Das Startup Physical Intelligence hat Forschungsergebnisse veröffentlicht, die in der gesamten Robotikwelt großes Interesse geweckt haben. Sein neues Modell π0.7 kann Roboter bei Aufgaben steuern, für die es nicht ausdrücklich trainiert wurde. Und die Ergebnisse überraschten selbst die Forscher, die das Modell entwickelt hatten. Das ist nicht zum ersten Mal passiert, doch diesmal geht es um etwas anderes. Es einfach mit dem Wort „Fortschritt“ abzutun, reicht nicht aus.
Physical Intelligence und das Modell π0.7
Physical Intelligence ist ein zwei Jahre altes Startup, das zu einem der meistbeachteten Unternehmen im Bereich der künstlichen Intelligenz in San Francisco geworden ist. Sein neues Modell trägt die Bezeichnung π0.7 (Pi-Null-Sieben) und stellt den ersten ernst zu nehmenden Schritt hin zu dem dar, was in der Branche als „allgemeines Robotergehirn“ bezeichnet wird – also ein System, das eine breite Palette von Aufgaben bewältigen kann, ohne für jede einzelne davon eigens trainiert werden zu müssen.
Der bisherige Ansatz beim Training von Robotern bestand im Grunde aus Auswendiglernen. Ingenieure sammelten Daten für eine konkrete Aufgabe, trainierten damit ein spezialisiertes Modell und wiederholten den gesamten Vorgang für jede neue Aufgabe. π0.7 durchbricht dieses Muster. Das Modell kann Fähigkeiten kombinieren, die es in unterschiedlichen Kontexten erlernt hat, und Probleme lösen, die es in den Trainingsdaten nie gesehen hat.
Dieses Phänomen wird als kompositionelle Generalisierung bezeichnet. Es funktioniert ähnlich wie bei großen Sprachmodellen: Wenn ein Modell weiß, wie man einen Text aus dem Englischen ins Französische übersetzt, und weiß, wie man die Ausgabe als JSON formatiert, kann es beides ohne zusätzliches Training gleichzeitig erledigen. Physical Intelligence zeigt nun, dass etwas Ähnliches auch in der physischen Welt zu funktionieren beginnt.
Die Heißluftfritteuse, über die der Roboter fast nichts wusste
Die eindrucksvollste Demonstration der Forschung umfasst eine gewöhnliche Heißluftfritteuse. Das Forschungsteam durchsuchte den gesamten Trainingsdatensatz und fand lediglich zwei relevante Episoden: eine, in der ein anderer Roboter die Fritteuse schloss, und eine zweite aus dem frei verfügbaren DROID-Datensatz, in der ein Roboter eine Plastikflasche in die Fritteuse legte. Das war alles.
Dennoch setzte das Modell aus diesen Bruchstücken (zusammen mit allgemeinen Daten aus dem Internet) ein funktionierendes Verständnis davon zusammen, wie das Gerät funktioniert. Ohne jegliche Anleitung versuchte es, eine Süßkartoffel in die Fritteuse zu legen und sie zu garen. Der Versuch war nicht perfekt, aber sinnvoll. Was geschah, als die Forscher es Schritt für Schritt durch die Aufgabe führten? Die Erfolgsquote schoss in die Höhe. Und hier kommt das Detail, das die gesamte Branche ein wenig überraschte.
Die Forscherin Lucy Shi, Doktorandin in Stanford und zugleich Mitarbeiterin von Physical Intelligence, beschrieb einen der ersten Versuche mit der Fritteuse: Die Erfolgsquote lag bei gerade einmal 5 %. Nach etwa einer halben Stunde Feinabstimmung der Art und Weise, wie dem Modell die Aufgabe erklärt wurde, sprang sie auf 95 %. „Manchmal liegt das Problem weder beim Roboter noch beim Modell“, sagt Shi. „Es liegt an uns. Wir sind nicht gut darin, Anweisungen zu geben.“
Die Art der Anweisung
Gerade diese Fähigkeit, verbale Anleitungen anzunehmen, ist eine der wichtigsten Eigenschaften von π0.7. Roboter könnten in neuen Umgebungen eingesetzt und in Echtzeit verbessert werden, ohne weitere Daten zu sammeln und ohne das Modell erneut zu trainieren.
Es funktioniert allerdings anders, als Sie sich vielleicht vorstellen. Das Modell kann den Befehl „Mach mir Frühstück“ noch nicht ausführen. „Du kannst ihm nicht sagen: ‚Hey, mach mir einen Toast‘“, erklärt Sergey Levine, Mitgründer von Physical Intelligence und Professor an der UC Berkeley. „Aber wenn du es Schritt für Schritt anleitest – ‚Öffne diesen Teil, drücke diesen Knopf, mach dies‘ –, dann funktioniert es ziemlich gut.“
Der Trainingsdatensatz von π0.7 ist bewusst vielfältig. Er umfasst Daten von verschiedenen Robotern, Aufzeichnungen menschlicher Bewegungen sowie autonome Episoden, in denen unterschiedliche Versionen des Modells selbstständig Aufgaben ausführten. Der Schlüssel dafür, dass diese Mischung tatsächlich funktioniert, ist die sogenannte vielfältige Konditionierung beim Training. Das Modell erhält nicht nur eine Beschreibung dessen, was es tun soll, sondern auch, wie es dies tun soll: mit welcher Geschwindigkeit, in welcher Qualität und mit welchen visuellen Zwischenzielen.
