Verkörperte KI vs. generative KI: Warum ein LLM allein keinen Roboter steuert

Ein Sprachmodell, das einen Satz schlecht beginnt, verwirft ihn und generiert neu — folgenlos. Ein Roboterarm, der ein Gelenk mit einem falschen Drehmoment ansteuert, kippt, kollidiert oder zerdrückt das Werkstück. Dieser eine Unterschied — die Kopplung an eine physische Welt, in der sich Fehler nicht mit einem Klick zurücknehmen lassen — trennt verkörperte KI und generative KI auf einer grundlegenden technischen Ebene. Wer beide gleichsetzt, unterschätzt, was passiert, wenn eine KI einen Körper bekommt.

Der Unterschied in einem Satz: Generative KI erzeugt ihre Ausgabe in einem einzelnen, folgenlosen Durchlauf (one-shot), der sich vor jeder Wirkung prüfen, verwerfen oder korrigieren lässt. Verkörperte KI handelt dagegen in einem geschlossenen Regelkreis (closed loop) unter harten Echtzeit-Fristen, in dem jede Aktion über die Physik sofort und häufig unumkehrbar wirkt. Genau deshalb reicht ein großes Sprachmodell (LLM) allein nicht, um einen Roboter zu steuern: Es antwortet erst mit einer Verzögerung von hundert Millisekunden bis zu mehreren Sekunden und ohne die kontinuierliche Rückkopplung, die ein realer Regelkreis mit Aktualisierungsraten bis zu 1000 Hz und mehr verlangt.

Dieser Beitrag ordnet die Begriffe für das Themencluster Grundlagen der physischen KI ein; zentrale Fachbegriffe erklärt das Glossar.

Was heißt „verkörperte KI“ — und was „generative KI“?

Unter generativer KI versteht man Modelle, die Inhalte erzeugen: große Sprachmodelle (LLMs) und Vision-Language-Modelle (VLMs) der GPT-4-, Claude- oder Gemini-Klasse produzieren Text, Bilder oder Sequenzen von Aktions-Token. Entscheidend ist der Ort der Wirkung. Im Moment der Generierung ist die Ausgabe im Wesentlichen reversibel und folgenlos: Ein schlechtes Token lässt sich neu würfeln, ein misslungenes Bild verwerfen — bevor irgendetwas in der realen Welt geschieht.

Verkörperte KI (englisch embodied AI) steht für das Gegenteil. Die Ausgaben des Systems sind Aktionen — Drehmomente, Geschwindigkeiten, Greifbefehle —, die über Sensoren und Aktoren kausal an eine reale Umgebung gekoppelt sind. Diese Kopplung heißt Grounding. Sie ist der Grund, warum sich Fehler nicht auf einem Bildschirm, sondern in der Physik summieren: Ein falscher Befehl verschiebt Masse, erzeugt Kraft und pflanzt sich durch Mechanik und Umgebung fort.

Der praktische Kern in einem Bild: Bei generativer KI trifft ein Fehler ein gerendertes Artefakt. Bei verkörperter KI trifft er ein Werkstück, eine Maschine oder einen Menschen. Eine ausführlichere Einordnung des Gesamtbegriffs liefert der Grundlagenartikel zu physischer KI jenseits des Chatbots.

Warum reicht ein LLM allein nicht, um einen Roboter zu steuern?

Die kurze Antwort lautet: ein Frequenzproblem. Robotersteuerung ist kein rundenbasierter Dialog, sondern ein permanenter Kreislauf: messen → entscheiden → handeln → erneut messen, und das unter einer festen Frist.

Die untersten Regelkreise für Drehmoment und Position laufen in Roboterarmen und Laufrobotern üblicherweise mit 1000 Hz (1 kHz). Als häufig zitierte Beispiele gelten der DLR-Leichtbauroboter, Franka Emika Panda, KUKA-Systeme, Kinova Gen3 oder der Barrett WAM; manche Systeme takten höher (bis zu 3 kHz beim DLR-KUKA LWR IV+), andere niedriger (etwa 400 Hz bei elastischen Aktoren, series elastic actuators). Die Forschung spricht von Aktualisierungsraten jenseits von 1000 Hz für die unterste Regelebene — als illustrative Näherung, nicht als universelle Norm. Die konkreten Zahlen variieren je nach Roboter und Hersteller, doch 1 kHz ist eine gut etablierte Ingenieurskonvention (Stand 2026).

Dem gegenüber steht die Trägheit generativer Modelle. Eine vollständige LLM- oder VLM-Antwort braucht typischerweise Hunderte Millisekunden bis Sekunden. Auch spezialisierte Vision-Language-Action-Modelle (VLA) sind für den harten Regelkreis zu langsam: Das quelloffene OpenVLA (7 Mrd. Parameter) wird in der Fachliteratur mit einer Inferenzrate von rund 5 Hz angegeben, weil es Aktionen Token für Token autoregressiv erzeugt — als illustrative Größenordnung, nicht als zertifizierter Benchmark (arXiv-Analyse, Stand 2024/2025). Diffusionsbasierte Steuerungsmodelle (diffusion policies) kommen wegen ihrer iterativen Entrauschungsschritte (mehrstufiges DDIM) oft auf über 100 ms Latenz pro Aktions-Block (action chunk).

