Der Physical-AI-Stack: Worauf physische KI tatsächlich gebaut und trainiert wird

Wer heute über physische KI spricht, meint selten nur ein Modell. Gemeint ist ein ganzer Physical-AI-Stack: eine Kette aus Simulationsumgebungen, in denen Robotersteuerungen trainiert werden, einem Robotik-Software-Stack, der Sensorik, Aktorik und Rechenlogik verbindet, trainierten Foundation-Modellen, die aus Bild-, Sprach- und Bewegungsdaten Handlungsentscheidungen ableiten, und schließlich Edge-Computing-Hardware, die diese Entscheidungen in Millisekunden direkt im Roboter ausführt. Kein einzelnes Element davon macht einen Roboter „intelligent“ – erst das Zusammenspiel aller vier Schichten tut es. Genau dieses Zusammenspiel ist Gegenstand dieses Beitrags: Wir gehen den Stack Schicht für Schicht durch, von der ersten Simulationszelle bis zum Chip, der im Roboterarm sitzt.

Was gehört eigentlich zum Physical-AI-Stack?

Der Begriff klingt abstrakt, lässt sich aber an vier konkreten Schichten festmachen, die in nahezu jedem produktiven Robotikprojekt vorkommen.

Die erste Schicht ist die Simulation und synthetische Datenerzeugung. Bevor ein Roboter überhaupt ein physisches Objekt berührt, durchläuft seine Steuerungssoftware Tausende bis Millionen virtueller Durchläufe in einer physikalisch korrekten Simulationsumgebung. Das spart Hardware-Verschleiß, beschleunigt Iterationen und erlaubt es, gefährliche oder seltene Situationen risikofrei zu üben.

Die zweite Schicht ist der eigentliche Robotik-Software-Stack: Middleware wie ROS 2, die Sensordaten, Bewegungsplanung, Regelungstechnik und Kommunikation zwischen einzelnen Roboterkomponenten orchestriert. Diese Schicht ist der „Nervenstrang“ eines Roboters – ohne sie sprechen Kamera, Greifarm und Antrieb schlicht keine gemeinsame Sprache.

Die dritte Schicht sind Foundation-Modelle für physische KI, sogenannte Vision-Language-Action-Modelle (VLA), die aus Kamerabildern und Sprachbefehlen konkrete Bewegungsabfolgen generieren. NVIDIAs Isaac-GR00T-Modellfamilie ist hier aktuell das prominenteste Beispiel.

Die vierte Schicht ist das Edge-Computing: die Recheneinheit, die tatsächlich im oder am Roboter verbaut ist und die trainierten Modelle in Echtzeit ausführt, ohne auf eine Cloud-Verbindung angewiesen zu sein. NVIDIAs Jetson-Thor-Plattform ist hierfür das aktuelle Referenzbeispiel.

Diese vier Schichten bilden zusammen den Stack, auf dem physische KI heute tatsächlich gebaut und trainiert wird. Wichtig ist dabei: Die Schichten sind nicht lose nebeneinander angeordnet, sondern greifen ineinander. Ein Foundation-Modell, das nur auf realen Daten trainiert wurde, bleibt in der Regel zu datenarm, um robust zu generalisieren – deshalb braucht es die Simulationsschicht. Ein Modell, das ausschließlich in Simulation trainiert wurde, scheitert dagegen oft an der sogenannten Realitätslücke, sobald es auf echte Sensordaten trifft – deshalb braucht es reale Teleoperationsdaten als Korrektiv. Und selbst das beste Modell bleibt wirkungslos, wenn die Edge-Hardware nicht schnell genug rechnet oder die Middleware Sensordaten verzögert weiterreicht. Der Stack ist also weniger eine Liste von Bauteilen als ein Regelkreis, in dem jede Schicht die Anforderungen der nächsten mitbestimmt.

Im Folgenden schauen wir uns jede Schicht im Detail an – inklusive der Zahlen, Fristen und Marktbewegungen, die diesen Stack im Jahr 2026 konkret prägen.

Warum beginnt alles in der Simulation?

Ein Roboterarm, der in der realen Welt lernt, jedes fehlgeschlagene Greifen physisch ausführen muss, würde Monate für Übungsdurchläufe benötigen, die eine Simulation in Stunden erledigt. Deshalb ist die Simulationsschicht kein optionales Extra, sondern die eigentliche Trainingsfabrik der physischen KI.

