u003e}}\n\n## Worauf Sie bei Nachrichten über Physical AI achten sollten\n\nPhysical AI zieht kühne Behauptungen an. Diese Fragen helfen, Vorführungen von echtem Einsatz zu unterscheiden:\n\n1. **Vorführung oder Dienst?** Ein Video eines Roboters, der Wäsche faltet, zeigt einen Erfolg. Fragen Sie, wie oft es klappt und in wie vielen Haushalten er läuft.\n2. **Wer steuert?** Viele Roboter und manche Fahrzeuge werden in schwierigen Momenten von Menschen ferngesteuert. Das ist legitim, aber es ändert, was die KI allein kann.\n3. **Wie viel echter Einsatz?** Fahrerlos gefahrene Kilometer, Betriebsstunden oder behandelte Patienten sagen mehr als jede Ankündigung.\n4. **Was sagen die öffentlichen Aufzeichnungen?** Für selbstfahrende Autos und Hirnimplantate veröffentlichen Behörden Unfallmeldungen und Studieneinträge. Dieser Lernpfad nutzt sie.\n\nDie nächsten Teile von Level 0 nehmen sich jedes Feld einzeln vor, beginnend damit, wie selbstfahrende Autos die Straße sehen. Die Daten hinter diesem Lernpfad finden Sie in der Übersicht zu [Physical AI](/de/physical-ai/).","text":"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.\nDies ist Teil 1 von Level 0 in unserem Lernpfad Physical AI. Sie erfahren, was Physical AI ist, welchen Kreislauf jedes solche System durchläuft, welche Felder dieser Lernpfad abdeckt und warum die physische Welt für KI so viel schwieriger ist als ein Chatfenster. Vorwissen brauchen Sie nicht.\nDer Kreislauf: wahrnehmen, entscheiden, handeln Jedes System der Physical AI durchläuft denselben Kreislauf, viele Male pro Sekunde. Es nimmt die Welt über Sensoren wahr, versteht, was es sieht — etwa „ein Radfahrer, zwei Meter voraus, zieht nach links“ —, entscheidet, was zu tun ist, und handelt über Motoren oder andere Aktoren. Die Handlung verändert die Welt, und der Kreislauf beginnt mit frischen Sensordaten von vorn.\nDer Kreislauf jedes Systems der Physical AI: wahrnehmen, verstehen, entscheiden, handeln. Ein Sprachmodell arbeitet anders: Es bekommt eine Eingabe, schreibt eine Ausgabe und wartet. Ist die Antwort falsch, fragen Sie einfach noch einmal. Ein selbstfahrendes Auto kann die Straße nicht anhalten. Es muss in Sekundenbruchteilen entscheiden und kann eine falsche Entscheidung nicht zurücknehmen.\nDie vier Felder dieses Lernpfads Physical AI umfasst viele Maschinen, vom Saugroboter bis zur Drohne. Dieser Lernpfad folgt vier Feldern, in denen KI schon echte Arbeit leistet, dazu der Infrastruktur dahinter — und zu jedem gibt es öffentliche Daten, die Sie selbst prüfen können.\nWas ist Physical AI? Maschinen, die wahrnehmen und handeln Feld Nimmt wahr Entscheidet Handelt Öffentliche Daten auf ABXK.AI Selbstfahrende Fahrzeuge Kameras, Radar, Lidar Wohin und wie schnell Lenkung, Bremsen, Motor Unfallmeldungen an die US-Verkehrssicherheitsbehörde Roboter Kameras, Kraft- und Tastsensoren Wie greifen, wohin treten Motoren in Gelenken und Greifern Bemerkenswerte KI-Modelle für Roboter Gehirn-Computer-Schnittstellen Elektroden auf oder im Gehirn Welche Bewegung oder welches Wort gemeint war Mauszeiger, Roboterarm, synthetische Stimme Klinische Studien im US-Studienregister Chips und Rechenzentren — — Liefern die Rechenleistung Chips, Rechenzentren und Stromverbrauch Die letzte Zeile ist keine Maschine, die selbst handelt. Sie ist das physische Fundament jeder KI: Jedes Modell, auch das in Robotern und Autos, wird in Rechenzentren voller Chips trainiert, die viel Strom ziehen.