Künstliche Intelligenz beschränkt sich nicht länger auf Texte, Bilder und Daten. Unter dem Begriff „Physical AI“ lernen Maschinen, ihre Umgebung wahrzunehmen, Handlungen zu planen und diese in der realen Welt auszuführen.
Am deutlichsten wird dies bei humanoiden Robotern, die 2026 erstmals in deutschen Werkhallen erprobt werden. Dieser Beitrag erklärt, was hinter dieser Technologie steckt, wie weit sie heute bereits entwickelt ist und woran ihr breiter Einsatz noch scheitert.
Was ist Physical AI?
Der Begriff „Physical AI“ bezeichnet KI-Systeme, die ihre Umgebung wahrnehmen, daraus Handlungen ableiten und diese über eine Maschine in der realen Welt ausführen. Zu ihnen zählen Roboter, fahrerlose Transportsysteme und autonome Fahrzeuge. Die BMW Group beschreibt den Begriff knapp als die Verbindung von digitaler KI mit realen Maschinen und Robotern.
Der Unterschied zu reiner Software-KI liegt in den Folgen eines Fehlers. Ein Sprachmodell kann eine Antwort beliebig oft neu erzeugen. Ein Roboter hingegen kann das Fallenlassen eines Bauteils nicht rückgängig machen. „Physical AI“ muss deshalb mit Schwerkraft, Reibung, Toleranzen und Zeitvorgaben umgehen, also mit genau den Größen, mit denen Ingenieure aus der Konstruktion vertraut sind.
Technisch arbeitet ein solches System in einem geschlossenen Kreis:
- Wahrnehmen: Kameras, Kraft-Momenten-Sensoren und Gelenkgeber erfassen die Umgebung und den Eigenzustand.
- Verstehen und Planen: KI-Modelle erkennen Objekte, deuten die Situation und leiten die nächsten Schritte ab.
- Handeln: Die Steuerung setzt den Plan in Gelenkbewegungen und Greifkräfte um.
- Rückmelden: Das Ergebnis fließt sofort wieder in die Wahrnehmung ein.
Klassische Roboterprogramme durchlaufen diesen Kreis nur in engen, vorab festgelegten Grenzen. „Physical AI“ soll ihn dagegen auch dann schließen, wenn ein Bauteil anders liegt, als erwartet oder eine Aufgabe neu ist.
Wie Roboter lernen: Modelle, Simulation und digitale Zwillinge
Drei Entwicklungen machen „Physical AI“ heute praktikabel: große, vortrainierte Modelle, das Lernen aus Demonstrationen sowie das Training in der Simulation.
Vision-Language-Action-Modelle: Diese Modelle verarbeiten Kamerabilder und sprachliche Anweisungen gemeinsam und geben direkt Bewegungsbefehle aus. Ein Roboter muss somit nicht mehr für jede Aufgabe einzeln programmiert werden. Die Forschung benennt jedoch auch die Schwächen: Die Modelle sind oft an eine bestimmte Roboterbauform gebunden und Roboterdaten sind im Vergleich zu Text- und Bilddaten nur begrenzt verfügbar.
Lernen durch Vormachen: Weil Trainingsdaten fehlen, führen Menschen dem Roboter Aufgaben per Fernsteuerung vor. Bei Mercedes-Benz in Berlin-Marienfelde haben Beschäftigte mit Produktionserfahrung ihr Wissen auf diesem Weg auf den Roboter „Apollo“ übertragen.
Simulation und digitaler Zwilling: Bewegungsabläufe lassen sich virtuell in Tausenden von Varianten trainieren, bevor ein realer Roboter sie ausführt. Das ist schneller, günstiger und ungefährlich. Allerdings hängt die Qualität vom Modell ab: Stimmen Geometrie, Massen, Reibwerte und Kinematik der virtuellen Anlage nicht mit der Realität überein, scheitert die Übertragung in die Werkhalle. Fachleute sprechen in diesem Fall von der Sim-to-Real-Lücke.
