Physical AI verbindet KI und Fahrzeugplattformen

Die Diskussion über künstliche Intelligenz konzentriert sich derzeit fast ausschließlich auf immer größere Modelle. Für Entwickler von Embedded Systems stellt sich jedoch eine ganz andere Frage: Wie lässt sich künstliche Intelligenz unter den Randbedingungen realer Maschinen überhaupt realisieren? Das ist die Challenge der „Physical AI“. Denn ein KI-Modell allein erzeugt noch keine intelligente Maschine. Erst, wenn Sensoren, Datenverarbeitung und Aktoren zu einem geschlossenen Regelkreis zusammenfinden, entsteht ein System, das seine Umgebung versteht und darauf reagieren kann, das wirklich „intelligent“ ist.

Grundelement aller Anwendungen: Die Intelligenz muss lokal bereitgestellt werden.

Und mit dieser zunehmenden Verlagerung von KI-Anwendungen aus der Cloud in die Edge verändern sich die Anforderungen an Embedded-Systeme grundlegend. Während sich klassische Embedded-Plattformen über viele Jahre hinweg meist mit einer weitgehend unveränderten Softwarebasis betreiben ließen, entwickeln sich KI-Modelle und Frameworks heute in immer kürzeren Innovationszyklen weiter. Die Herausforderung besteht darin, dass Embedded-Systeme in industriellen Anlagen, Robotern, Fahrzeugen oder medizinischen Geräten typischerweise für Produktlebenszyklen von zehn Jahren oder mehr ausgelegt sind.

Analog Devices kauft Alif Semiconductor für 1,35 Mrd. USD

Analog Devices baut sein Geschäft mit Edge AI deutlich aus. Für 1,35 Milliarden Dollar übernimmt der Halbleiterhersteller Alif Semiconductor und ergänzt sein Analogportfolio um KI-Mikrocontroller und Fusion-Prozessoren.

Martin Probst

Edge-AI-Plattformen bilden die technologische Grundlage für Physical AI. Sie müssen nicht nur aktuelle KI-Modelle unterstützen, sondern auch genügend Flexibilität bieten, um künftige Modellgenerationen ohne grundlegende Änderungen der Systemarchitektur integrieren zu können. Damit rückt die Softwarearchitektur stärker in den Mittelpunkt: Entscheidend ist nicht mehr allein, welche Rechenleistung eine Plattform heute bietet, sondern wie flexibel sie sich an neue Modelle, Frameworks und Anwendungsanforderungen anpassen lässt. Das ist eine doppelte Challenge: Ist das Silizium prinzipiell in der Lage, die jeweils neuesten Modelle effizient und performant auszuführen – und ist die Software in der Lage, diese neuen Architekturen elegant auf dem Silizium abzubilden.

Die eigentliche Herausforderung beginnt nach der Inferenz

Edge AI hat in den vergangenen Jahren zahlreiche Anwendungen in der industriellen Bildverarbeitung, der Robotik und Fahrerassistenz hervorgebracht, bei denen ein einzelnes neuronales Netz Bilddaten analysiert, Objekte erkennt oder Anomalien klassifiziert. Für zahlreiche Anwendungen ist das weiterhin ausreichend. Bei autonomen Robotern, Fahrerassistenzsystemen oder intelligenten Fertigungsanlagen stößt dieser Ansatz jedoch an seine Grenzen, weil dort mehrere Sensoren und KI-Modelle gleichzeitig zusammenarbeiten müssen. Physical AI geht deutlich darüber hinaus. Maschinen müssen heute viele Sensordatenströme gleichzeitig verarbeiten, verschiedene KI-Modelle parallel ausführen und deren Ergebnisse in einen gemeinsamen Kontext einordnen. Erst auf dieser Grundlage kann das System eine konkrete Aktion auslösen, einen Roboter steuern, einen Fertigungsprozess anpassen oder ein Fahrzeugmanöver einleiten.

Ein Roboter fusioniert Kamerabilder mit Positions- und Kraftsensordaten. Ein Fahrzeug verarbeitet Daten aus Kamera, Radar und Lidar parallel. Ein Fertigungssystem bewertet Bildinformationen zusammen mit Prozessparametern einer Maschine. Die eigentliche Rechenleistung wird nicht mehr von einem einzelnen KI-Modell angefordert, sondern die Herausforderung liegt in der Orchestrierung mehrerer komplexer Verarbeitungspipelines. Damit verschiebt sich auch die technische Fragestellung. Lange wurde diskutiert, welcher KI-Beschleuniger welche Rechenleistung erreicht. Für Physical AI ist diese Betrachtung aber zu kurz gegriffen. Entscheidend ist jetzt, wie effizient sämtliche Verarbeitungsschritte ineinandergreifen, und vor allem wie elegant das Software Development Kit dem Entwickler diese Orchestrierung überhaupt ermöglicht.