In der Praxis bedeutet das: Ingenieurteams bauen digitale Zwillinge ihrer Roboterzellen, Lagerhallen oder Produktionslinien nach, generieren darin synthetische Trainingsdaten unter variierenden Licht-, Reibungs- und Objektbedingungen und übertragen die gelernten Verhaltensweisen anschließend auf reale Hardware. Diese Übertragung von Simulation zu Realität – „Sim-to-Real“ – ist eine der zentralen technischen Herausforderungen im gesamten Stack, weil physikalische Details wie Reibungskoeffizienten oder Sensorrauschen in der Simulation nie perfekt abgebildet werden.

Ergänzt wird die reine Simulation durch Teleoperation: Menschen steuern Roboter aus der Ferne und erzeugen dabei reale Bewegungsdaten, die als Trainingsgrundlage für nachgelagerte Modelle dienen. Wie digitale Zwillinge im Detail aufgebaut werden und welche Werkzeuge dafür heute Standard sind, behandelt der Beitrag zu Robotersimulation und digitalen Zwillingen; wie Teams synthetische und reale Trainingsdaten kombinieren, zeigt der Beitrag zur Teleoperation und Datenerfassung für Roboter.

Ein konkretes Beispiel dafür, wie stark synthetische Daten die Modellqualität beeinflussen können, liefert NVIDIAs eigene Forschung zu GR00T N1.5, die im nächsten Abschnitt genauer betrachtet wird.

Wichtig für die Planung eigener Projekte: Die Simulationsschicht ist kein einmaliger Schritt vor dem eigentlichen Training, sondern ein wiederkehrender Zyklus. Sobald ein Roboter im Feld auf eine Situation trifft, die im Training nicht vorkam – ein ungewöhnlich reflektierendes Werkstück, ein Objekt in unerwarteter Ausrichtung –, wandert diese Situation im Idealfall zurück in die Simulation, wird dort nachgebildet und dient als zusätzlicher Trainingsfall für die nächste Modellgeneration. Teams, die diesen Rückkanal von der Praxis in die Simulation nicht aufbauen, verlieren genau den Vorteil, der die Simulationsschicht überhaupt rechtfertigt.

Welche Rolle spielt ROS 2 als Robotik-Software-Stack?

Sobald ein Modell trainiert ist, braucht es eine Laufzeitumgebung, die Sensordaten einliest, Bewegungsbefehle ausgibt und die einzelnen Hardware-Komponenten eines Roboters koordiniert. Für diese Aufgabe hat sich ROS 2 (Robot Operating System 2) als De-facto-Standard im Robotik-Software-Stack etabliert – nicht als proprietäres Produkt eines einzelnen Herstellers, sondern als offenes Framework, das von Open Robotics gepflegt wird und auf dem praktisch alle namhaften Robotik-Foundation-Modelle letztlich aufsetzen.

ROS 2 folgt einem klaren Release-Rhythmus mit zwei parallelen Versionslinien: Standard-Releases mit kürzerem Support-Fenster und Langzeit-Support-Releases (LTS) für Produktivumgebungen. Konkret unterstützt Open Robotics aktuell die Standardversion „Kilted Kaiju“, veröffentlicht im Mai 2025 mit Support bis November 2026, sowie die LTS-Version „Jazzy Jalisco“, ebenfalls veröffentlicht im Mai 2024, deren Support jedoch bis Mai 2029 läuft. Für Teams, die einen Roboter über mehrere Jahre im Feldeinsatz betreiben wollen, ist diese Unterscheidung entscheidend: Wer heute produktiv baut, wählt in aller Regel die LTS-Linie, nicht die aktuellste Standardversion.

An dieser Stelle ist Ehrlichkeit wichtig: In Marktanalysen kursieren konkrete Prozentangaben zum Marktanteil von ROS 2 gegenüber der Vorgängerversion ROS 1 sowie Zahlen zu neu veröffentlichten ROS-basierten Robotermodellen. Diese Werte stammen jedoch ausschließlich aus kommerziellen Marktforschungsberichten, deren Methodik sich nicht anhand einer zweiten unabhängigen Primärquelle bestätigen ließ. Wir verzichten deshalb bewusst darauf, hier eine konkrete Marktanteilszahl zu nennen – belastbar ist allein der offizielle Support-Zeitplan von Open Robotics, der oben zitiert wurde.

