Physical Intelligence: Roboter-Foundation-Models erreichen Geschicklichkeit schneller als erwartet – doch der wahre Engpass liegt beim gesunden Menschenverstand
Podcast-Interview mit Physical Intelligence-Mitgründer Sergey Levine beleuchtet den Stand der Forschung zu universellen Robotern und die technische Roadmap des Unternehmens
Sergey Levine, Mitgründer und Forscher bei Physical Intelligence, hat ein ungewöhnlich detailliertes technisches Bild davon gezeichnet, wo die universelle Robotik heute steht. Das Resultat: Bei der manuellen Geschicklichkeit ist man weiter fortgeschritten, als externe Beobachter vermuten würden, während gleichzeitig ein Problem bremst, das zuvor kaum jemand als den kritischen Engpass identifiziert hatte – nicht die physische Steuerung, sondern das semantische Denken auf mittlerer Ebene. Das Gespräch, das im Rahmen einer Langinterview-Serie geführt wurde, besticht weniger durch Hype als durch die offene Offenlegung dessen, was die Forscher des Unternehmens seit der Gründung überrascht hat und was nicht.
Der Engpass hat sich von physischen Fähigkeiten auf das logische Denken verlagert
Die folgenreichste Enthüllung des Gesprächs ist, dass die Modelle von Physical Intelligence bereits eine Schwelle überschritten haben, bei der weitere Verbesserungen nicht mehr durch mehr Teleoperationsdaten erzielt werden, sondern schlicht dadurch, dass man mit dem Roboter „spricht“. Levine beschrieb ein internes Experiment von vor etwa sechs Monaten, bei dem das Team aufhörte, niederstufige Teleoperationsdaten zur Behebung von Fehlern hinzuzufügen, und stattdessen bestehende Robotererfahrungen mit höherstufigen semantischen Befehlen versah. „Das verbessert tatsächlich seine Fähigkeit zur Generalisierung“, sagte er. Er erklärte, dass sich „der Engpass von der untersten Ebene, also der Fähigkeit des Roboters, die Aufgabe physisch auszuführen, auf diese mittlere Ebene verlagert hat, auf der das System nun stärker dadurch eingeschränkt ist, die Szene zu interpretieren und den nächsten korrekten Schritt auszuwählen, was durch Sprache überwacht werden kann“. In der Praxis bedeutet dies, dass die Leistung eines Roboters nun durch natürlichsprachliches Coaching statt durch die kostspielige Sammlung physischer Demonstrationsdaten gesteigert werden kann – eine signifikante Verschiebung der Unit Economics bei der Skalierung dieser Systeme.
Geschicklichkeit und plattformübergreifende Generalisierung übertreffen interne Erwartungen
Levine betonte ausdrücklich, dass die Fortschritte bei der Geschicklichkeit seine eigenen Erwartungen übertroffen haben. „Wir haben bei der Geschicklichkeit deutlich größere Fortschritte gemacht, als ich gedacht hätte“, sagte er. Er wies darauf hin, dass dasselbe Modell auf Roboter mit einer unterschiedlichen Anzahl von Freiheitsgraden und auf mehrfingrige Hände übertragen wurde, ohne dass architektonische Änderungen vorgenommen oder dem System auch nur mitgeteilt wurde, welche Art von Roboter es steuert. Diese plattformübergreifende Generalisierung, die einfach durch Fine-Tuning mit neuen Daten statt durch neue Techniken erreicht wurde, ist ein wichtiger Indikator für Investoren, die bewerten wollen, ob Foundation-Models die F&E-Kosten über verschiedene Hardware-Plattformen hinweg amortisieren können – eine Kernhypothese, die das gesamte Investment-Narrativ rund um „Roboter-Foundation-Models“ untermauert.
Echte Daten versus Simulation bleiben ein ungelöster und folgenschwerer Graben
Eine der prägnanteren technischen Enthüllungen betrifft eine Spaltung in der Branche, die laut Levine unterschätzt wird: Humanoide Roboter, die akrobatische Demos vorführen, stützen sich fast ausschließlich auf Simulationen mit „oft tatsächlich null realen Daten“, während robotische Manipulationssysteme – der Fokus von Physical Intelligence – stark auf reale Daten und große Foundation-Models mit minimaler Simulation setzen. „Es ist gelinde gesagt überraschend, dass in diesen beiden Robotik-Domänen die dominanten Ansätze so unterschiedlich aussehen“, sagte er. Er fügte hinzu, dass unklar sei, ob sich ein Paradigma durchsetzen oder eine Synthese entstehen werde. Dies ist eine offene, ungelöste Architekturfrage mit direkten Auswirkungen auf die Kapitalallokation in diesem Sektor, da die beiden Ansätze sehr unterschiedliche Kostenstrukturen für die Datenerfassung und Zeithorizonte implizieren.
