KIWAG
KIWAG
Warum eine echte Super-KI völlig neu gedacht werden müsste: Wie Roboter durch Simulationen und Umgebung lernen — und was LLMs davon unterscheidet.
Reinforcement Learning, Simulationen und Embodied AI — die andere Seite der KI-Forschung.
Wenn wir heute über Künstliche Intelligenz sprechen, meinen wir meistens ChatGPT, Claude oder Gemini — also Sprachmodelle. Aber ist das der einzige Weg zu einer echten Super-KI? Ein Blick in die Robotik zeigt: Es geht auch ganz anders.
Stell dir vor, du möchtest einem Roboter beibringen, eine Tür zu öffnen. Ein Sprachmodell würde Millionen von Texten über Türen lesen — und könnte danach perfekt erklären, wie man eine Tür öffnet, aber selbst keine einzige anfassen. Ein Roboter hingegen muss es körperlich erleben: den Widerstand der Klinke spüren, den richtigen Winkel finden, lernen wann man ziehen statt drücken muss.
Das wichtigste Prinzip des Roboter-Lernens heißt Reinforcement Learning (RL) — verstärkendes Lernen. Es funktioniert anders als das Training von Sprachmodellen.
Bei RL lernt ein System durch Belohnung und Bestrafung — ähnlich wie ein Kind, das durch Ausprobieren herausfindet, was funktioniert:
Eine Bewegung die zum Ziel führt (Tür geöffnet, Hindernis umfahren) erhält einen positiven Score. Der Roboter merkt sich: »Das hat funktioniert.«
Ein Fehlversuch (Gegenstand fallen gelassen, gegen die Wand gelaufen) wird mit einem negativen Score belegt. Der Roboter lernt: »Das lasse ich besser.«
Der Roboter probiert bewusst neue Wege aus — auch wenn sie zunächst schlechter erscheinen. So entdeckt er manchmal bessere Lösungen.
Das Besondere: Der Roboter bekommt keine fertigen Lösungen vorgegeben. Er bekommt nur ein Ziel und eine Rückmeldung, ob er näher am Ziel ist oder nicht. Was dazwischen passiert, findet er selbst heraus — und zwar durch millionenfaches Ausprobieren.
Stell dir einen Roboter vor der lernt einen Ball zu fangen. Jeder Schritt wird bewertet: Hand hebt sich in die richtige Richtung (+0,1 Punkte), falsche Richtung (−0,05 Punkte), Ball gefangen (+100 Punkte). Der Roboter optimiert seine Bewegungen so, dass die Gesamtbelohnung maximiert wird — oft über Millionen von Versuchen hinweg.
Das System heißt Reward Function (Belohnungsfunktion) und ist das Herzstück jedes RL-Systems. Die Kunst liegt darin, diese Funktion so zu gestalten, dass der Roboter wirklich das lernt, was wir wollen — und nicht eine »Schummelstrategie« findet.
RL steckt hinter vielen spektakulären KI-Erfolgen:
Einen echten Roboter eine Million Mal gegen die Wand fahren zu lassen, wäre teuer, zeitraubend und kaputt. Deshalb trainieren die meisten Robotersysteme zuerst in Simulationen.
In der echten Welt braucht ein Roboter für einen Trainingsversuch vielleicht 30 Sekunden. In einer Simulation kann derselbe Versuch in Millisekunden durchgeführt werden. Tausend Versuche pro Sekunde statt ein paar pro Minute — rund um die Uhr, ohne Materialverschleiß.
Leistungsstarke Simulationsplattform, die Roboter in fotorealistischen 3D-Umgebungen trainiert. Physik, Beleuchtung und Sensorik werden exakt simuliert.
Open-Source-Physik-Engine von Google, spezialisiert auf robotische Bewegungen und präzise Gelenk- und Kontaktsimulationen.
