Physical AI: Dr. Markus Wulfmeier über Asimovs Gesetze
Physical AI ist Künstliche Intelligenz für die physische Welt, die Roboter greifen, packen und laufen lässt. Im YouTube-Interview erklärt Dr. Markus Wulfmeier, wie nah universelle Roboter nach seiner Einschätzung sind. Der Forscher arbeitete fast acht Jahre bei Google DeepMind, zuletzt im Kernteam von Gemini Robotics. Seit April ist er Chief Scientist bei Nomagic in Warschau.
Nomagic hat über 84 Millionen Dollar eingesammelt. Die Roboter des Unternehmens greifen unter anderem bei Zalando jeden Monat Millionen Artikel. Das Gespräch mit Leonard Schmedding kreist um drei Fragen. Welche Daten zählen, welche Roboter kommen zuerst und wie bleibt der Einsatz sicher?
Sie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Physical AI und Sprachmodelle: Was GPT-6 in der Robotik leistet
Der CEO von Unitree nannte es kürzlich seinen größten Fehler, zu wenig an KI geglaubt zu haben. Sein Team setzte GPT-6 auf mehrere Roboter und meldete sehr gute Ergebnisse. Im August rechnete er noch mit zwei bis zehn Jahren bis zum Durchbruch. Inzwischen hält er im besten Fall ein bis zwei Jahre für möglich.
Wulfmeier reagiert zurückhaltend auf diese Prognose. Sprachmodelle seien in einigen Bereichen stark und hätten in anderen große Schwächen. Für Nomagic zähle, wo sich die Modelle direkt in laufende Prozesse einbauen lassen. Reine Demos hält der Forscher für wenig aussagekräftig.
Als Engpass gilt die Latenz. In Teilen der Logistik darf ein System eine halbe Sekunde warten. Laufen auf zwei Beinen verlangt dagegen eine deutlich höhere Regel-Frequenz. Die Branche antwortet mit hierarchischen Systemen. Ein Modell plant langsam, eine schnelle Steuerung liefert die Reflexe.
Die 99,9-Prozent-Hürde: Warum Breite allein nicht reicht
Die größten Fortschritte der letzten Jahre lagen laut Wulfmeier in der Breite. Roboter lösen heute neue Aufgaben mit unbekannten Objekten. An diesem Thema arbeitete er auch im Team von Gemini Robotics. Für den Einsatz im Betrieb genügt das nach seinen Worten noch nicht.
Ein Roboter, der hunderte Aufgaben zu 40 bis 90 Prozent löst, bleibt kommerziell nutzlos. Kunden verlangen einzelne Aufgaben mit 99 oder 99,9 Prozent Erfolgsquote. Wulfmeier spricht von Mastery oder Virtuosität. Bei einer Erfolgsquote von 50 Prozent sei die Technik schon erstaunlich weit. Bei 99,9 Prozent schrumpfe der Anteil lösbarer Aufgaben stark.
Die letzten Prozentpunkte kosten am meisten. Beim Reinforcement Learning verschlingt das letzte Prozent oft die Hälfte des Aufwands. Ähnliche Muster zeigen die Scaling Laws für Rechenleistung und Token. Als Brücke nennt der Forscher den Harness, bekannt aus dem KI-Coding. Klassische Robotik-Systeme umrahmen das gelernte Modell und machen es vor der Perfektion einsetzbar.
Einsatzdaten schlagen YouTube-Videos und Simulation
Die Bitter Lesson besagt: Daten und Rechenleistung schlagen auf lange Sicht jedes von Hand gebaute System. Wulfmeier fügt eine Nuance hinzu. Es müssen die richtigen Daten sein. Ein Modell lernt keine Mathematik aus Texten ohne Mathematik.
YouTube-Videos liefern Weltwissen und visuelle Dynamik. Den Clips fehlen aber die Aktionen, also die Motor-Signale eines Roboters. Google zeigte mit Gemini 4 Argon, wie der Humanoide Apollo siebenmal beim Cornhole trifft. Selbst dafür braucht es laut Wulfmeier Versuche auf dem echten Roboter.
Simulation beschreibt er als Multiplikator für Daten und Tests. Als Ersatz taugt sie aus seiner Sicht nicht, denn jeder Simulator wird an der echten Welt geeicht. Selbst Teams mit starkem Fokus auf Sim-to-Real testen am Ende auf echter Hardware.