Die Hardwarekosten sind kollabiert und beseitigen eine strukturelle Barriere
Levine bezifferte die Hardware-Deflationskurve, die die aktuelle Welle von Robotik-Investitionen antreibt: Der PR2-Roboter, den er vor einem Jahrzehnt nutzte, kostete rund $400.000; zu der Zeit, als er sein Lab an der UC Berkeley gründete, kostete ein vergleichbarer Roboter etwa $30.000; heute kostet ein einzelner Roboterarm ein Zehntel davon, und Levine erwartet weitere Rückgänge. Er führte dies auf eine Kombination aus Hardware- und Softwarefortschritten zurück. Er wies darauf hin, dass kostengünstige Arme mit herkömmlichen Hochpräzisions-Steuerungsmethoden unbrauchbar wären, jedoch in Kombination mit lernbasierten Systemen, die billigere, weniger präzise Aktuatoren und minimale Sensorik kompensieren, voll einsatzfähig werden. Die eigene Plattform von Physical Intelligence verwendet drei Kameras und keinerlei Berührungs- oder Kraftsensoren – bewusst minimalistisch gehalten, basierend auf der These, dass Lernen Hardware-Sensorik ersetzen kann.
Die Unsicherheit beim Zeitplan ist direkt an eine ungelöste Datenstrategie-Frage geknüpft
Levine äußerte sich ungewöhnlich direkt dazu, dass die Zuverlässigkeit des eigenen Zeitplans von Physical Intelligence von einer unbeantworteten empirischen Frage abhängt: ob künftige Skalierung überwiegend auf menschlichen Teleoperations-Demonstrationen beruht oder auf autonomen Reinforcement-Learning-Daten, die von im Feld eingesetzten Robotern gesammelt werden – was er als „90/10- oder 10/90“-Verteilung bezeichnete. „Mein Gefühl bezüglich des Zeitplans ist seit unserer Gründung optimistischer geworden“, sagte er, warnte jedoch, dass der korrekte geschäftliche und technische Ansatz „ziemlich drastisch variiert“, je nachdem, welches Datenparadigma sich durchsetzt, und dass dies erst in den kommenden Jahren empirisch geklärt werden wird. Dies ist ein bemerkenswert ehrliches Statement für ein Unternehmen im Zentrum einer großen Kapitalisierungs-Story und legt nahe, dass Investoren Robotik-Zeitpläne mit mehr Demut betrachten sollten, als es das Venture-Capital-Narrativ des Sektors normalerweise erlaubt.
Wo sich die Technologie am längsten schwertun wird: Menschliche Interaktion statt physischer Komplexität
Auf die Frage nach den schwierigsten verbleibenden Aufgaben verwies Levine nicht auf geschicklichkeitsintensive Arbeiten, sondern auf Aufgaben, die eine physische Interaktion mit Menschen erfordern. Er nannte Alten- und Kinderpflege – insbesondere das Wechseln von Windeln – als wahrscheinlich eine der letzten Fähigkeiten, die Roboter erlangen werden. „Ich denke, das ist wirklich der Gipfel von Moravecs Paradoxon“, sagte er und argumentierte, dass Menschen die Schwierigkeit von Aufgaben, für deren mühelose Bewältigung sie sich evolutionär entwickelt haben, systematisch unterschätzen. Dies hat direkte Relevanz für Investoren, die den Total Addressable Market (TAM) nach Branchen modellieren: Die Kategorien mit dem höchsten Wert und der höchsten Zahlungsbereitschaft in der Pflege sind möglicherweise auch diejenigen, die technisch am langsamsten realisierbar sind, während alltäglichere kommerzielle Aufgaben wie Hotelreinigung oder Unterstützung in der Gastronomie vergleichsweise nahfristig greifbare Chancen darstellen.
Die geschäftliche Einführung wird Coding-Copilots ähneln, nicht dem massenhaften Arbeitskraftersatz
Levine wandte sich gegen das binäre Narrativ „Roboter ersetzen Arbeiter“ und zog eine direkte Analogie dazu, wie KI-Programmiertools das Software-Engineering umgestaltet haben. „Es ist ja nicht so, dass Programmiertools auf den Markt kamen und wir plötzlich keine Softwareentwickler mehr brauchen“, sagte er und prognostizierte, dass die Einführung der Robotik ähnlich verlaufen wird: ein „Tanz“, bei dem Menschen und Roboter sich bei Aufgaben abwechseln – mal arbeiten Roboter Seite an Seite mit Menschen, mal konfigurieren Menschen Umgebungen, um Roboter produktiver zu machen, und umgekehrt. Unternehmen, die den Zeitpunkt des Einsatzes evaluieren, riet Levine zur Vorsicht: Die naive Annahme „einfach mehr Daten sammeln“ sei oft falsch, da Datenqualität und -typ wichtiger seien als das Volumen. Zudem hänge dies stark von ungelösten Architekturwetten ab, die das Feld noch nicht entschieden hat.
Wo robotische Systeme die menschlichen Fähigkeiten schließlich übertreffen könnten
Über die reine Gleichziehun bei der Geschicklichkeit hinaus verwies Levine auf konkrete, kurzfristig erreichbare übermenschliche Fähigkeiten: die Aufgabengeschwindigkeit – da menschliche Demonstranten häufig für kognitive Prozesse innehalten, die algorithmisch herausgefiltert und beschleunigt werden können – sowie langfristig Skalierung und Formfaktor. Er nannte Schwärme von Quadcoptern oder chirurgische Roboter, die nicht an vom Menschen steuerbare Schnittstellen gebunden sind, als langfristige Möglichkeiten, sobald Systeme für geschickte Präzisionsarbeiten wie Roboterchirurgie keine Echtzeit-Teleoperation durch Menschen mehr erfordern.