\nWarum die physische Welt schwerer ist als ein Chat Physical AI ist noch ein kleiner Teil der KI-Forschung. Von den 628 bemerkenswerten KI-Modellen, die das Forschungsinstitut Epoch AI seit 2020 erfasst hat, wurden nur 2,9 % für Roboter oder Fahrzeuge gebaut; die meisten sind Sprach- und Bildmodelle.\nBemerkenswerte KI-Modelle seit 2020 nach Bereich. Physical AI ist ein kleiner Anteil. Dafür gibt es vier Hauptgründe:\nFehler kosten mehr. Ein falsches Wort im Chat ist ärgerlich. Eine falsche Lenkentscheidung kann Menschen verletzen. Physical AI muss auch in seltenen Situationen sicher sein, nicht nur in typischen. Es gibt wenig Daten. Sprachmodelle lernen aus Texten aus dem Internet. Ein Internet der Roboterbewegungen gibt es nicht: Jedes Beispiel, wie ein Roboter eine Tasse greift, muss mit echter Hardware aufgezeichnet oder in einer Simulation erzeugt werden. Die Zeit ist knapp. Ein Auto mit 50 km/h legt fast 14 Meter pro Sekunde zurück. Wahrnehmen, Verstehen und Entscheiden müssen in Sekundenbruchteile passen, auf einem Computer im Fahrzeug. Die Welt ist offen. Auf der Straße gibt es unzählige seltene Situationen, sogenannte Edge Cases: eine Matratze auf der Autobahn, ein Polizist, der den Verkehr bei Rot durchwinkt. Kein Modell kann sie alle gesehen haben. Wie Physical AI lernt Weil echte Daten knapp sind, kombiniert Physical AI mehrere Lernwege. Ingenieure programmieren Regeln, wo die Aufgabe fest ist, etwa bei einem Schweißroboter am Fließband. Roboter lernen aus Vorführungen, wenn ein Mensch den Roboter führt oder fernsteuert und das Modell die Bewegung nachahmt. Sie üben in der Simulation, Millionen Versuche in einer virtuellen Welt vor dem ersten Versuch in der echten. Seit 2023 kommen Foundation Models für Roboter hinzu: große Modelle, die Bilder, Sprache und Bewegung verbinden, sodass ein Roboter einer Anweisung wie „Stell die rote Tasse in die Spüle“ folgen kann. 19 der 31 bemerkenswerten Robotik-Modelle in den Daten von Epoch AI erschienen 2022 oder später.\nBemerkenswerte KI-Modelle für Roboter und Fahrzeuge, neueste zuerst ModellOrganisationVeröffentlichtAufgabe GEN-1.5Generalist19.08.2026Greifen und Bewegen von Objekten MolmoAct 2Allen Institute for AI05.04.2026Greifen und Bewegen von Objekten π0.6 (pi-0.6)Physical Intelligence17.11.2025Greifen und Bewegen von Objekten Eagle 2Nvidia20.01.2025– RDT-1BTsinghua University10.10.2024Greifen und Bewegen von Objekten GR-2ByteDance08.10.2024Video Table Tennis AgentGoogle DeepMind07.08.2024Sport OpenVLAStanford University13.06.2024Greifen und Bewegen von Objekten Octo-BaseUniversity of California (UC) Berkeley20.05.2024Greifen und Bewegen von Objekten ManiGaussianTsinghua University13.03.2024Greifen und Bewegen von Objekten RT-TrajectoryGoogle DeepMind03.11.2023Greifen und Bewegen von Objekten RT-2-XGoogle DeepMind13.10.2023Greifen und Bewegen von Objekten Robot