Den wertvollsten Datensatz liefert nach Wulfmeiers Darstellung der laufende Betrieb. Allein bei Zalando kamen laut einer älteren Zahl rund 2 Millionen Picks pro Monat zusammen. Für dieselbe Menge per Teleoperation bräuchte Nomagic etwa 30 Menschen. Diese Einsatzdaten entstehen ohne Zusatzkosten, weil die Roboter bereits nützliche Arbeit leisten.
Spezialisten vor Humanoiden: Wo Physical AI zuerst ankommt
Viel Kapital fließt aktuell in humanoide Roboter. Wulfmeier erwartet trotzdem schnellere Fortschritte bei Spezialisten. Solche Systeme erreichen früher ein Niveau, das den Einsatz rechtfertigt. Aus diesen Einsätzen sollen die Modelle Schritt für Schritt zu Generalisten wachsen.
Zwischen Roboterarm und Humanoid liegt ein breites Spektrum. Nomagic setzt meist einzelne Arme ein und forscht an Systemen mit zwei und drei Armen. In vielen Fabriken braucht kein Roboter Beine. Oft genügen Greifer mit zwei oder drei Fingern. Dazu kommen wechselbare Endeffektoren, etwa für Schuhkartons oder schwere Objekte.
Bei Zeitplänen bleibt der Forscher vorsichtig. Lager, Logistik und Fertigung komplett in Roboterhand hält er für nahe Zukunft. Dieses Szenario diskutiert die Branche unter dem Begriff Dark Factories. Den sicheren, vollautonomen Haushalts-Humanoiden datiert er auf 2050. Das Jahr entspricht dem RoboCup-Ziel, ein menschliches Fußballteam zu schlagen.
Demo-Videos überzeugen ihn kaum. Ein Video zeigt nichts über die Steuerung dahinter. Schon vor Jahren brachte ein Roboter von Willow Garage ein Bier, komplett per Teleoperation. Als Maßstab nennt Wulfmeier die Autonomie-Rate: Wie oft greift noch ein Mensch ein? Für 2030 erwartet er, dass Roboter neue Aufgaben in Tagen statt in Monaten lernen.
Asimovs Robotergesetze: So bleibt Physical AI sicher
DeepMind führte im März 2025 mit Gemini Robotics 1.0 den Asimov-Benchmark ein. Die Idee dahinter: Ein festes Regelwerk soll Roboter binden. Sprachmodelle umgehen antrainierte Regeln jedoch immer wieder. Wulfmeier will sich deshalb nie allein auf das Modell verlassen.
In der physischen Welt ist die Fehlertoleranz gering. Ein Fehler zerstört Ware, legt eine Anlage still oder gefährdet Menschen. Nomagic ergänzt das Modell nach eigenen Angaben um harte Checks. Kräfte und Tempo sind begrenzt, die Low-Level-Steuerung stoppt bei Kontakt. Menschen überwachen die Anlagen zusätzlich aus der Ferne.
Sicherheit beschreibt der Forscher als Daueraufgabe. Teams müssen laufend prüfen, ob die Schranken noch greifen. Dieselbe Vorsicht bremst die rekursive Selbstverbesserung in der Robotik. Anthropic nennt laut Schmedding bereits 26 Prozent KI-getriebene Selbstverbesserung. Roboter müssen jede Änderung in der echten Welt beweisen, und die läuft nur in Echtzeit.
Bei Hardware-Regeln für Haushalts-Roboter rechnet Wulfmeier fest mit Regulierung. Ein 30 Kilogramm leichter Roboter im Strickanzug birgt andere Risiken als ein 80-Kilo-Humanoid. Die Gesetzgebung müsse schneller mit der Technik Schritt halten, sagt der Forscher.
Europa: Talent ist da, Rechenleistung fehlt
Wulfmeier sitzt in der Jury der Next Frontier AI Challenge der SPRIND. Die Agentur steckt 125 Millionen in neue europäische KI-Labs. Zehn Teams sind aktuell dabei. Gesucht sind riskante neue Ansätze statt Kopien amerikanischer Rezepte. Die Summe bezeichnet er als Katalysator für weiteres Kapital.
Ein Talentproblem erkennt der Forscher in Europa nicht. Die Unis bilden stark aus, viele Köpfe ziehen aber weg. Als massiven Blocker benennt er die Rechenleistung. Die Investitionen in Rechenzentren wachsen ihm deutlich zu langsam.