Was sich unabhängig davon sagen lässt: ROS 2 ist heute die Middleware-Schicht, auf die sich sowohl etablierte Industrierobotik-Hersteller als auch neue humanoide Plattformen zubewegen, weil sie Echtzeitfähigkeit, verteilte Kommunikation über mehrere Recheneinheiten hinweg und eine breite Ökosystem-Unterstützung für Sensorik und Aktorik bündelt.

Technisch beruht dieser Vorteil vor allem auf dem darunterliegenden Kommunikationsstandard DDS (Data Distribution Service), der es erlaubt, dass mehrere Recheneinheiten in einem Roboter – etwa ein separater Rechner für Bildverarbeitung und ein separater Rechner für Bewegungsregelung – Nachrichten mit definierten Dienstgüte-Garantien austauschen, statt sich auf eine einzelne zentrale Steuerungseinheit zu verlassen. Für produktive Roboterflotten ist das kein akademisches Detail: Es entscheidet darüber, ob ein Sensorausfall an einer Stelle das gesamte System lahmlegt oder ob die übrigen Komponenten kontrolliert weiterlaufen. Gerade bei humanoiden Robotern mit Dutzenden Gelenken und mehreren Kamerasystemen wächst die Zahl der zu koordinierenden Recheneinheiten spürbar, was die Wahl einer stabilen, langfristig unterstützten ROS-2-Version noch wichtiger macht als bei einem einfachen Industriearm mit wenigen Freiheitsgraden.

Details zur Produktionsreife, zu typischen Fallstricken beim Übergang von Prototyp zu Serienbetrieb und zur Integration mit Flottenmanagement-Systemen behandelt der Beitrag zu ROS 2 in der Produktionsrobotik.

Was leisten Foundation-Modelle wie Isaac GR00T?

Die dritte Schicht des Stacks – die eigentliche „Intelligenz“ – wird zunehmend von sogenannten Vision-Language-Action-Modellen getragen, die visuelle Wahrnehmung, Sprachverständnis und motorische Handlungsplanung in einem einzigen trainierten Modell vereinen. NVIDIAs Isaac-GR00T-Familie ist hierfür das derzeit am breitesten dokumentierte Beispiel und zeigt exemplarisch, wie stark synthetische Trainingsdaten die Modellqualität in kurzer Zeit verbessern können.

Ein konkreter, von NVIDIA selbst veröffentlichter Vergleich verdeutlicht den Sprung: Auf einer Reihe von zwölf Aufgaben, die im Rahmen des DreamGen-Ansatzes zur synthetischen Datenerzeugung eingeführt wurden, erreichte das Vorgängermodell GR00T N1 eine Erfolgsquote von 13,1 Prozent. Das Nachfolgemodell GR00T N1.5 kam auf denselben Aufgaben auf 38,3 Prozent – nahezu eine Verdreifachung, erzielt vor allem durch verbesserte Trainingsdaten und Architekturanpassungen, nicht durch grundlegend neue Hardware.

Zur weiteren Entwicklung der Modellreihe – konkret zum Status von GR00T N1.7 – zeigt sich in der öffentlichen Berichterstattung ein Widerspruch, den wir hier offenlegen, statt ihn zu verschweigen: Manche zusammenfassenden Übersichten bezeichnen GR00T N1.7 bereits als „General Availability“ (GA), also als voll unterstützte, stabile Produktionsversion. NVIDIAs eigene Entwickler-Foren-Beiträge sowie ein Blog-Beitrag von Hugging Face führen das Modell dagegen ausdrücklich als „Early Access“ (EA) – also als Vorabversion ohne die üblichen Stabilitäts- und Support-Garantien einer GA-Freigabe. Welcher Status zum jeweiligen Zeitpunkt tatsächlich zutrifft, ließ sich nicht abschließend klären; Teams, die GR00T N1.7 produktiv einsetzen wollen, sollten den offiziellen NVIDIA-Entwicklerkanal direkt prüfen, statt sich auf zusammenfassende Presseberichte zu verlassen.