Humanoide Roboter: Warum die menschliche Form?
Das stärkste Argument für die menschenähnliche Bauform ist die bestehende Infrastruktur in Fabriken. Treppen, Türen, Regalhöhen, Werkzeuge und Arbeitsplätze sind für Menschen ausgelegt. Ein Roboter mit vergleichbaren Proportionen kann in dieser Umgebung arbeiten, ohne dass Umbauten erforderlich sind. Genau darin sieht das Fraunhofer IPA den Reiz: Ortswechsel und flexibles Greifen zusammen erlauben es, Aufgaben in Bestandsanlagen mit geringem Integrationsaufwand zu automatisieren.
Als sinnvolle Einsatzfälle nannten Industrievertreter in einer Befragung des Fraunhofer IPA am häufigsten:
- Materialtransport, etwa das Bewegen von Kisten und Behältern
- Be- und Entladen von Maschinen
- Greifen komplex geformter Gegenstände
Ganz menschlich muss der Roboter dafür nicht sein. 60 % der Befragten bezweifeln, dass zwei Beine nötig sind, und halten eine fahrbare Plattform oder einen stationären Zweiarmroboter für praktikabler. Die Praxis bestätigt das: Der bei BMW in Leipzig erprobte AEON hat einen menschenähnlichen Oberkörper, fährt aber auf Rollen.
„Humanoid“ ist somit weniger eine feste Bauform als ein Baukasten. Arme und Hände folgen dem menschlichen Vorbild, während sich der Unterbau nach der Aufgabe richtet. Für Aufgaben mit hoher Taktzahl, hoher Traglast oder engen Toleranzen bleibt der spezialisierte Industrieroboter schneller, genauer und wirtschaftlicher.
Stand 2026: Vom Messeauftritt zum Pilotbetrieb
Im Jahr 2026 sind humanoide Roboter bereits in ersten Werken im Einsatz, allerdings noch hauptsächlich im Pilotbetrieb und an klar abgegrenzten Aufgaben. Vorreiter ist die Automobilindustrie.
- BMW in Spartanburg (USA) setzte beispielsweise den Roboter Figure 02 ein, der zehn Monate lang in Zehn-Stunden-Schichten Blechteile entnahm und sie millimetergenau für den Schweißprozess positionierte. Insgesamt bewegte er über 90.000 Bauteile für mehr als 30.000 Fahrzeuge.
- Bei BMW in Leipzig kommt der Roboter AEON von Hexagon Robotics zum Einsatz. Er unterstützt die Mitarbeiter bei der Montage von Hochvoltbatterien und in der Komponentenfertigung. Nach Tests ab April 2026 war die Pilotphase für den Sommer 2026 angesetzt.
- Bei Mercedes-Benz in Berlin-Marienfelde wird der Roboter „Apollo“ von Apptronik erprobt. Er soll lernen, autonom zu arbeiten. Seine Aufgaben sind die Logistik und unterstützende Tätigkeiten an der Linie.
- Schaeffler und der Hersteller Humanoid haben eine fünfjährige Partnerschaft angekündigt, die die Lieferung von mehreren hundert Robotern an die Produktionsstandorte vorsieht.
Die Zahlen aus Spartanburg zeigen, dass ein Humanoid eine wiederholgenaue Aufgabe über Monate im Serienumfeld erledigen kann. Sie zeigen aber auch die Grenzen: Es handelte sich um eine einzige, fest umrissene Tätigkeit. Von der Maschine, die jede beliebige Aufgabe übernimmt, sind die Piloten noch weit entfernt.
Zwischen Fortschritt und praktischen Grenzen
Bis zur breiten Anwendung müssen noch vier Hürden genommen werden: Sicherheit, Greiftechnik, Hardware-Reife und Wirtschaftlichkeit.
