Skild AI nutzt NVIDIA Physical AI, um Roboter aus einem Video zu schulen

Hintergrund

In der Praxis von Fertigung und Logistik bleibt ein Problem dauerhaft bestehen: Produktwechsel an den Förderbändern, Umorganisation von Lagerplätzen und Iterationen der Montageroutine geschehen ständig. Gleichzeitig verlangen traditionelle Industrieroboter, dass Ingenieure den Code Zeile für Zeile neu schreiben. Diese Neuprogrammierung kann Tage bis Wochen an Zeit und Personal verschlingen und schreckt viele Aufgaben ab, die sich eigentlich automatisieren ließe.

Vor diesem Hintergrund hat das Startup Skild AI sein neues S1-Roboter-Foundation-Modell vorgestellt. Laut einem Blogebeitrag von NVIDIA kann S1 lange Manipulationsaufgaben erlernen, die es noch nie gesehen hat, und stützt sich dabei auf ein einziges Demonstrationsvideo, das ein Mensch aufgenommen hat. Diese Fähigkeit verschiebt Roboter vom präzisen Programmieren hin zum reinen Beobachten und gilt als entscheidender Schritt hin zu einer industrietauglichen verkörperte KI.

Tiefenanalyse

Um die Bedeutung von S1 zu begreifen, muss man den fundamentalen Unterschied zwischen traditioneller Roboter-Deployment und diesem neuen Paradigma betrachten. Traditionelle Industrieroboter verlassen sich auf deterministische Steuerung: Ingenieure müssen jeden Gelenkwinkel, jede Bewegungstrajektorie und jeden Greifpunkt vorgeben. Schon kleine Abweichungen der Umgebung führen zum Task-Ausfall. In strukturierten, vorhersehbaren Umgebungen funktioniert das gut, doch steigen die Neuprogrammierungskosten, sobald sich Produktspezifikationen oder Abläufe ändern.

Skild AI geht stattdessen einen datengetriebenen Weg, der der Entwicklung großer Sprach- und Bildmodelle entspricht und die Verallgemeinerung aus Demonstrationen in den Mittelpunkt stellt. Als Foundation-Modell ist S1 nicht für eine einzelne Aufgabe trainiert. Es erlernt eine ganze Klasse allgemeiner Manipulationsstrategien, wandelt visuelle Hinweise im Video in ein Verständnis von Objekten, Werkzeugen und Aktionsabläufen um und gibt anschließend ausführbare Roboterbewegungen aus. Dieses Prinzip des Sehens als Kontrollieren verschafft Robotern das Potenzial, auch mit unbekannten Situationen umzugehen, statt nur vorgegebene Pfade zu wiederholen.

Branchenwirkung

Aus kommerzieller Sicht trifft dieser Ansatz direkt die Kostenstruktur von Deployment und Service in der Roboterbranche. Es existiert eine unsichtbare Wertschöpfungskette: Hardware-Anbieter verkaufen Roboterarme, Integratoren übernehmen die Programmierung vor Ort, und Drittanbieter bieten anschließende Wartung und Neudeployments, wobei die Personalkosten oft den größten Anteil ausmachen. Die Fähigkeit von S1, Video als Programmierung zu nutzen, könnte einen Großteil der bisherigen Ingenieursarbeit auf den simplen Vorgang reduzieren, dass eine Fachkraft ein Video aufnimmt und der Roboter eigenständig lernt.

Da S1 auf der Physical-AI-Plattform von NVIDIA aufbaut, kann sie auf deren bestehende Infrastruktur in Simulation, Rechenleistung und Trainingsdaten zurückgreifen und so bei Forschungseffizienz und Deploymentgeschwindigkeit profitieren. Diese Kombination aus algorithmischer Innovation eines Startups und technischer sowie ökologischer Unterstützung einer großen Plattform hat sich in vielen KI-Bereichen als wirksam erwiesen.

Ausblick

Mehrere Signale verdienen Aufmerksamkeit. Zum einen die Kosten für das Sammeln von Demonstrationsdaten: Da S1 derzeit auf manuell aufgenommene Videos angewiesen ist, entscheidet sich, wie sich hochwertige Demonstrationsdaten günstig skalieren lassen, darüber, ob sich solche Modelle wirklich durchsetzen. Der Aufbau einer Datenkreislauf könnte sich dabei zu einer zukünftigen Wettbewerbsbarriere entwickeln. Zum anderen steht die Zuverlässigkeit langer Aufgaben im Raum: Die Schwierigkeit des Video-Lernens liegt im Aufrechterhalten von Stabilität über Vorgänge, die viele Minuten oder länger dauern, wo schon ein einzelner Fehler in der Mitte die gesamte Aufgabe scheitern lässt, sodass die technische Robustheit noch Zeit bis zum Beweis braucht.

Zum Dritten gehört der Vergleich mit der Konkurrenz. Der Bereich des Roboter-Lernens ist nicht überlaufen, wächst aber extrem schnell, und Unternehmen wie Figure und 1Z0 erkunden ähnliche Ansätze des Lernens aus Demonstrationen. Die Deployment-Leistung von S1 wird zu einem wichtigen Maßstab für die technische Qualität der einzelnen Akteure. Letztlich liegt der Wert von S1 nicht allein in einem einzelnen Durchbruch, sondern darin, Roboter über einen am menschlichen Lernen orientierten Weg von einem präzisen, doch starren Zustand hin zu einem flexiblen, erlernbaren zu führen. Ob sich dieser Weg letztlich im großen Maßstab auf Fertigungsböden durchsetzen lässt, wird der entscheidende Indikator dafür sein, ob verkörperte KI wirklich einen Wendepunkt erreicht hat.