Der Vorstoß von Physical AI nimmt Fahrt auf

AI-Modelle waren lange Zeit nur etwas für Rechenzentren, in denen sie trainiert und angewandt wurden. Direkte Auswirkungen auf die reale Welt hatten sie jedoch nicht. Je ausgereifter jedoch die AI-Beschleuniger wurden, umso mehr wurden AI-Modelle auch lokal auf Edge Devices ausgeführt. Daten konnten deshalb unmittelbar an ihrem Ursprung erfasst werden, um AI-Inferenzen mit weniger Latenz verarbeiten zu können. Was von diesen Modellen hervorvorgebracht wurde, erforderte allerdings nach wie vor direkte menschliche Interaktion zur Umsetzung in physische Aktionen.

Innovationen in den Bereichen Safety, Security und Zuverlässigkeit haben mittlerweile dafür gesorgt, dass Fahrassistenzsysteme (Advanced Driver Assistance Systems, ADAS) in Kraftfahrzeugen sowie Industrieroboter auch ohne Einbindung von Menschen sicher agieren können. Diese Innovationen tragen dazu bei, dass AI mehr als nur ein digitaler Assistent zum Fällen von Entscheidungen ist und nicht nur erfassen und denken, sondern auch agieren kann. Genau hier kommt das Konzept der Physical AI (gelegentlich auch als Embodied AI bezeichnet) ins Spiel.

TI und NVidia beschleunigen Physical-AI

Texas Instruments und NVidia bringen die Entwicklung sichererer humanoider Roboter voran. Die Integration der mmWave-Radartechnologie mit Jetson Thor und Holoscan ermöglicht latenzarme 3D-Wahrnehmung und Sicherheitsbewusstsein für Physical-AI-Anwendungen.

Während die Einführung von Physical AI an Fahrt aufnimmt, stellt sich die Frage, wie man diese Fähigkeiten allgemein zugänglich machen kann, anstatt sie nur auf besonders leistungsfähige oder fortschrittliche Systeme zu beschränken.

Was versteht man unter Physical AI?

Der Begriff Physical AI bezieht sich auf AI-Modelle, die auf Embedded-Hardware laufen und direkten Einfluss auf das physische Verhalten eines Systems haben.

Eigentlich ist Physical AI kein grundlegend neues Konzept, sondern sie wendet Edge AI und Echtzeitsteuerung auf Systeme an, die nicht nur ihre Umgebung lokal interpretieren können, sondern diese Interpretation nutzen, um physische Bewegungen zu beeinflussen.

Der Unterschied zwischen Physical AI und Edge AI lässt sich anhand von Bild 1 verdeutlichen. In humanoiden Robotern, die zu den Vorzeige-Anwendungen von Physical AI gehören, wird Physical AI genutzt, um den Roboter beim Ergreifen und Anheben eines Kartons zu steuern. Edge AI dagegen bezieht sich auf die Fähigkeiten der Prozessoren, die die AI-Modelle lokal verarbeiten.

Künstliche Intelligenz am Edge ist Innovationstreiber

Am 17.06.2025 versammelte Advantech führende Technologiehersteller, Vertriebspartner und Kunden in der BMW-Welt in München. Dabei sprachen sie über neueste Trends und Technologien in der Embedded-Branche. Im Fokus stand künstliche Intelligenz am Edge.

Ein weiteres Beispiel ist ein Auto, das sich auf einer belebten Schnellstraße an unerwartet langsam fahrende Fahrzeuge annähert. Die deterministischen Fahrassistenzsysteme heutiger Autos reagieren erst, wenn die Distanz zum vorausfahrenden Fahrzeug unter einen bestimmten Grenzwert fällt, und verzögern das eigene Fahrzeug daraufhin so, dass es noch rechtzeitig anhalten kann.

Bei einem mit Physical AI ausgestatteten System ist der Ablauf anders. Hier analysiert das System die Verkehrsmuster bereits früher und passt die Fahrgeschwindigkeit an, bevor der festgelegte Grenzwert unterschritten wird. Indem die AI-Modelle direkt von der Embedded-Hardware des Fahrzeugs verarbeitet werden, wird folglich eine gleichmäßigere, kontrolliertere Geschwindigkeitsänderung erreicht. Noch wirkungsvoller ist diese Verbesserung, wenn sie nicht nur in wenigen, sondern in sehr vielen Fahrzeugen umgesetzt wird.

Wenn die künstliche Intelligenz Sensor- und Aktordaten in Echtzeit analysiert und auf sie reagiert, kommt es auf jede Millisekunde an. Physical AI trägt dem Bedarf an lokaler, nahezu verzögerungsfreier Verarbeitung Rechnung.

Dennoch wird nach wie vor auf enorme Rechen- und Speicherressourcen in der Cloud zurückgegriffen, um Physical-AI-Modelle zu trainieren und zu verfeinern. Zum Beispiel sind digitale Zwillinge beim Trainieren von Physical-AI-Modellen entscheidend – darunter auch jene, die in der Robotertechnik Verwendung finden. Wenn man aber von einem System mit seiner Mechanik, seiner Elektronik und seinen Sensoren eine virtuelle Version erstellt, kann man Modelle testen und verfeinern, bevor sie mit der realen Hardware interagieren.