Nomagic bleibt wegen des Talentpools in Europa. Das Engineering sitzt in Warschau, ein Forschungslab entsteht in Zürich. Viele Kunden sitzen ebenfalls hier, das beschleunigt jeden Rollout. Zürich nennt Wulfmeier ein starkes Ökosystem für Robotik und KI.
Fazit: Physical AI wächst leise in der Industrie
Physical AI kommt nach Wulfmeiers Einschätzung zuerst dort an, wo Roboter täglich Millionen Handgriffe leisten. Logistik und Fertigung liefern die Daten, die Modelle für hohe Erfolgsquoten brauchen. Beobachter sollten Ankündigungen an Erfolgsquote und Autonomie-Rate messen. Ein schönes Demo-Video belegt wenig.
Der Humanoide für jeden Haushalt bleibt laut dem Ex-DeepMind-Forscher ein Fernziel. Die stille Automatisierung der Industrie läuft dagegen längst. Offen bleibt, ob Europa genug Rechenleistung aufbaut, um dabei vorn mitzuspielen. Bis 2030 dürfte die KI für die physische Welt viele Lager und Fabriken prägen.
Häufige Fragen
Was ist Physical AI?
Physical AI bezeichnet KI-Systeme, die in der physischen Welt handeln. Solche Systeme steuern Roboterarme, Humanoide oder Fahrzeuge. Anders als reine Sprachmodelle benötigt Physical AI Daten aus echter Interaktion, also Aktionen und Motor-Signale. Dr. Markus Wulfmeier verweist im Interview auf die geringe Fehlertoleranz. Ein Fehler zerstört Ware, stoppt eine Anlage oder gefährdet Menschen. Der Forscher fordert deshalb Erfolgsquoten von 99,9 Prozent für den Einsatz im Betrieb.
Wann kommt der humanoide Haushaltsroboter?
Dr. Markus Wulfmeier nennt 2050 für den ersten sicheren und vollautonomen Haushalts-Humanoiden. Die Zahl orientiert sich am RoboCup-Ziel, ein menschliches Fußballteam zu besiegen. Komplett automatisierte Lager, Logistik und Fertigung sieht der Forscher deutlich früher. Dort entstehen große Datenmengen, und die Sicherheit lässt sich besser kontrollieren. Demo-Videos von Haushalts-Robotern hält er für wenig belastbar, weil oft ein Mensch per Teleoperation steuert.
Reichen Sprachmodelle wie GPT-6 für die Robotik aus?
Nach Wulfmeiers Darstellung reichen sie allein nicht aus. Sprachmodelle liefern Weltwissen und lösen viele Aufgaben mit mittlerer Erfolgsquote. Für 99,9 Prozent sind Daten aus dem echten Einsatz des jeweiligen Roboters nötig. Hinzu kommt die Latenz: Reaktive Aufgaben wie Laufen verlangen schnelle Regelkreise. Die Branche setzt daher auf hierarchische Systeme. Ein großes Modell plant, eine schnelle Low-Level-Steuerung führt aus.
Lassen sich Asimovs Robotergesetze technisch umsetzen?
Ein Regelwerk im Modell allein genügt nach Wulfmeiers Einschätzung nicht. Sprachmodelle umgehen antrainierte Regeln immer wieder. Nomagic kombiniert das Modell deshalb mit harten Checks außerhalb des Modells. Dazu gehören begrenzte Kräfte, begrenztes Tempo und eine Steuerung, die bei Kontakt stoppt. Menschen überwachen die Anlagen zusätzlich aus der Ferne. Sicherheit beschreibt der Forscher als laufenden Prozess, der bei jedem Rollout neu geprüft wird.
Warum reicht Simulation für das Roboter-Training nicht?
Simulation vervielfacht Daten und Tests, ersetzt die echte Welt aber nicht. Jeder Simulator muss an realen Messwerten geeicht werden. Alle denkbaren Gewichte und Reibungswerte gleichzeitig zu trainieren, sprengt den Rechenaufwand. Selbst Teams mit starkem Fokus auf Sim-to-Real testen am Ende auf dem echten Roboter. Wulfmeier beschreibt Simulation daher als Multiplikator für Signale aus dem laufenden Betrieb.