Sicherheit und Normung: Ein klassischer Roboter bleibt stehen, wenn der Strom abgeschaltet wird. Ein zweibeiniger Roboter hingegen fällt um. Bei einem Gewicht von 70 Kilogramm oder mehr stellt dies eine ernstzunehmende Gefahr für Menschen in der Nähe dar. Die Norm ISO 10218 setzt einen kippsicheren Roboter voraus. Diese Lücke soll die ISO 25785-1 schließen, die die Sturzerkennung, das kontrollierte Absenken und das Verhalten bei Not-Halt regelt. Anfang 2026 lag sie jedoch erst als Arbeitsentwurf vor. Das Fraunhofer IPA erwartet deshalb für erste Einsätze vorerst keinen Mischbetrieb mit Menschen.
Greifen: Die menschliche Hand ist schwer nachzubauen. Das Fraunhofer IPA bezeichnet flexible Hände als das derzeit größte „Nadelöhr“.
Hardware-Reife: Laut derselben Analyse erfüllen Aktoren, Getriebe, Batterien und Sensorik die industriellen Anforderungen an Robustheit, Lebensdauer und Kosten erst teilweise. Die Hardware hat somit einen größeren Einfluss auf Zuverlässigkeit und Skalierbarkeit als der Fortschritt der KI-Modelle.
Wirtschaftlichkeit: Etwa die Hälfte der vom Fraunhofer IPA Befragten würde bis zu 100.000 Euro für einen Humanoiden zahlen. Der wirtschaftliche Nutzen ist jedoch unklar und überhöhte Erwartungen zählen zu den genannten Hürden. In der Befragung von Anfang 2025 hielten 74 % einen industriellen Einsatz erst in drei bis zehn Jahren für realistisch.
Entscheidend ist deshalb nicht, was ein Roboter im Messevideo zeigt. Vielmehr ist entscheidend, wie zuverlässig, sicher und wirtschaftlich er dieselbe Aufgabe im Dreischichtbetrieb erfüllt.
Was bedeutet das für das Engineering und die Konstruktion?
Mit Physical AI wird die Arbeit in die virtuelle Welt verlagert, wo die Qualität der Engineering-Daten über Erfolg oder Misserfolg entscheidet. Ein Roboter, der in der Simulation lernt, lernt an den CAD-Modellen der Anlage, der Vorrichtungen und der Bauteile.
Daraus ergeben sich drei Aufgaben für Konstruktion und Planung:
- Simulationsfähige Modelle: Geometrie allein reicht nicht. Massen, Schwerpunkte, Werkstoffe und Kinematik müssen im Modell berücksichtigt werden.
- Durchgängige Daten: Der digitale Zwilling ist nur so aktuell wie der Datenstand dahinter. Änderungen an Bauteilen oder Anlagen müssen über das PLM-System verlässlich in der Simulation ankommen.
- Robotergerechte Gestaltung: Greifflächen, Zugänglichkeit und eindeutige Lageerkennung lassen sich bereits in der Konstruktionsphase berücksichtigen, ähnlich wie die montagegerechte Gestaltung.
Unternehmen, die ihre Produkt- und Anlagendaten heute sauber aufbauen, schaffen damit die Grundlage für eine spätere Automatisierung – unabhängig davon, ob am Ende ein Humanoid, ein Cobot oder ein klassischer Knickarmroboter die Aufgabe übernimmt.
Fazit
Physical AI verbindet künstliche Intelligenz mit der Fähigkeit, in der realen Welt zu handeln. Humanoide Roboter sind das sichtbarste Beispiel hierfür und haben inzwischen den Schritt vom Messestand in den Pilotbetrieb geschafft.
Bis zur breiten industriellen Nutzung müssen jedoch noch die Themen Sicherheit, Greiftechnik, Hardware-Reife und Wirtschaftlichkeit gelöst werden. Die Zukunft der Robotik liegt deshalb nicht zwangsläufig in menschenähnlichen Maschinen. Sie liegt in intelligenten Systemen, deren Bauform und Fähigkeiten zur konkreten Aufgabe passen.
Der Nutzen entsteht dabei nicht allein in der Technologie, sondern in ihrer sauberen Integration in Produkt, Prozess und Daten.

English