Wo Edge AI endet und Physical AI beginnt

Unter dem Begriff Edge AI versteht man AI-Modelle, die lokal von kleineren Mikrocontrollern (MCUs) bis hin zu Embedded-Prozessoren verarbeitet werden, Daten von Sensoren zusammenfassen und ihren Output hervorbringen, ohne auf externe Server zurückzugreifen. Bild 2 skizziert dieses Konzept.

Die Besonderheit von Physical AI besteht in dem, was passiert, nachdem das Modell seinen Output berechnet hat. Edge AI kann ein Bild klassifizieren, ein Geräusch identifizieren oder Sensordaten interpretieren, aber Physical AI kombiniert die Wahrnehmung mit Aktuierung und nimmt damit in Echtzeit Einfluss darauf, wie sich ein System bewegt, wie es reagiert und wie es sich anpasst. Zum Beispiel kann ein Auto frühzeitiger reagieren, wenn Physical AI mehrere benachbarte Fahrzeugschlangen lokal interpretiert, sodass Geschwindigkeitsänderungen weniger abrupt erfolgen.

Im industriellen Bereich wiederum können Lagerroboter ihre Fahrtrouten anpassen, wenn Menschen in ihrer Nähe unterwegs sind, denn die eingebauten Modelle sind in der Lage, die jeweilige Szenerie ohne netzwerkbedingte Verzögerungen zu verarbeiten. Industriemaschinen können das Drehmoment, die Position oder die Drehzahl von Motoren genau abzustimmen, wenn lokale Modelle die Sensordaten fortlaufend evaluieren, anstatt auf AI-Modelle in der Cloud zurückzugreifen.

Live-Ticker zum AUTOMOBIL-ELEKTRONIK Kongress 2026

Am 16. Juni startete der 30. AUTOMOBIL-ELEKTRONIK Kongress. Unser Live-Ticker Tag hat die wichtigsten Diskussionen, Vorträge und Stimmen aus Ludwigsburg begleitet.

Dr. Martin Large

All dies ist keineswegs neu, denn schon seit Jahren werden vorausschauende Modelle oder Machine-Learning-Modelle in Embedded-Systemen eingesetzt. Das besondere an Physical AI ist jedoch die noch fundiertere Integration dieser Fähigkeiten in die Systemdesigns, in denen lokale Inferenz und Aktuierung eng miteinander verflochten sind. Da Physical AI in eine breite Palette von Produktfamilien auf verschiedensten Preisniveaus eingebunden ist, benötigen die Entwickler Konzepte für skalierbare Hard- und Software.

Warum Co-Design von Hard- und Software entscheidend ist

Typisch für Physical AI ist die Unterteilung in die drei grundlegenden Abschnitte Erfassen, Denken und Agieren. Nehmen wir als Beispiel ein selbstfahrendes Auto: es erfasst seine Umgebung mit Kameras, Radar, Lidar und anderen Sensoren, „denkt“ daraufhin, indem es durch Verarbeitung der erfassten Daten einen sicheren Weg über die vor ihm liegende Straße ermittelt, und agiert schließlich, indem es den gefassten Plan durch Lenken, Bremsen und Gas geben umsetzt. Üblicherweise nutzt man AI-Modelle, um das Umfeld zu erfassen und Überlegungen dazu anzustellen. Sobald die AI-Modelle aber Bewegungen steuern, gelten für das Systemdesign andere Regeln.

Bei Physical AI können sich die Entwickler nämlich nicht mehr auf konstante drahtlose Konnektivität verlassen, denn diese Systeme erfordern ein vorhersagbares Timing, genaue Sensordaten sowie Hardware, die binnen Millisekunden reagieren kann.

Beim Design der Hard- und Software stehen die Entwickler vor vielfältigen Herausforderungen. Zum Beispiel müssen die Modelle von den verwendeten Prozessoren so verarbeitet werden, dass die Timing-Vorgaben der Regelschleife eingehalten werden, und die Sensorkette hat genaue und verlässliche Daten zu liefern. Die Software wiederum muss die Wahrnehmung und Aktuierung koordinieren, ohne Latenzen zu verursachen. Nicht zuletzt gestaltet sich die Verifikation komplizierter, denn etwaige Fehler haben nunmehr unmittelbare Auswirkungen auf die Zuverlässigkeit der Maschinen und die Sicherheit der Anwender.

So beschleunigen Synopsys und Nvidia das KI-Engineering

Nvidia wird für die Industrie immer stärker zur Infrastruktur- und Plattformmacht. Gemeinsam mit Synopsys zeigt der Konzern nun, wie KI, GPU-Simulation und digitale Zwillinge das Engineering vom Chipdesign bis zur Robotik verändern.

Dr. Martin Large

Erfassen, Denken und Agieren im Systemverbund

Wenn es um Physical AI geht, beeinflussen sich Hard- und Software gegenseitig wesentlich stärker als bei früheren Embedded-Systems-Generationen. Physical AI wird deshalb am besten durch Co-Design entwickelt, bei dem Hard- und Software-Entscheidungen als eng verflochten behandelt werden. Dies lässt sich am besten an einem praktischen Beispiel verdeutlichen.