Der Roboter faltete Kleidung mit einer Maschine, für die ihn niemand trainiert hatte
Eines der überzeugendsten Experimente war ein Test zur Übertragung von Fähigkeiten auf einen anderen Roboter. Physical Intelligence sammelte Daten zum Falten von Wäsche mit einem bestimmten Robotersystem. Anschließend setzte das Team π0.7 an einen UR5e-Industrieroboterarm mit Parallelgreifer – schwer, starr und grundlegend anders als der ursprüngliche Roboter.
Für den UR5e gab es keinerlei Daten zum Falten von Wäsche. Dennoch bewältigte das Modell die Aufgabe. Mehr noch: Seine Erfolgsquote beim ersten Versuch entsprach derjenigen erfahrener Teleoperatoren mit durchschnittlich 375 Stunden Praxis, die ebenfalls zum ersten Mal versuchten, mit genau diesem Roboterarm Wäsche zu falten.
Überraschende Entwicklung und Wachstum des Unternehmens
Ashwin Balakrishna, Forscher bei Physical Intelligence, gab zu, dass ihn die Ergebnisse wirklich überraschten. „Meine Erfahrung war immer, dass ich einschätzen kann, was ein Modell bewältigen wird, wenn ich die Daten gut kenne“, sagt er. „Nur selten überrascht mich etwas. Aber in den vergangenen Monaten erlebe ich zum ersten Mal Dinge, die mich wirklich überraschen. Ich kaufte wahllos einen Satz Zahnräder, gab ihn dem Roboter und fragte ihn, ob er ihn drehen könne. Und es funktionierte.“
Levine verglich dieses Gefühl mit seiner Erinnerung an die erste Begegnung mit GPT-2, als das Modell von sich aus begann, eine Geschichte über Einhörner in den Anden zu schreiben. „Wo zum Teufel hat es etwas über Einhörner in Peru gelernt? Das ist eine so ungewöhnliche Kombination“, sagt er. „Und etwas Derartiges in der Robotik zu sehen, ist wirklich außergewöhnlich.“
Bis zur Veröffentlichung der Forschungsergebnisse hatte Physical Intelligence mehr als eine Milliarde Dollar eingesammelt und wurde zuletzt mit 5,6 Milliarden Dollar bewertet. Eine große Rolle bei der Gewinnung von Investoren spielte Mitgründer Lachy Groom, der zuvor einer der bedeutendsten Angel-Investoren im Silicon Valley war und hinter Figma, Notion und Ramp steht. Seine Beteiligung half dem Startup, beträchtliches institutionelles Kapital einzuwerben, obwohl das Unternehmen sich weigert, Investoren irgendeinen Zeitplan für den kommerziellen Einsatz mitzuteilen.
Nun sollen Gespräche über eine neue Finanzierungsrunde laufen, die die Bewertung des Unternehmens auf 11 Milliarden Dollar nahezu verdoppeln würde. Das Unternehmen lehnte einen Kommentar dazu ab. Levine bleibt vorsichtig, wenn Journalisten ihn zu konkreteren Aussagen über den praktischen Einsatz drängen. „Ich denke, es gibt gute Gründe für Optimismus, und die Entwicklung verläuft schneller, als ich noch vor ein paar Jahren erwartet hatte“, sagt er. „Aber ich kann diese Frage nicht beantworten.“
Kritik in der Robotik
Kritiker von Robotik-Demonstrationen haben ein Lieblingsargument: Roboter tun langweilige Dinge. Keine Saltos, keine akrobatischen Kunststücke. Levine kennt diesen Einwand gut und dreht ihn kurzerhand um.
„Die Kritik, die sich gegen jede Demonstration robotischer Generalisierung vorbringen lässt, lautet, dass die Aufgaben ein wenig langweilig sind“, sagt er. „Der Roboter macht keinen Salto.“ Doch genau darum geht es. Der Unterschied zwischen einer beeindruckenden Robotikvorführung und einem System, das tatsächlich generalisiert, liegt genau in dieser „Langweiligkeit“. Generalisierung wirkt immer weniger dramatisch als ein einstudierter Trick – ist aber wesentlich nützlicher.
Das Forschungsteam selbst verwendet in seinem Fachartikel bewusst eine vorsichtige Sprache. Es beschreibt π0.7 als ein Modell, das „erste Anzeichen“ von Generalisierung und „erste Demonstrationen“ neuer Fähigkeiten zeigt. Es handelt sich um Forschungsergebnisse, nicht um ein fertiges Produkt. Und gerade diese Offenheit hinsichtlich der Grenzen stärkt die gesamte Forschungsarbeit paradoxerweise.