Unabhängig von diesem Detail zeigt die Entwicklung von N1 zu N1.5 ein grundsätzliches Muster im gesamten Physical-AI-Stack: Fortschritte entstehen nicht primär durch mehr Rechenleistung, sondern durch bessere, häufig synthetisch erzeugte Trainingsdaten – ein direkter Rückbezug auf die Simulationsschicht, die weiter oben beschrieben wurde.

Für Entscheiderinnen und Entscheider, die ein solches Foundation-Modell evaluieren, lohnt sich ein Blick auf drei Fragen, die sich unabhängig vom jeweiligen Anbieter stellen lassen: Erstens, auf welcher Datenbasis wurde das Modell trainiert – überwiegend real erfasste Bewegungsdaten, überwiegend synthetische Simulationsdaten, oder eine dokumentierte Mischung? Zweitens, für welche Klasse von Aufgaben (Greifen, Navigation, Manipulation feinmotorischer Objekte) liegen konkrete Benchmark-Ergebnisse vor, statt nur allgemeiner Marketingaussagen? Und drittens, welchen offiziellen Reifegradstatus – Early Access oder General Availability – gibt der Hersteller selbst an, nicht eine sekundäre Presseübersicht. Genau diese dritte Frage ist es, die im Fall von GR00T N1.7 uneinheitlich beantwortet wird, wie oben beschrieben.

Eine ausführliche Einordnung von Isaac GR00T, seiner Architektur und seiner Position gegenüber konkurrierenden VLA-Modellen liefert der Beitrag zu NVIDIA Isaac und GR00T.

Wie kommt die Intelligenz tatsächlich auf den Roboter?

Ein trainiertes Foundation-Modell nützt wenig, wenn es nur in einem Rechenzentrum läuft. Ein Roboterarm, der auf eine Cloud-Antwort wartet, bevor er reagiert, ist in den meisten industriellen und humanoiden Anwendungsfällen schlicht zu langsam oder bei instabiler Netzwerkverbindung sogar handlungsunfähig. Deshalb bildet Edge-Computing die vierte, unverzichtbare Schicht des Stacks: Recheneinheiten, die direkt im Roboter verbaut sind und die trainierten Modelle lokal, in Echtzeit und ohne durchgehende Cloud-Anbindung ausführen.

NVIDIAs aktuelle Referenzplattform hierfür ist Jetson AGX Thor, aufgebaut auf dem Jetson-T5000-Modul. Die technischen Eckdaten sind für die Kategorie ungewöhnlich hoch angesetzt: bis zu 2.070 FP4-TFLOPS beziehungsweise 1.035 FP8-TFLOPS an KI-Rechenleistung, eine Blackwell-GPU mit 2.560 CUDA-Kernen und 96 Tensor-Kernen, eine 14-Kern-Arm-Neoverse-CPU sowie 128 Gigabyte LPDDR5x-Arbeitsspeicher. Gegenüber dem Vorgänger Jetson AGX Orin gibt NVIDIA einen Faktor von rund 7,5 bei der KI-Leistung und rund 3,5 bei der Energieeffizienz an. Das Jetson-AGX-Thor-Entwicklerkit ist zu einem Preis von 3.499 US-Dollar erhältlich – ein Preisniveau, das die Plattform klar dem professionellen Entwicklungsbereich zuordnet, nicht dem Hobby- oder Bildungsmarkt.

Diese Rechenleistung direkt am Roboter ist die Voraussetzung dafür, dass generative KI-Funktionen – etwa die sprachbasierte Handlungsplanung eines VLA-Modells – nicht nur in Demovideos, sondern im laufenden Betrieb funktionieren, während der Roboter sich gleichzeitig bewegt, Kollisionen vermeidet und auf unvorhergesehene Hindernisse reagiert.

