Diese fünf Technologien machen Physical AI möglich

Künstliche Intelligenz war lange vor allem auf die Analyse von Daten beschränkt. Physical AI erweitert diesen Ansatz: Systeme erfassen ihre Umgebung unmittelbar über Kameras, Lidar-Technologie und weitere Sensoren. Auf dieser Grundlage können sie die reale Welt interpretieren und flexibel auf Veränderungen reagieren.

Anders als bei klassischer Automatisierung müssen dabei nicht sämtliche Regeln und denkbaren Szenarien vorab explizit definiert oder programmiert werden. Physical AI entsteht allerdings nicht durch die isolierte Weiterentwicklung einzelner Technologien. Entscheidend ist vielmehr ihr Zusammenspiel in einem geschlossenen Regelkreis aus Wahrnehmung, Interpretation und Aktion. NTT Data benennt fünf technologische Bausteine, die dafür besonders entscheidend sind.

1. Wie Sensorik Physical AI die Wahrnehmung ermöglicht

Am Anfang steht die Fähigkeit, physische Zustände präzise zu erfassen. Sensorsysteme messen unter anderem Temperatur, Druck, Vibrationen, räumliche Positionen oder optische Eigenschaften und übersetzen diese Informationen in digitale Signale. Entscheidend ist dabei die Sensorfusion. Erst die Kombination unterschiedlicher Datenquellen erzeugt ein konsistentes Gesamtbild und ermöglicht Rückschlüsse auf komplexere Zusammenhänge.

In industriellen Anwendungen können Maschinenzustände dadurch im Kontext verschiedener Parameter betrachtet werden, anstatt einzelne Messwerte isoliert auszuwerten. Das bildet die Grundlage, um Anomalien zuverlässig zu erkennen und adaptive Prozesse zu ermöglichen.

2. Edge Intelligence bringt Entscheidungen an die Maschine

Ein zweiter Baustein ist die Verarbeitung großer Datenmengen unmittelbar dort, wo sie entstehen. Sensoren und eingebettete Systeme verfügen zunehmend über eigene Rechenkapazitäten und können Machine-Learning-Modelle lokal ausführen. Diese Edge Intelligence reduziert Latenzen und ermöglicht Reaktionen innerhalb von Millisekunden. Dafür sind spezialisierte und energieeffiziente Chips erforderlich, die komplexe KI-Modelle auch unter begrenzten Ressourcen ausführen können.

So können beispielsweise Verschleißerscheinungen frühzeitig erkannt oder Qualitätsabweichungen direkt im Produktionsprozess korrigiert werden. Weil weniger Daten zentral übertragen werden müssen, sinkt zugleich der Bedarf an Bandbreite und Energie.

Physical AI: Acht Einsatzfelder für die Fertigung

Physical AI erweitert den Einsatz Künstlicher Intelligenz in der Fertigung. Statt Prozesse lediglich zu analysieren, steuert die Technologie Maschinen und Abläufe in Echtzeit und eröffnet neue Möglichkeiten für die Automatisierung.

Redaktion Automation NEXT

3. Wie KI Daten in konkrete Aktionen übersetzt

Den analytischen Kern von Physical AI bilden Verfahren des maschinellen Lernens, der Mustererkennung und zunehmend generative KI-Modelle. Insbesondere Foundation Models sowie Vision-Language-Action-Modelle, kurz VLA, spielen dabei eine wichtige Rolle. Unternehmen können auf vortrainierten Modellen aufbauen und diese für spezifische Einsatzszenarien anpassen, statt Anwendungen vollständig neu zu trainieren. Dadurch können sich Entwicklungszeiten verkürzen und neue Anwendungen schneller produktiv umsetzen lassen.

VLA-Modelle verbinden visuelle Informationen, Sprache und Kontext. Maschinen können dadurch gesprochene Befehle interpretieren, auf unerwartete Situationen reagieren und Aktionen für Greifarme oder Antriebe auslösen. Für deterministische Steuerungs-, Regelungs- und Sicherheitsaufgaben bleiben klassische KI-Verfahren laut der Darstellung jedoch unverzichtbar. Das Potenzial liegt im Zusammenspiel: Generative Modelle übernehmen Wahrnehmung, Kontextverständnis und Planung, während klassische KI-Methoden für eine präzise und verlässliche Ausführung sorgen.

4. 5G, 6G und Standards vernetzen Physical AI

Für konsistent arbeitende Physical-AI-Systeme müssen Daten schnell, sicher und mit geringer Verzögerung übertragen werden. Kommunikationsinfrastrukturen wie 5G und perspektivisch 6G sollen dafür die Grundlage schaffen. Sie ermöglichen die latenzarme Vernetzung von Maschinen, Sensoren und IT-Systemen auch in dynamischen Produktionsumgebungen. Gleichzeitig gewinnen standardisierte Protokolle und Datenmodelle an Bedeutung. Sie dienen beispielsweise der semantischen Beschreibung von Maschinendaten und sollen die Interoperabilität unterschiedlicher Systeme sicherstellen.

Nur mit einer gemeinsamen technologischen „Sprache“ können Daten effizient integriert und verarbeitet werden. Durchgängige Konnektivität soll damit Insellösungen vermeiden und eine ganzheitliche Betrachtung von Produktionsprozessen ermöglichen.

5. Wie Robotik den Regelkreis von Physical AI schließt

Die physische Umsetzung der Entscheidungen übernehmen Robotik und adaptive Aktorik. Neue Robotergenerationen sollen nicht mehr ausschließlich starren Abläufen folgen, sondern ihre Aktionen flexibel an die jeweilige Umgebung anpassen.

Grundlage dafür sind verbesserte Aktorik, präzisere Steuerungssysteme und eine enge Integration von KI-Modellen. Kollaborative Roboter, autonome Transportsysteme und adaptive Greifsysteme können Bewegungen dynamisch anpassen und damit auch in unstrukturierten Umgebungen agieren.

Damit schließt sich der Regelkreis von Physical AI: Maschinen nehmen ihre Umwelt wahr, interpretieren die gewonnenen Daten und setzen daraus abgeleitete Entscheidungen unmittelbar in physische Aktionen um.

Physical AI verändert das Verständnis von Automatisierung

Welche Bedeutung diese Entwicklung für die industrielle Produktion hat, beschreibt Oliver Köth, Managing Director Technology & Innovation DACH bei NTT Data: „In klassischen Fertigungsumgebungen war das mechanische Zusammenspiel der Maschinen jahrzehntelang der entscheidende Faktor für Effizienz und Produktivität. Stückzahlen, Taktzeiten und Materialfluss bestimmten das Geschehen auf dem Shopfloor. Zwar hat sich die Perspektive heute nicht grundlegend verschoben, denn nach wie vor zählt das Ergebnis. Verändert hat sich jedoch unser Verständnis von Automatisierung insgesamt. Mit Physical AI lassen sich Systeme schaffen, die eigenständig mit Unsicherheit und Varianz umgehen und daraus die richtigen Entscheidungen ableiten. Gerade im Fertigungsbereich sind solche Fähigkeiten gefragt. Voraussetzung dafür ist das Zusammenspiel mehrerer technologischer Entwicklungen. Erst wenn Sensorik, KI, Konnektivität und Robotik nahtlos ineinandergreifen, entstehen Systeme, die ihre Umgebung verstehen und eigenständig handeln können.“