KI-Infrastruktur für die Robotik-Revolution neu denken Das Drei-Computer-Problem der Physical AI

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

QUNIS GmbH

Fivetran Germany GmbH

Humanoide Roboter falten Wäsche, autonome Fahrzeuge navigieren durch Städte. In Demos wirkt die Robotik-Revolution unvermeidlich. Dahinter aber stehen fragmentierte Entwicklungsprozesse: Training, Simulation und Edge-Deployment arbeiten häufig als getrennte Systeme. Warum das die eigentliche Hürde für Robotik-Teams ist, erläutert Evan Helda, Head of Physical AI beim Cloud-Anbieter Nebius.

Hinter jeder eleganten Demo steckt eine unordentlichere Wahrheit: Die Lernschleifen sind fragmentiert. Spricht man mit Robotik-Teams, taucht dieselbe Beschwerde auf. Zu viel Zeit geht für das Jonglieren mit Infrastruktur drauf, statt Modelle zu verbessern. Das kostet Teams das Einzige, was sie nicht zurückgewinnen können: Iterationsgeschwindigkeit. Physical AI hat damit nicht nur ein Modell-Problem, sondern ein Workflow-Problem. Genauer: ein Drei-Computer-Problem.

Der Markt wächst dabei erheblich: Das Marktforschungsunternehmen MarketsandMarkets prognostiziert einen Anstieg von 0,89 Milliarden Dollar im Jahr 2025 auf 15,24 Milliarden Dollar bis 2032. Solche Prognosen stammen aus Auftragsforschung und schwanken je nach Marktabgrenzung erheblich.

Next Big Thing nach GenAI?

Physical AI: Wenn Roboter mitdenken statt nur funktionieren

Warum ein GenAI-Stack nicht ausreicht

Anders als textbasierte generative KI muss Physical AI mit physischen Konsequenzen umgehen. Ein Roboter kann eine Kiste fallen lassen, gegen eine Wand fahren oder auf eine Weise versagen, die teuer oder gefährlich ist.

Dieser Unterschied verändert den Stack in drei Dimensionen. Die Daten sind schwerer: Video, LiDAR, Tiefeninformationen, Telemetrie, Roboterzustand, Simulationsspuren und Sensorströme. Die Modelle sind verkörperter: Vision-Language-Action-Modelle, World Models, Control Policies und Perception Stacks. Und die Workloads sind eigenartiger, etwa Simulation, synthetische Datengenerierung, Reinforcement Learning, Evaluation, Replay, Failure Mining und multimodale Datenverarbeitung.

Physical AI hat durch Fortschritte bei Foundation Models, Simulation, synthetischen Daten, Reinforcement Learning und Edge Computing an Fahrt gewonnen. Aber nichts davon wurde dafür gebaut, als ein System zusammenzuarbeiten. Das ist die größte Hürde für Entwickler.

Das Drei-Computer-Problem

Das zentrale Infrastrukturproblem in Physical AI ist das, was Nvidia das Drei-Computer-System nennt: Ein Computer trainiert das Modell, einer simuliert die Welt, einer läuft in der Maschine.

Der erste ist der Trainings-Cluster für Modelltraining und Fine-Tuning. Er braucht Skalierbarkeit, schnelles Netzwerk, robustes Scheduling und schnellen Zugriff auf Sensordaten. Der zweite ist die Simulationsumgebung, mit GPUs für Rendering und KI-Berechnungen, CPUs für Physiksimulation, schnellem Speicher und Orchestrierung für parallele Instanzen. Der dritte ist das Edge-Gerät: Modelle müssen mit niedriger Latenz auf eingeschränkter Hardware in Robotern, Fahrzeugen, Drohnen oder Maschinen laufen, bei entsprechenden Anforderungen an Sicherheit, Zuverlässigkeit, Energieeffizienz, Laufzeitkompatibilität und Echtzeit-Performance.

In der Theorie bilden diese drei Komponenten eine Lernschleife: Modell trainieren, in der Simulation testen, deployen, Fehler beobachten, mit neuen Daten verbessern. In der Praxis funktionieren sie wie drei separate Inseln. Traditionelle Cloud-Architektur wurde nicht für Workloads entwickelt, bei denen Training, Simulation, Datenverarbeitung, Evaluation und Deployment als integriertes System zusammenwirken müssen. Robotik-Teams bauen deshalb nicht nur Roboter, sondern auch die Infrastruktur, um Roboter zu bauen.

Bitkom-Studie

Physical AI rückt von der Demo in den Produktivbetrieb

Die Sim-to-Real-Lücke

Die physische Welt liefert keinen sauberen, ausgewogenen Datensatz. Sie liefert Blendung, Staub, Regen, Schatten, unebene Böden, Sensorrauschen und seltene Fehlerfälle. Synthetische Daten sind der Weg, wie Teams diesen Long Tail abdecken: Per Simulation lassen sich seltene, gefährliche oder teure Szenarien in großem Maßstab erzeugen und Fehler wiederholen, deren physische Reproduktion unmöglich oder unverantwortlich wäre.

Physical-AI-Teams brauchen sowohl synthetische als auch reale Daten. Diese Quellen liegen jedoch häufig in unterschiedlichen Formaten, Speichersystemen und Workflows vor. Entsprechend aufwendig ist der Weg vom realen Fehler über das simulierte Szenario zum neu trainierten Modell. Die Daten existieren, die Schleife nicht.

Aufbau einer Execution Layer für Physical AI

Der nächste Schritt ist der Aufbau einer durchgängigen Cloud-Execution-Layer für den gesamten Physical-AI-Lebenszyklus. Nicht nur GPUs, Storage oder Simulation, auch nicht nur Datenpipelines, sondern ein System, das Teams ermöglicht, den kompletten Kreislauf über eine Entwickleroberfläche, eine gemeinsame Datenschicht und ein Execution Framework zu betreiben.

In diesem Modell ist die Cloud mehr als ein Ort, an dem man Rechenleistung mietet. Sie ist auf dem Weg, zur Datenfabrik für Physical AI zu werden: ein aktives System, das Rechenleistung in Trainingsdaten, simulierte Szenarien, Evaluationsläufe, Modellverbesserungen und schließlich Edge-Deployments umwandelt.

Im GenAI-Zeitalter wurde die Cloud zur Fabrik für Tokens. Im Physical-AI-Zeitalter wird sie zur Fabrik für verkörperte Intelligenz. So bewegen sich Roboter von beeindruckenden Demos hin zu Deployment in großem Maßstab.

Über den Autor

Evan Helda ist Leiter des Bereichs Physical AI bei Nebius.

(ID:50909144)