Der GPT-Moment für die Robotik ist da

Wenn man bis vor wenigen Jahren ein Robotik-Start-up gründen wollte, musste man mit jahrelanger Arbeit rechnen, nur um einen mechanischen Arm in Bewegung zu setzen, absurde Summen für kundenspezifische Hardware ausgeben und über ein Team von Spezialisten verfügen, das aussah, als käme es von der NASA. Heute ist das nicht mehr so. Heute können Sie einen Roboter haben, der in einer echten Wäscherei Wäsche faltet und dabei auch von Daten lernt, die von anderen Robotern gesammelt wurden, und das Intelligenzmodell, das ihn steuert, läuft sogar in der Cloud und nicht auf einem Supercomputer, der in seinem Rucksack versteckt ist. Die These lautet: Wir befinden uns im „GPT“-Zeitalter der Robotik. So wie Sprachmodelle die KI demokratisiert haben, entwickelt sich die Robotik jetzt von einem Eliteberuf zu etwas, das zugänglich, skalierbar und überraschend schnell auf den Markt gebracht werden kann. Man muss kein Genie des Maschinenbaus mehr sein: Heute braucht es mehr Kreativität, die Fähigkeit, Daten zu sammeln, und den Willen, auch kostengünstige Hardware zu integrieren, denn die Intelligenz steckt im Modell, nicht im Metall. Hinter dieser Revolution steht ein Team, das wie aus einer Fernsehserie zu stammen scheint: Quan Vang, Mitbegründer von Physical Intelligence, zusammen mit Brian, Chelsea, Sergey, Locky und Adnan. Sie verließen Google X, wo sie an Projekten für fortschrittliche Robotik arbeiteten, um ein Start-up mit einer fast verrückten Mission zu gründen: die Entwicklung eines Modells, das jeden Roboter in jeder Umgebung für jede physisch mögliche Aufgabe steuern kann. Quan erzählt, dass das Falten von Wäsche jahrelang der „Turing-Test“ der Robotik war: Kein klassischer Algorithmus konnte mit der Vielfalt, der Verformbarkeit der Stoffe und der Zufälligkeit der realen Welt umgehen. Dann gelang es ihnen innerhalb von zwei Wochen in Zusammenarbeit mit Weave, einem Start-up, das von ehemaligen Apple-Mitarbeitern gegründet wurde, einen Roboter zum Laufen zu bringen, der tatsächlich die Wäsche echter Kunden faltet. Ein weiterer Fall: Ultra, ein Start-up aus der Logistikbranche, setzt jetzt Roboter ein, die Amazon-Bestellungen in echten Lagern verpacken und dabei stundenlang nahezu völlig autonom arbeiten. Während früher jeder Roboter ein Elfenbeinturm war, der nur für sich selbst optimiert wurde, werden die Modelle heute mit Daten von Dutzenden verschiedener Plattformen trainiert. Eine konkrete Tatsache: OpenX, die Plattform, die Daten von einer Flotte heterogener Roboter aggregiert, hat gezeigt, dass ein „Generalisten“-Modell ein „Spezialisten“-Modell bei denselben Aufgaben um 50 % übertrifft. Und falls Sie jemals gehört haben, dass Sie High-End-Hardware benötigen, um diese Algorithmen auszuführen, vergessen Sie das: Die meisten Physical-Intelligence-Demos laufen mit dem Gehirn in der Cloud, und der Roboter vor Ort ist kaum mehr als eine intelligente Webcam. Die eigentliche Innovation ist folgende: Das Problem besteht nicht mehr darin, „wie ich jede einzelne Bewegung programmiere“, sondern „wie ich die richtigen Daten sammle und ein Modell integriere, das bereits weiß, wie es sich in verschiedenen Umgebungen bewegen kann“. Es gibt noch einen weiteren Wendepunkt, von dem Ihnen niemand erzählt: Selbst identische Roboter verändern sich im Laufe der Zeit, wobei kleine