Warum TOPS allein keine aussagekräftige Kenngröße mehr sind

Die Leistungsfähigkeit moderner KI-Hardware wird häufig über TOPS (Trillion Operations per Second) angegeben. Dieser Wert beschreibt jedoch lediglich die theoretische Rechenleistung – im realen Einsatz kann ein „lower Tops Chip“ einen auf dem Papier zehnmal performanteren Chip outperformen. Typischerweise sind hier gerade Prozessoren basieren auf GPU Kernen extrem schwach in der Utilization des Siliziums: Hohe Tops-Zahl, aber geringe Performance bei hohem Stromverbrauch.

Die einzig valide Messgröße ist die echte Verabeitungsgeschwindigkeit der Applikation: Wieviel Frames per second, welche Latency, wieviel Tokens per second, time to first token.

Mit Physical AI gewinnt deshalb die Systemarchitektur an Bedeutung. Gefragt sind hier nun Plattformen, die Bildverarbeitung, klassische Computer-Vision-Funktionen, Machine Learning und Applikationslogik auf spezialisierte Verarbeitungseinheiten verteilen. Nicht die maximale Rechenleistung entscheidet über die Leistungsfähigkeit eines Systems, sondern die Fähigkeit, komplette KI-Pipelines mit deterministischen Laufzeiten auszuführen und das zur Verfügung stehende Silizium optimal zu nutzen. Diese Entwicklung betrifft Anwendungen in der industriellen Fertigung ebenso wie in der Robotik, im Automotive-Bereich oder in der Medizintechnik.

Der Vorstoß von Physical AI nimmt Fahrt auf

Physical AI verbindet lokale AI-Verarbeitung mit direkter physischer Aktion. Dadurch entstehen Systeme, die ihre Umgebung nicht nur erfassen, sondern in Echtzeit darauf reagieren und Prozesse in Industrie und Automotive gezielter steuern.

Artem Aginskiy

Unterschiedliche Anwendungen, identische Architekturprinzipien

In der industriellen Fertigung sollen Qualitätsabweichungen nicht mehr erst am Ende einer Produktionslinie erkannt werden. Ziel ist es, Prozessdaten und Bildinformationen während der laufenden Bearbeitung auszuwerten und unmittelbar in den Fertigungsprozess zurückzuführen. Dadurch lassen sich Fehler bereits während der Entstehung korrigieren, Ausschuss reduzieren und Produktionsprozesse stabiler sowie wirtschaftlicher betreiben.

Ein Beispiel dafür ist die Zusammenarbeit von TRUMPF und SiMa.ai. Gemeinsam entwickeln beide Unternehmen Lasersysteme, die KI direkt in Schweiß-, Schneid- und Markierprozesse integrieren. Die Sensorik überwacht den Laserschweißprozess in Echtzeit und kann mehr als 5000 Bilder pro Sekunde auswerten. Qualitätsabweichungen werden dadurch unmittelbar erkannt und es kann ein geschlossener Regelkreis im Schweißprozess aufgebaut werden.

Auch in der Robotik verschiebt sich der Schwerpunkt. Ein Roboter muss Objekte nicht nur erkennen, sondern deren räumliche Beziehung verstehen, Bewegungen planen und auf Veränderungen seiner Umgebung reagieren. Hinzu kommt zunehmend die Verarbeitung natürlicher Sprache oder multimodaler Informationen. Aus der reinen Wahrnehmung wird so ein kontinuierlicher Entscheidungsprozess.

Ähnliche Anforderungen gelten für Fahrzeuge: Fahrerassistenzsysteme, Sensorfusion und In-Cabin-Assistenten müssen Informationen aus mehreren Quellen nahezu verzögerungsfrei zusammenführen. Gleichzeitig gelten deutlich strengere Anforderungen an Energieverbrauch, funktionale Sicherheit und deterministische Reaktionszeiten als in klassischen IT-Systemen. Hinzu kommen umfangreiche regulatorische Vorgaben und Zertifizierungsanforderungen, die eine nachvollziehbare, zuverlässige und jederzeit reproduzierbare Verarbeitung der Daten voraussetzen.

Auch Anwendungen im Gesundheitswesen folgen demselben Muster. Tragbare Diagnosesysteme, bildgebende Verfahren oder Patientenmonitoring profitieren davon, Daten unmittelbar am Gerät auszuwerten. Neben kurzen Reaktionszeiten spielen hier Datenschutz und Verfügbarkeit eine entscheidende Rolle, weil sensible Daten das System häufig gar nicht verlassen sollen.

Die Anwendungen unterscheiden sich erheblich, doch die technischen Herausforderungen bleiben nahezu identisch: mehrere Sensoren, mehrere Modelle, begrenzte Leistungsaufnahme und Echtzeitverarbeitung.