Zwei Faktoren erklären, warum diese lokale Rechenleistung nicht einfach durch eine schnellere Internetverbindung zur Cloud ersetzt werden kann. Erstens die Latenz: Selbst bei sehr guter Netzwerkanbindung liegt die Zeit für einen vollständigen Anfrage-Antwort-Zyklus zu einem entfernten Rechenzentrum deutlich über dem Zeitfenster, das ein Roboterarm für eine kollisionsvermeidende Kurskorrektur zur Verfügung hat. Zweitens die Verfügbarkeit: Ein Roboter in einer Lagerhalle, einer Fabrikhalle mit dicken Betonwänden oder im Außeneinsatz kann nicht darauf bauen, dass eine Cloud-Verbindung durchgehend stabil bleibt – ein kurzer Verbindungsabbruch darf nicht dazu führen, dass die Steuerung komplett aussetzt. Edge-Computing löst beide Probleme, verlangt dafür aber, dass die gesamte KI-Schicht – vom Foundation-Modell bis zur Bewegungsplanung – in ein Energie- und Wärmebudget passt, das deutlich enger ist als in einem Rechenzentrum. Genau deshalb ist die genannte Effizienzsteigerung von Jetson AGX Thor gegenüber dem Vorgänger Orin für die Praxis mindestens so bedeutsam wie der reine Rechenleistungszuwachs.

Wie groß das Ökosystem rund um diesen Stack inzwischen geworden ist, zeigte NVIDIA auf der GTC 2026: Nach eigenen Angaben bauen inzwischen mehr als zwei Millionen Entwicklerinnen und Entwickler auf NVIDIAs Robotik-Stack aus Jetson, Isaac und GR00T auf. Im selben Zusammenhang kündigten NVIDIA und Hugging Face an, diese Community mit der deutlich größeren, 13 Millionen KI-Entwicklerinnen und -Entwickler umfassenden Hugging-Face-Community stärker zusammenzuführen – ein Signal dafür, dass sich physische KI und klassische Software-KI-Entwicklung zunehmend auf denselben Werkzeugen und Modell-Repositorys treffen.

Wie hängen die vier Schichten in der Praxis zusammen?

Die folgende Übersicht ordnet die vier Schichten des Physical-AI-Stacks noch einmal nach ihrer jeweiligen Funktion, typischen Werkzeugen und dem Zeitpunkt im Produktlebenszyklus, an dem sie zum Tragen kommen.

Schicht	Funktion	Typische Werkzeuge/Beispiele	Wann relevant
Simulation & synthetische Daten	Training und Testen ohne physisches Risiko, Sim-to-Real-Transfer	Digitale Zwillinge, DreamGen-Ansatz für synthetische Aufgaben	Vor der ersten Hardware-Inbetriebnahme, iterativ danach
Robotik-Software-Stack	Koordination von Sensorik, Aktorik, Bewegungsplanung, Kommunikation	ROS 2 (Jazzy Jalisco als LTS, Kilted Kaiju als Standard-Release)	Durchgehend, vom Prototyp bis zum Flottenbetrieb
Foundation-Modelle (VLA)	Aus Bild- und Sprachdaten Handlungsentscheidungen ableiten	NVIDIA Isaac GR00T (N1, N1.5, N1.7)	Nach abgeschlossenem Simulationstraining, vor dem Feldeinsatz
Edge-Computing	Lokale Ausführung der Modelle in Echtzeit, ohne Cloud-Abhängigkeit	NVIDIA Jetson AGX Thor (Jetson-T5000-Modul)	Im fertigen Produkt, während des gesamten Betriebs

Diese Tabelle macht einen Punkt besonders deutlich: Kein Anbieter am Markt deckt heute alle vier Schichten allein und vollständig ab, selbst NVIDIA nicht – die Middleware-Schicht bleibt größtenteils bei der offenen ROS-2-Community, während Simulationsdaten, Modelltraining und Chip-Design enger zusammenwachsen.

Wer setzt diesen Stack heute tatsächlich produktiv ein?

Abstrakte Architekturschichten werden greifbar, wenn man sich anschaut, wer sie im großen Maßstab tatsächlich einsetzt.

Amazon ist das bislang größte bekannte Beispiel für produktiven Robotereinsatz: Der Konzern hat nach eigenen Angaben und übereinstimmender Berichterstattung mittlerweile mehr als eine Million Roboter über sein globales Logistiknetzwerk hinweg im Einsatz – dazu zählen Systeme wie Sequoia, Hercules, Pegasus und Proteus. Dieser Meilenstein wurde Mitte 2025 erreicht, die Flotte wächst seither weiter. Bezeichnend ist, dass Amazon parallel zur reinen Stückzahl auch ein eigenes generatives KI-Foundation-Modell für seine Robotik vorgestellt hat – ein Hinweis darauf, dass Stückzahl allein ohne die darunterliegende KI-Schicht nicht mehr wettbewerbsfähig ist.