Simulierte Wohnumgebungen für Haushaltsroboter. Hier lernen Roboter wie man Kühlschranktüren öffnet oder Geschirr einräumt.
Der Clou: Nach dem Simulationstraining wird das Gelernte auf den echten Roboter übertragen — das nennt man Sim-to-Real Transfer. Allerdings funktioniert das nicht immer perfekt, denn die reale Welt ist chaotischer als jede Simulation.
Ein klassisches Beispiel: OpenAI Dactyl — eine Roboterhand lernt einen Würfel zu drehen. In der Simulation wurden über 100 Jahre Trainingszeit simuliert (komprimiert auf wenige Wochen Realzeit). Nach rund 13.000 Jahren Simulationserfahrung konnte die Hand den Würfel flüssig drehen.
Das zeigt ein Grundproblem: Maschinen brauchen enorm viele Wiederholungen. Ein Mensch sieht einen Würfel, fasst ihn an und versteht nach wenigen Versuchen, wie er ihn drehen kann. Ein Roboter braucht Millionen.
Ein radikaler Gedanke der Robotik-Forschung: Echte Intelligenz könnte nur durch einen Körper entstehen. Embodied AI (verkörperte KI) besagt, dass Lernen untrennbar mit physikalischer Interaktion verbunden ist.
Ein Kind lernt den Begriff »schwer« nicht aus einem Wörterbuch, sondern indem es einen Stein hebt und spürt, dass er sich kaum bewegen lässt. Es lernt »heiß« durch Berührung, »rund« durch Ertasten und »Lautstärke« durch Hören. Unser Verständnis der Welt ist grundlegend durch unseren Körper geprägt.
Überraschenderweise: Ein bisschen. LLMs können physikalische Phänomene oft verbal korrekt beschreiben. Sie wissen, dass ein Ball nach oben geworfen wieder runterkommt. Aber sie haben kein intuitives Verständnis.
Ein Beispiel: Frag ein LLM, ob ein Tisch eine Tasse hält, wenn man die Tasse auf die Tischkante stellt — die KI wird oft falsch liegen, weil sie die Balance nicht »fühlt«. Ein Roboter der einmal eine Tasse fallen sah, macht diesen Fehler kein zweites Mal.
Die Unterschiede zwischen Sprachmodellen und Robotik-Lernen sind grundlegend — sie betreffen nicht nur die Technik, sondern das ganze Verständnis von »Intelligenz«.
Viele Menschen glauben: Wenn wir LLMs nur groß genug machen, werden sie irgendwann zu einer Allgemeinen Künstlichen Intelligenz (AGI). Die Robotik-Forschung sieht das anders.
Das Problem: Ein LLM ist im Kern eine statistische Text-Vorhersage-Maschine. Es hat kein Bewusstsein, keine Ziele, keinen Körper und vor allem: es hat keinen Kontakt zur realen Welt. Selbst das größte Sprachmodell kann nicht verstehen, wie sich Hitze anfühlt oder wie viel Kraft nötig ist, um ein Ei zu zerbrechen.
Forscher wie Rodney Brooks (einer der Pioniere der Robotik) argumentieren, dass echte Intelligenz immer an eine physische Existenz gebunden sein wird. Ein reines Textsystem kann nach dieser Logik genauso wenig intelligent werden wie eine Enzyklopädie — sie enthält zwar alle Fakten, aber »versteht« nichts.
Das ist eine der großen philosophischen Fragen der KI-Forschung. Die meisten Forscher sind sich einig: Größe allein erzeugt kein Bewusstsein. Ein LLM ist letztlich eine gigantische mathematische Funktion — nicht anders als eine Taschenrechner-App, nur unvorstellbar komplexer.
Bewusstsein und echtes Verstehen scheinen an Körperlichkeit, sensorische Rückkopplung und eventuell sogar biologische Prozesse gebunden zu sein. Ein LLM »weiß« etwas — es »erlebt« nichts.
