Das Gehirn zog vor dem Körper um

Bis vor Kurzem hieß einem Roboter eine Aufgabe beizubringen, sie zu schreiben. Ein Ingenieur beschrieb Positionen, Kräfte und Bedingungen, prüfte sie und lieferte ein Programm, das genau eine Sache an genau einem Ort tat. Teil, Licht oder Tischhöhe ändern, und jemand musste wiederkommen.

Roboter-Basismodelle ersetzen das Programm durch eine Strategie: ein neuronales Netz, das Kamerabilder und die eigenen Gelenkstellungen nimmt und zwanzig- bis fünfzigmal je Sekunde die nächste Bewegung ausgibt. Die Strategie wird trainiert, nicht geschrieben, und woraus sie trainiert wird, ist das Interessante.

Drei Quellen der Erfahrung

Teleoperation. Ein Mensch trägt eine Brille und Bediengriffe, führt den Roboter durch eine Aufgabe, und die ganze Episode wird aufgezeichnet: was die Kameras sahen, was die Gelenke taten. Das sind die hochwertigsten und teuersten Daten, denn sie laufen in Echtzeit auf echter Hardware. Firmen betreiben Räume voller Teleoperatoren allein zu diesem Zweck.

Menschenvideos. Es gibt enorm viel Aufnahmematerial von Menschen bei körperlicher Arbeit. Ein Modell kann daraus lernen, wie eine Aufgabe aussieht und wie sie sich ungefähr zerlegt, obwohl ein menschlicher und ein robotischer Arm verschieden gebaut sind. Das bringt Breite billig und Präzision gar nicht.

Simulation. Eine Physik-Engine kann Tausende Roboterkopien parallel laufen lassen, schneller als in Echtzeit, mit zufällig gestreuter Reibung, Masse, Beleuchtung und Form. Eine Strategie, die über diese Streuung trainiert wurde, lernt robust zu sein statt fein abgestimmt, und deshalb funktioniert der Übergang Sim-to-Real überhaupt. Was Simulation schlecht abbildet, ist Kontakt: das genaue Verhalten eines weichen Gegenstands, einer klebrigen Oberfläche oder eines greifenden Gewindes.

Warum ein Modell für viele Körper zählt

Die vorige Generation gelernter Regler wurde je Roboter trainiert. Eine Strategie für einen Arm war auf einem anderen mit anderen Gliedlängen nutzlos. Heutige Modelle nehmen die Bauform des Roboters als Teil der Eingabe, das heißt, Daten von einer Maschine verbessern das Verhalten einer anderen. Damit wird eine Flotte zu einem einzigen lernenden System, und der Wert einer Roboterfirma wächst mit den Stunden, die ihre Maschinen arbeiten, nicht mit der Zahl der verkauften.

Das erklärt auch einen strategischen Schritt, der viele verwirrt hat: mehrere Roboterhersteller veröffentlichen ihre Modelle oder ihre Datensätze. In einer Welt, in der Daten sich aufsummieren, ist ein gemeinsames Datenformat mehr wert als ein eigenes.

Worin diese Modelle gut und schlecht sind

Gut: Aufgaben mit optischer Vielfalt und verzeihender Toleranz. Gemischtes sortieren, Gegenstände ins Regal stellen, eine vertraute Türart öffnen, ein Handtuch schlecht falten.

Schlecht: alles, was Genauigkeit unter etwa einem Millimeter verlangt, lange Abläufe, in denen sich ein früher Fehler aufschaukelt, und Lagen außerhalb der Trainingsverteilung. Eine Strategie, die nie eine Pfütze gesehen hat, weiß nicht, dass ein Boden rutschig sein kann. Sie wird sich das nicht erschließen, sie wird schlicht handeln, als wäre der Boden trocken.

Die Art des Scheiterns ist kennzeichnend und lohnt das Verständnis: Diese Modelle scheitern selbstsicher und flüssig und führen eine falsche Bewegung mit derselben Eleganz aus wie eine richtige. Es gibt kein Zögern, an dem man es erkennen könnte.

Die Frage der Rechenleistung

Eine Roboterstrategie zu trainieren ist billig im Vergleich zu einem großen Sprachmodell. Eine laufen zu lassen ist schwerer als gedacht, denn sie muss auf dem Roboter laufen, mit geringer Verzögerung, in einem Strombudget, das mit den Motoren konkurriert. Das ist dieselbe Beschränkung, die KI auf dem Gerät antreibt, und deshalb besteht ein Robotergehirn meist aus einem kleinen schnellen Modell an Bord und einem größeren, das gelegentlich befragt wird.

Geteilte Architekturen sind heute Standard: ein langsames, übergeordnetes Modell entscheidet in sprachähnlichen Schritten, was als Nächstes zu tun ist, und eine schnelle, untergeordnete Strategie macht aus jedem Schritt Bewegung. Das übergeordnete Modell darf im Rechenzentrum wohnen. Das untergeordnete nicht.

Worauf zu achten ist

Achten Sie auf Ergebnisse zu Aufgaben, die das Team nicht selbst gewählt hat, in Gebäuden, die es nicht kontrolliert. Achten Sie auf die erste glaubwürdige Zahl dazu, was es kostet, eine Aufgabe beizubringen, gemessen in Teleoperationsstunden. Und achten Sie darauf, ob eine auf der Flotte einer Firma trainierte Strategie auf dem Roboter einer anderen läuft, denn das wäre der Moment, in dem daraus eine Branche wird statt einer Reihe von Projekten.