Auf der Finanzierungsseite zeigt sich, wie viel Kapital derzeit in den Aufbau physischer KI fließt. Figure AI schloss im September 2025 eine Serie-C-Finanzierungsrunde von mehr als einer Milliarde US-Dollar ab, angeführt von Parkway Venture Capital, bei einer Post-Money-Bewertung von 39 Milliarden US-Dollar. Noch bemerkenswerter für den DACH-Kontext: Der deutsche Full-Stack-Robotik-Hersteller Neura Robotics sicherte sich eine Serie-C-Runde von bis zu 1,4 Milliarden US-Dollar, angeführt von Tether, mit Beteiligung von NVIDIA, Amazon, Qualcomm, Bosch, Schaeffler und der Europäischen Investitionsbank. Die resultierende Bewertung von 7 Milliarden US-Dollar macht diese Runde nach Unternehmensangaben zur größten je verzeichneten Finanzierungsrunde für ein Full-Stack-Robotikunternehmen. Dass gerade Bosch, Schaeffler und die Europäische Investitionsbank als Investoren auftreten, unterstreicht, wie stark deutsche Industriekonzerne den physischen KI-Stack inzwischen als strategisches Feld behandeln, nicht nur als Zulieferthema.

Zur Einordnung sei an dieser Stelle ebenfalls Transparenz gewahrt: In verschiedenen Marktübersichten kursieren stark abweichende Gesamtsummen für die weltweiten Robotik- und Humanoiden-Finanzierungen im Jahr 2026 – Angaben reichen von rund 19 Milliarden bis über 55 Milliarden US-Dollar, je nachdem, welche Unternehmenskategorien und Rundentypen eine Quelle mitzählt. Diese Aggregatzahlen ließen sich nicht unabhängig gegeneinander abgleichen, weshalb wir uns hier bewusst auf die einzeln belegten, unternehmensspezifischen Runden von Figure AI und Neura Robotics beschränken, statt eine unsichere Gesamtsumme zu zitieren.

Bemerkenswert an den beiden zitierten Runden ist außerdem, wer investiert – nicht nur reine Finanzinvestoren, sondern etablierte Technologie- und Industriekonzerne, die selbst Teile des Stacks liefern oder abnehmen: NVIDIA als Chip- und Modellanbieter, Amazon als größter bekannter Betreiber produktiver Roboterflotten, Qualcomm als Anbieter konkurrierender Edge-Chips, sowie Bosch und Schaeffler als klassische Industriezulieferer, die physische KI absehbar in eigene Produktlinien integrieren wollen. Diese Investorenstruktur ist selbst ein Signal: Physische KI wird nicht mehr nur als Forschungsfeld behandelt, sondern als Zulieferkette, in die etablierte Industrieunternehmen strategisch einsteigen.

Welche technischen Hürden bestehen zwischen den vier Schichten?

Die einzelnen Schichten des Physical-AI-Stacks sind einzeln betrachtet gut dokumentiert – die eigentliche Ingenieursarbeit findet jedoch an den Übergängen zwischen ihnen statt.

Der erste Übergang ist der bereits erwähnte Sprung von Simulation zu Realität. Ein in Simulation trainiertes Verhalten überträgt sich nur dann zuverlässig auf echte Hardware, wenn die physikalischen Parameter der Simulation – Reibung, Masseverteilung, Sensorrauschen, Beleuchtung – hinreichend nah an der Realität liegen oder das Modell gezielt mit randomisierten Variationen dieser Parameter trainiert wurde. Bleibt diese Lücke zu groß, funktioniert ein Roboter im Test perfekt und versagt im Feld an Details, die in der Simulation schlicht nicht vorkamen.