Hardware- oder Softwareänderungen die gesammelten Daten veralten lassen. Es ist also besser, Modelle auf einer Vielzahl von Robotern zu trainieren, damit sie lernen, mit Vielfalt umzugehen, und robuster werden. Und diese Vielfalt führt bereits heute zur Fähigkeit, „Zero-Shot“-Aufgaben auszuführen, d. h. ohne dass spezifische Daten für diese Aufgabe gesammelt werden müssen: Letztes Jahr waren Hunderte von Trainingsstunden erforderlich, jetzt kann der Roboter verallgemeinern. Es gibt jedoch einen Aspekt, den nur wenige berücksichtigen: Das eigentliche Hindernis für ein Robotik-Start-up ist nicht mehr die Technologie, sondern die Integration in den tatsächlichen Arbeitsablauf. Quan wiederholt es: Man muss verstehen, wo der Roboter wirklich den Unterschied macht – oft bei langweiligen, sich wiederholenden Aufgaben, bei denen einige Fehler akzeptabel sind und bei denen man mit menschlicher Aufsicht beginnen und dann immer mehr automatisieren kann. Die Anschaffungskosten sind gesunken: günstigere Hardware, Open-Source-Modelle (Physical Intelligence hat PI0 und PI05 mit denselben Gewichten wie das intern verwendete Modell veröffentlicht) und die Möglichkeit, in realen Umgebungen zu testen und zu verbessern. Wir stehen am Beginn einer echten „kambrischen Explosion“ vertikaler Start-ups: So wie der Personal Computer in den 1980er-Jahren die Zahl der Technologieunternehmen vervielfachte, kann jetzt jede Branche – von der Logistik bis zur Reinigung, von der Gastronomie bis zur Pflege – ihr eigenes Robotik-Start-up haben, das von kleinen, agilen Teams aufgebaut wird, die nicht mehr alles von Grund auf neu entwickeln müssen. Aber Vorsicht: Die Herausforderung ist nicht nur technologischer Art, sondern betrifft auch das Produkt und das Geschäft. Es gilt, die tatsächlichen Bedürfnisse des Kunden zu verstehen, sich an die bestehenden Workflows anzupassen und auf einen schnellen „Break-even“ zu setzen, d. h. mit wenigen Robotern wirtschaftliche Tragfähigkeit zu erreichen, bevor man skaliert. Und der Contrarian? Jeder erwartet, dass die Revolution von Haushaltsrobotern ausgeht, aber der eigentliche Boom könnte bei unsichtbaren industriellen Aufgaben einsetzen – wie dem Verpacken von Bestellungen oder der Verwaltung der Mikrologistik –, bei denen eine gewisse Fehlerquote toleriert wird und die Nachfrage enorm ist. Bereiten Sie sich vor: Die entscheidende Frage von morgen wird nicht lauten: „Welchen Roboter kann ich kaufen?“, sondern: „Welchen Workflow kann ich verbessern, indem ich ein intelligentes Modell integriere, das von allen lernt?“ Der Satz, den man sich merken sollte: Bei der Robotik geht es nicht mehr um ausgeklügelte Hardware, sondern um Daten, Modelle und kreative Integration. Wenn du nach dieser Geschichte festgestellt hast, dass sich deine Denkweise über Robotik-Start-ups geändert hat, kannst du das auf Lara Notes mit „I'm In“ anzeigen – es ist kein „Like“, sondern die Geste derer, die eine neue Perspektive einnehmen und sich darin wiedererkennen. Und wenn du morgen jemandem erzählst, warum das Falten von Wäsche der wahre „Turing-Test“ der Robotik war oder wie Ultra die Logistik revolutioniert, kannst du Shared Offline auf Lara Notes verwenden, um die Anwesenden zu taggen: So wird dieses Gespräch wirklich wichtig. Diese Notiz stammt von Y Combinator und hat Ihnen mehr als anderthalb Stunden Hörzeit erspart.