Plattformen müssen mit der Entwicklung der KI Schritt halten

Aus dieser Entwicklung ergibt sich eine Konsequenz, die in der Diskussion über Physical AI häufig unterschätzt wird: Embedded-Systeme werden heute für Produktlebenszyklen von zehn Jahren oder mehr entwickelt. KI-Modelle verändern sich dagegen innerhalb nur weniger Monate. Entscheidend ist daher nicht, ob eine Plattform das leistungsfähigste Modell von heute ausführen kann. Sie muss auch kommende Modellgenerationen integrieren können, ohne dass die gesamte Systemarchitektur neu entwickelt werden muss.

Damit verschiebt sich der Fokus von einzelnen Hardwarekomponenten auf die Plattform als Ganzes. Eine Architektur für Physical AI muss unterschiedliche Rechenaufgaben parallel unterstützen und gleichzeitig den Datenaustausch zwischen Sensorik, Bildverarbeitung, Machine Learning und Applikationssoftware effizient organisieren. Je geringer die Datenbewegung zwischen den einzelnen Verarbeitungsschritten ausfällt, desto besser lassen sich Leistungsaufnahme und Latenz optimieren.

Physical AI setzt voraus, dass Wahrnehmung, Entscheidungsfindung und Reaktion direkt am System erfolgen. Produktionsanlagen, Roboter oder Fahrzeuge benötigen reproduzierbare Antwortzeiten und müssen auch ohne permanente Netzwerkverbindung zuverlässig arbeiten. Gleichzeitig steigen die Anforderungen an Datensouveränität, funktionale Sicherheit und Verfügbarkeit. Die Folge ist, dass KI-Modelle zunehmend direkt dort ausgeführt werden, wo Sensoren Daten erfassen und Aktoren unmittelbar auf Entscheidungen reagieren müssen.

Nvidia und Synopsys starten strategische Partnerschaft

Nvidia und Synopsys arbeiten zusammen, um KI-gestützte, ganzheitliche Systemdesigns bereitzustellen. So sollen Simulationen mit noch nie dagewesener Geschwindigkeit und Skalierung entstehen – von Atomen, Transistoren und Chips bis zu kompletten Systemen.

Software wird zum entscheidenden Bindeglied

Mit der Vielfalt neuer Modellarchitekturen wächst auch die Bedeutung der Software. Entwickler arbeiten heute mit Frameworks wie PyTorch, TensorFlow oder ONNX. Die eigentliche Herausforderung besteht jedoch nicht darin, möglichst viele Frameworks zu unterstützen, sondern darin, dass sich neue Modelle effizient in bestehende Embedded-Anwendungen integrieren lassen. Software übernimmt dabei die Aufgabe, Modelle zu optimieren und Hardware-Ressourcen optimal zu nutzen. Sie wird damit zum Bindeglied zwischen KI-Modell und Embedded-System.

Ein Beispiel für einen solchen softwarezentrierten Architekturansatz ist die MLSoC-Plattform von SiMa.ai. Die Plattform kombiniert spezialisierte Recheneinheiten für Machine Learning, Computer Vision, Applikationsverarbeitung sowie Video- und Sicherheitsfunktionen. Entscheidend ist die Softwareumgebung Palette, die alle Modelle aus gängigen Frameworks übernimmt und dann fully agentic die (auch komplexen) Pipelines erstellt – dass ist dann verbunden mit einer massiven Entwicklungsbeschleunigung, „von Monaten zu Stunden“.

Mit der aktuellen Modalix-Familie wurde dieser Ansatz auf multimodale KI-Workloads erweitert. Neben klassischen Computer-Vision-Modellen werden auch Transformer, Large Language Models und Large Multimodal Models unterstützt. Damit lässt sich eine Embedded-Plattform über mehrere Modellgenerationen hinweg nutzen, obwohl sich KI-Modelle und Frameworks kontinuierlich weiterentwickeln.

Fazit: Nicht das Modell entscheidet, sondern die Plattform

Physical AI markiert keinen weiteren Evolutionsschritt einzelner KI-Modelle, sondern einen grundlegenden Wandel beim Entwurf intelligenter Embedded-Systeme. Künftig entscheidet nicht mehr allein die Rechenleistung eines Beschleunigers über die Leistungsfähigkeit einer Plattform, sondern das Zusammenspiel aus Hardwarearchitektur und der zur Erstellung der Pipelines eingesetztn Software. Für Entwickler in der Elektronikindustrie bedeutet das, Embedded-Systeme von Anfang an so auszulegen, dass sie mit der Dynamik moderner KI Schritt halten können. Denn die entscheidende Frage lautet künftig nicht mehr, welches Modell heute eingesetzt wird, sondern wie flexibel sich die Plattform an die Anforderungen von morgen anpassen lässt. (na)