Der zweite Übergang liegt zwischen Foundation-Modell und Middleware: Ein VLA-Modell gibt üblicherweise eine übergeordnete Handlungsabsicht aus – „Objekt greifen“, „zehn Zentimeter nach links bewegen“ –, die von der ROS-2-Schicht in konkrete, sicherheitsgeprüfte Motorbefehle übersetzt werden muss. Diese Übersetzung muss so schnell erfolgen, dass sie in das Echtzeitbudget des jeweiligen Anwendungsfalls passt, und sie muss über Sicherheitsmechanismen verfügen, die verhindern, dass eine fehlerhafte Modellausgabe direkt in eine gefährliche Bewegung übersetzt wird.

Der dritte Übergang liegt zwischen Middleware und Edge-Hardware: Selbst ein exzellent optimiertes ROS-2-System nützt wenig, wenn die zugrunde liegende Recheneinheit unter Last thermisch drosselt oder nicht genügend Speicherbandbreite für gleichzeitige Bildverarbeitung und Bewegungsplanung bereitstellt. Genau deshalb sind Kennzahlen wie die 128 Gigabyte Arbeitsspeicher von Jetson AGX Thor keine reine Marketingzahl, sondern ein praktischer Engpassfaktor: Mehrere gleichzeitig laufende Wahrnehmungs- und Planungsmodule teilen sich diesen Speicher, und wer ihn unterschätzt, stößt im Betrieb auf Systemabstürze statt auf elegante Fehlerbehandlung.

Diese drei Übergänge – nicht die einzelnen Schichten selbst – sind es, an denen die meisten Robotikprojekte in der Praxis Zeit verlieren. Wer den Physical-AI-Stack plant, sollte deshalb von Anfang an Testfälle definieren, die gezielt diese Schnittstellen prüfen, statt jede Schicht isoliert zu validieren.

Was bedeutet der Stack konkret für Robotik-Teams und Entscheider?

Für Teams, die selbst physische KI entwickeln oder beschaffen wollen, ergeben sich aus den vier Schichten einige praktische Konsequenzen. Wer in Simulation investiert, reduziert nicht nur Entwicklungszeit, sondern schafft die Datengrundlage, auf der spätere Foundation-Modelle überhaupt trainierbar sind – die Qualität der synthetischen Daten wirkt sich, wie das GR00T-N1-zu-N1.5-Beispiel zeigt, direkter auf die Modellleistung aus als reine Rechenleistung. Wer die Middleware-Ebene wählt, sollte bei produktiven Systemen bewusst zur LTS-Version von ROS 2 greifen und den Support-Zeitraum gegen die geplante Betriebsdauer der eigenen Roboterflotte abgleichen, statt reflexhaft zur neuesten Standardversion zu greifen. Wer Foundation-Modelle einsetzt, sollte deren Reifegrad – GA gegenüber Early Access – direkt bei der Herstellerquelle prüfen, statt sich auf zusammenfassende Presseberichte zu verlassen, wie das Beispiel GR00T N1.7 zeigt. Und wer Edge-Hardware plant, muss Rechenleistung, Energiebudget und Preis gemeinsam kalkulieren – ein Jetson-AGX-Thor-Entwicklerkit für 3.499 US-Dollar ist ein Entwicklungswerkzeug, keine Serienstückliste, aber es zeigt die Größenordnung, in der heute produktionsreife Edge-KI für Robotik kalkuliert wird.

Ein zentraler roter Faden zieht sich durch alle vier Schichten: Der Physical-AI-Stack ist kein geschlossenes Produkt eines einzelnen Anbieters, sondern eine Kombination aus offenen Standards (allen voran ROS 2), einem dominanten, aber nicht alleinigen Hardware- und Modellökosystem rund um NVIDIA sowie einer wachsenden Zahl unabhängiger Robotikhersteller – von Amazons Eigenentwicklungen bis zu europäischen Full-Stack-Anbietern wie Neura Robotics –, die eigene Schwerpunkte in einzelnen Schichten setzen. Einen Überblick über weitere Beiträge dieses Themenclusters bietet der Themen-Hub Der Physical-AI-Stack; Begriffe wie VLA, Sim-to-Real oder Edge-Computing werden zudem im Glossar kompakt erklärt. Wie sich Harness, Gedächtnis, Evaluation und Governance aus dem Agentic Engineering auf genau diese vier Schichten übertragen, zeigt der Beitrag Agentic Engineering für physische KI.