Angenommen, ein kleiner Roboterarm soll an einer Fertigungslinie empfindliche Bauteile handhaben. Das Softwareteam möchte hierfür ein aufwändigeres Modell einsetzen, um die Vorhersagbarkeit des Greifvorgangs zu verbessern. Dies aber hätte Konsequenzen für das Hardwareteam, da der Prozessor die Inferenz dennoch in dem von der Regelschleife vorgegebenen engen Zeitfenster verarbeiten muss.

Umgekehrt kann es sein, dass das Hardwareteam einen neuartigen Stromsensor im Motor verbauen möchte, um die Datenauflösung zu verbessern. Hierfür jedoch müssen das Modell und die Steuerungslogik vom Softwareteam so angepasst werden, dass der Arm vollständig von der höheren Signalqualität profitieren kann.

Durch koordiniertes, gemeinsames Design können beide Seiten eine Lösung hervorbringen, bei der das AI-Modell in das Rechenleistungsbudget passt, die Sensoren die benötigte Präzision bieten und die Regelschleife das vorgegebene Zeitfenster einhält, sodass sich der Arm insgesamt sicherer und zuverlässiger bewegt.

Welche Rolle spielt die Hardware bei Physical AI

Halbleiter bilden die Grundlage für Physical AI. Diese Systeme stützen sich auf Embedded-Prozessoren, die das AI-Modell verarbeiten, auf Signalketten-Bausteine zur genauen Erfassung der Sensorinformationen sowie auf Stromversorgungs-Technologien, die auch bei wechselnder Last für einen stabilen Betrieb sorgen. Alle diese Bestandteile legen in einem Physical-AI-Design die Grenzen für das Timing, die Genauigkeit und die Konsistenz fest.

Wie ich in vielen Designs festgestellt habe, wirken sich Verbesserungen in einem Bereich auch auf die anderen aus. Eine neue Sensorkette etwa kann eine präzisere Steuerung ermöglichen, und ein Prozessor, der ein etwas umfangreicheres Modell unterstützt, kann einem Roboter helfen, mit komplexeren Szenarien zurecht zu kommen. Schließlich unterstützt eine verbesserte Stromversorgungs-Architektur das System dabei, auch bei raschen Bewegungen eine gleichbleibende Leistungsfähigkeit zu bewahren.

Physical AI hängt ganz grundsätzlich von dieser Interaktion zwischen verschiedenen Komponenten ab, was die vorhersagbare Verarbeitung, die zuverlässige Erfassung und die stabile Stromversorgung betrifft. 

Sensorik, Rechenleistung und Stromversorgung im Zusammenspiel

Wie geht es mit Physical AI weiter? In der gesamten Industrie sind Trends erkennbar, die Einfluss auf die genaue Ausprägung von Physical-AI-Systemen haben. Die Designer setzen auf eine stärkere Bündelung von Sensorik, Computing und Regelung, um für ein vorhersagbares Timing und gleichbleibende Performance zu sorgen.

Wie schon erwähnt, gewinnen Simulation und digitale Zwillinge bei der Entwicklung zunehmend an Verbreitung, sodass die Teams das Verhalten noch vor Verfügbarkeit der realen Hardware testen können.

In mehreren Bereichen fasst Physical AI derzeit zusehends Fuß:

• Für Gebäude und Infrastrukturen lassen sich Steuerungen bauen, die mechanische Systeme aufgrund von Umgebungsinformationen anpassen.
• In der Robotik hilft eingebaute Intelligenz den Maschinen, ihre Bewegungen auf Menschen und Anlagen abzustimmen.
• In der Industrieautomation passen Anlagen ihr Verhalten aufgrund von Live-Sensordaten an, damit Prozesse auch unter wechselnden Bedingungen stabil laufen.

Fazit: Physical AI auf dem Weg in die Breite 

In allen diesen Situationen spielen Halbleiterunternehmen wie Texas Instruments eine entscheidende Rolle dafür, was mit Physical-AI-Systemen möglich ist. Deren Leistungsfähigkeit, Genauigkeit und Zuverlässigkeit wird nämlich nicht nur von der Software, sondern auch von der zugrundeliegenden Hardware bestimmt.

Letztendlich stellen die Halbleiterunternehmen die Bausteine für das Physical-AI-Zeitalter her, und angesichts des zunehmenden Vordringens dieser Technologien in immer mehr Arten von Geräten und Produkten müssen die Halbleiterhersteller dafür sorgen, dass diese Fähigkeiten möglichst vielen Entwicklern zugänglich sind.

Wenn Physical AI die Art und Weise prägen soll, wie Maschinen sich bewegen, reagieren und uns unterstützen, um die Sicherheit und Zweckmäßigkeit zu verbessern, muss diese Technik allgemein verfügbar sein – also nicht nur in besonders hochkarätigen Systemen, sondern auch in Geräten des täglichen Gebrauchs. (bs)