Die spannendste Entwicklung ist die Kombination: LLMs als »Gehirn« und Roboter als »Körper«. Diese Hybrid-Modelle vereinen die Sprachkompetenz von LLMs mit der physischen Interaktionsfähigkeit von Robotern.
Konkret: Ein LLM interpretiert einen Befehl in natürlicher Sprache (»Hol mir eine Flasche Wasser aus dem Kühlschrank«) und übersetzt ihn in einen Aktionsplan. Ein RL-System übernimmt dann die feinmotorische Steuerung — und das Ganze wird in der Simulation vortrainiert.
Teslas humanoider Roboter nutzt dieselbe KI-Technologie wie Teslas Autopilot. Computer Vision, neuronale Netze und RL für menschenähnliche Bewegungen.
Das Startup hinter dem »Figure 01« Roboter, der mit OpenAI-Sprachmodellen gesteuert wird — er kann sehen, hören, sprechen und Objekte manipulieren.
Der Roboterhund Spot nutzt RL für Bewegungssteuerung. Neuere Versionen integrieren Sprachverständnis für natürliche Kommunikation.
Die großen Tech-Firmen investieren massiv in diesen Hybrid-Ansatz. Google DeepMind forscht an RT-2 (Robotics Transformer 2), einem Modell das Sprache, Bilderkennung und Bewegungssteuerung kombiniert. NVIDIA arbeitet an »Foundation Models« für die Robotik.
Noch in den Kinderschuhen. Die bisherigen Roboter (Tesla Optimus, Figure AI, Boston Dynamics Atlas) sind beeindruckende Prototypen, aber weit davon entfernt, im Alltag zu funktionieren. Die größte Herausforderung ist die Generalisierung: Ein Roboter der Eier aufschlagen kann, ist noch lange nicht in der Lage, auch Geschirr zu spülen.
Experten schätzen, dass es noch mindestens 10–20 Jahre dauern wird, bis humanoide Roboter im Haushalt praktisch nutzbar sind.
Das menschliche Gehirn arbeitet mit etwa 20 Watt — rund so viel wie eine schwache Glühbirne. Damit steuert es einen ganzen Körper, verarbeitet Sinnessignale, denkt abstrakt und lernt ein Leben lang. Ein einziges LLM-Training verbraucht dagegen Gigawattstunden.
Die Effizienz des Gehirns zeigt, dass unsere aktuellen KI-Architekturen grundlegend ineffizient sind. Wir erkaufen KI-Fähigkeiten mit enormem Energieaufwand — während die Natur zeigt, dass es anders geht.
Das ist eine der großen offenen Fragen. Es gibt vielversprechende Ansätze:
Die Werkzeuge und Plattformen, die das moderne Roboter-Lernen ermöglichen.
Die Entwicklung ist rasant — aber wohin steuern wir eigentlich? Hier sind drei Trends, die die nächsten Jahre prägen werden.
Der Trend geht weg von »one model to rule them all« hin zu vielen kleinen, effizienten Modellen für spezifische Aufgaben.
Die Kombination von LLMs, Simulationen und Robotern wird zum Standard. LLMs planen, Roboter handeln, Simulationen trainieren.
Plattformen wie »Hugging Face for Robotics« entstehen — offene Modelle beschleunigen die Forschung weltweit.
Die nächsten Jahre werden zeigen, ob der Hybrid-Ansatz der Schlüssel zur AGI ist oder ob ein völlig neues Paradigma nötig sein wird. Eines ist sicher: Die reine Vergrößerung von Sprachmodellen wird nicht ausreichen. Echte Intelligenz braucht mehr als Buchstaben — sie braucht eine Welt, in der sie handeln kann.
Wenn dich das Thema interessiert, gibt es viele Einstiegsmöglichkeiten:
Alles was du brauchst, ist ein Laptop und Neugier. Die meisten Tools sind kostenlos und gut dokumentiert.