Anfang des Jahres erschien ein Video, in dem der von Tesla entwickelte humanoide Roboter Optimus ein T-Shirt faltet. Wenig später kam heraus, dass bei der Präsentation – wie so oft bei Produkten, an denen der rechte Milliardär Elon Musk beteiligt ist – zu viel versprochen wurde: Der Roboter wurde nämlich durch einen Menschen gesteuert. Das Startup Physical Intelligence aus San Francisco will zeigen, wie es besser geht. Es entwickelt ein KI-Modell, mit dessen Hilfe Roboter in Zukunft eine Vielzahl an Arbeiten im Haushalt und darüber hinaus erledigen sollen.

In einem Blogbeitrag und einem dazugehörigen Paper (PDF) hat Physical Intelligence das Basismodell mit dem Namen π0 (Pi-Zero) vorgestellt. „Wir entwickeln nicht einfach ein Gehirn für einen bestimmten Roboter“, sagt der Mitgründer und Geschäftsführer Karol Hausmann im Gespräch mit der New York Times. „Sondern ein Generalistengehirn, das jeden Roboter steuern kann.“

Roboter mit „Verständnis physikalischer Zusammenhänge“

In Videos zeigen die Forschenden des Unternehmens, wie verschiedene Roboter mit Greifarmen diverse Haushaltsarbeiten verrichten: Sie räumen den Trockner aus, nehmen die Wäsche aus dem Korb und falten sie, füllen Bohnen in die Kaffeemaschine, entsorgen Müll und bestücken Eierkartons. Die Besonderheit ist, dass die Roboter nicht gezielt auf diese Arbeiten trainiert wurden, sondern dank π0 ein „allgemeines Verständnis physikalischer Zusammenhänge“ haben, das sie auch auf neue, ihnen bis dato fremde Arbeiten anwenden können.

Die Idee: Dank künstlicher Intelligenz müssen die Roboter der Zukunft nicht erst mühsam programmiert werden, um anschließend spezielle Aufgaben verrichten zu können. Stattdessen erteilt man ihnen Aufträge, etwa per Text- oder Spracheingabe, und sie orientierten sich anschließend selbst an ihrer Umgebung und ihren technischen Möglichkeiten, um sie erfolgreich auszuführen.

π0 besteht aus zwei Pre-Trainings-Komponenten. Zum einen aus einem Vision-Language-Model (VLM), also einem KI-Modell, das sowohl Text- als auch Bilddaten versteht. So wie große Sprachmodelle mit Informationen aus dem Internet trainiert werden, wird auch π0 zunächst mit öffentlich zugänglichen Videos und Texten trainiert, um dadurch „Allgemeinwissen, semantisches Denken und Problemlösungsfähigkeiten“ zu erhalten. Das Modell lernt zum Beispiel, was mit einem Ausdruck wie „Wäschefalten“ überhaupt gemeint ist.

Die zweite Komponente betrifft die Steuerung von Robotern. Die Forschenden haben das Modell dafür mit insgesamt 10.000 Stunden „Geschicklichkeitsdaten“ von sieben verschiedenen Roboterkonfigurationen und 68 Aufgaben trainiert, sowie mit zusätzlichen Open-Source-Daten zur Manipulation von Objekten. Dadurch lernt das Modell, wie ein Roboter sich bewegen muss, um gewisse Aufgaben zu bewältigen. Dadurch entsteht ein sogenanntes Vision-Language-Action Model (VLA). Ein Verfahren namens Flow Matching synchronisiert die Bewegungen mit dem gelernten Allgemeinwissen.

Um komplexe Aufgaben, darunter das Falten von Wäsche, zu meistern, kann das Modell anschließend noch einem Feintuning unterzogen werden: „Durch das Vortraining lernt das Modell die physische Welt kennen, während es durch die Feinabstimmung lernt, eine bestimmte Aufgabe gut zu erfüllen“, schreiben die Verantwortlichen.

Da es keinen direkten Vergleich zu π0 gibt, sei es schwierig, die Fähigkeiten des Modells zu evaluieren, heißt es. Im Vergleich mit anderen VLA-Modellen schneide es aber praktisch in allen getesteten Aufgaben besser ab. Trotzdem sei es noch ein weiter Weg, bis es wirklich Roboter gibt, denen man einfach Aufgaben erteilen kann, für die sie nicht spezialisiert sind. Oder bis es eine KI gibt, die mit möglichst vielen verschiedenen, verfügbaren Robotern funktioniert – etwa auch mit Teslas Optimus.

„Obwohl unsere Ergebnisse darauf hindeuten, dass universelle vortrainierte Basismodelle für Roboter möglich sind, bleibt es abzuwarten, ob sich diese Universalität auch auf weitaus unterschiedlichere Bereiche wie autonomes Fahren oder die Fortbewegung mit Beinen anwenden lässt“, heißt es abschließend.

An Geld für weitere Forschung mangelt es Physical Intelligence jedenfalls nicht. Obwohl das Startup erst Anfang des Jahres gegründet wurde, hat es kürzlich schon eine neue Kapitalrunde in Höhe von 400 Millionen US-Dollar abgeschlossen. Das Unternehmen hat dadurch bereits eine Bewertung von mehr als zwei Milliarden US-Dollar. Zu den jüngsten Investoren zählen unter anderem Amazon-Gründer Jeff Bezos und OpenAI.