ParkourShanghai Qi Zhi institute12.09.2023Bewegungen nachahmen SwiftIntel Labs30.08.2023Drohnenflug RT-2Google DeepMind28.07.2023Greifen und Bewegen von Objekten Agile Soccer RobotGoogle DeepMind26.04.2023Bewegungen nachahmen PaLM-EGoogle06.03.2023Fragen zu Bildern RT-1Google13.12.2022Greifen und Bewegen von Objekten GatoDeepMind12.05.2022Atari-Spiele 6-Act TetherFacebook AI Research03.08.2021Objekterkennung SemExpCarnegie Mellon University (CMU)02.07.2020Objekterkennung DD-PPOGeorgia Institute of Technology19.12.2019Objekterkennung Walking Minotaur robotUniversity of California (UC) Berkeley19.06.2019Bewegungen nachahmen MetaMimicGoogle11.10.2018Greifen und Bewegen von Objekten Deep Deterministic Policy GradientsGoogle DeepMind09.09.2015Greifen und Bewegen von Objekten Truck backer-upperStanford University18.06.1989Autonomes Fahren Q-learningUniversity of London01.01.1989Wegfindung ASE+ACEUniversity of Massachusetts Amherst01.09.1983Stab balancieren Heuristic Reinforcement LearningPurdue University01.10.1965Steuerung SNARCHarvard University08.01.1952Labyrinth lösen TheseusBell Laboratories02.07.1950Labyrinth lösen Quelle wie bei der ersten Tabelle dieser Seite.\nWorauf Sie bei Nachrichten über Physical AI achten sollten Physical AI zieht kühne Behauptungen an. Diese Fragen helfen, Vorführungen von echtem Einsatz zu unterscheiden:\nVorführung oder Dienst? Ein Video eines Roboters, der Wäsche faltet, zeigt einen Erfolg. Fragen Sie, wie oft es klappt und in wie vielen Haushalten er läuft. Wer steuert? Viele Roboter und manche Fahrzeuge werden in schwierigen Momenten von Menschen ferngesteuert. Das ist legitim, aber es ändert, was die KI allein kann. Wie viel echter Einsatz? Fahrerlos gefahrene Kilometer, Betriebsstunden oder behandelte Patienten sagen mehr als jede Ankündigung. Was sagen die öffentlichen Aufzeichnungen? Für selbstfahrende Autos und Hirnimplantate veröffentlichen Behörden Unfallmeldungen und Studieneinträge. Dieser Lernpfad nutzt sie. Die nächsten Teile von Level 0 nehmen sich jedes Feld einzeln vor, beginnend damit, wie selbstfahrende Autos die Straße sehen. Die Daten hinter diesem Lernpfad finden Sie in der Übersicht zu Physical AI.\n","words":1017},"date":"2026-10-18","description":"Physical AI erklärt: wie Maschinen in der realen Welt wahrnehmen, entscheiden und handeln, vom Robotaxi bis zum Hirnimplantat, und warum das schwerer ist.","image":"https://abxk.ai/images/cover/what-is-physical-ai.webp","json":"https://abxk.ai/de/physical-ai/learn/what-is-physical-ai/index.json","kind":"page","language":"de","learning_path":{"category":"physical-ai","level":0,"level_name":"Einstieg"},"modified":"2026-10-18","section":"physical-ai","seo_title":"Was ist Physical AI? Maschinen, die wahrnehmen und handeln","tags":["physical-ai","robotik","autonomes-fahren","einstieg","physical-ai-grundlagen"],"title":"Was ist Physical AI? Maschinen, die wahrnehmen und handeln","translations":[{"json":"https://abxk.ai/en/physical-ai/learn/what-is-physical-ai/index.json","language":"en","url":"https://abxk.ai/en/physical-ai/learn/what-is-physical-ai/"}],"url":"https://abxk.ai/de/physical-ai/learn/what-is-physical-ai/"}