Man muss diese Zahlen nur nebeneinanderlegen. Ein 1-kHz-Regelkreis hat pro Zyklus rund eine Millisekunde Zeit. Schon die Sensorlatenz für Kraft und Position (etwa 0,5 bis 1,2 ms) kann davon einen erheblichen Teil aufzehren — eine detaillierte Quelle beziffert diesen Anteil auf bis zu rund 48 % des verfügbaren Zyklus (illustrativ für das Problem, keine universelle Konstante). In dieses Budget passt keine Token-für-Token-Generierung. Ein LLM „direkt im Regelkreis“ führt daher zu Latenzspitzen und im schlimmsten Fall zu oszillierendem, instabilem Verhalten. Eine verpasste Frist bedeutet hier keine verspätete Antwort, sondern Instabilität, Kollision oder Schaden.

Was bedeutet „irreversibel“ im Roboterbetrieb?

Reversibilität ist der zweite fundamentale Trennstrich. In der generativen KI ist der Rückwärtsgang eingebaut: neu generieren, verwerfen, bearbeiten. Physische Aktionen kennen diesen Rückwärtsgang nicht. Ein fallengelassenes Bauteil, eine Kollision, ein Sturz — das lässt sich nicht wie ein misslungenes Token neu würfeln. Der Zustand der Welt hat sich geändert, und die einzige „Korrektur“ ist eine weitere physische Aktion, die ihrerseits Fristen und Risiken unterliegt.

Diese Unumkehrbarkeit ist kein philosophisches Detail, sondern der Grund für einen ganzen Normenapparat, der in der reinen generativen KI keine direkte Entsprechung hat. Wo ein Chatbot bestenfalls eine schlechte Antwort liefert, kann ein Roboter Sachschaden anrichten oder Menschen verletzen — und genau dort setzen die Sicherheitsstandards an.

Wie lösen aktuelle Systeme den Konflikt? Das Muster System 1 / System 2

Die Industrie umgeht das Frequenzproblem nicht mit einem größeren Sprachmodell, sondern mit Arbeitsteilung. Aktuelle Architekturen zerlegen die Steuerung in zwei Schichten, oft „System 1 / System 2“ genannt, in Anlehnung an schnelles und langsames Denken:

• System 1 — die schnelle, reaktive Motorik: ein separates Modell oder ein klassischer Regler, der mit hoher Frequenz läuft und die Bewegung stabil hält.
• System 2 — die langsame, überlegte Ebene: ein VLM/LLM-artiges Modell, das mit wenigen Hz bis unter 1 Hz arbeitet und Ziele sowie Pläne vorgibt, statt jeden einzelnen Low-Level-Befehl zu erzeugen.

Dieses duale Muster ist kein Theoriekonstrukt. NVIDIA beschreibt es explizit für Isaac GR00T N1 (angekündigt März 2025, arXiv:2503.14734), das als „weltweit erstes offenes Foundation-Model für humanoide Roboter“ vorgestellt wurde und auf einer Mischung aus echten Roboter-Trajektorien, menschlichen Videos und synthetischen Daten trainiert ist; es folgten die Aktualisierungen GR00T N1.5 und N1.7 (Stand 2026). Auch Figure AI setzt für sein Modell Helix (vorgestellt Februar 2025) auf dieselbe Zweiteilung aus schnellem Reflex und langsamer Überlegung.

Für den nüchternen Blick wichtig: Um diese Systeme kursieren Marketing-Zahlen. Figure AI berichtet etwa, eine Roboterflotte binnen rund 30 Tagen für Sortier- und Verpackungsaufgaben einsatzfähig gemacht zu haben — eine Herstellerangabe, nicht unabhängig geprüft. NVIDIA hat inzwischen auch einen GR00T-Referenzroboter auf Unitree-Basis formal angekündigt — am 31. Mai 2026 auf der GTC Taipei, mit dem Unitree H2 Plus, den fünffingrigen, taktilen Sharpa-Wave-Händen und einem Jetson AGX Thor T5000 als Rechenmodul; die Auslieferung ist für Herbst 2026 vorgesehen. Was solche humanoiden Plattformen technisch unterscheidet, ordnet ein eigener Beitrag zu humanoiden Robotern ein.

Der gemeinsame Nenner dieser Systeme heißt VLA — Vision-Language-Action. Wie dieser Modelltyp im Detail vom Kamerabild zum Motorbefehl kommt, beschreibt ein eigener Beitrag zu Sehen, Sprache und Handlung in der Robotik. Den Ausgangspunkt markierte RT-2 von Google DeepMind (2023): ein auf Web-Daten vortrainierter Transformer, der Roboteraktionen direkt als Token im selben Raum wie Sprache ausgibt und einfache mehrschrittige Schlussfolgerungen vor dem Handeln zeigt. OpenVLA (7 Mrd. Parameter, 2024) machte den Ansatz quelloffen (MIT-Lizenz) und wurde auf rund 970 000 realen Roboter-Demonstrationen aus dem Datensatz Open X-Embodiment trainiert. Das Start-up Physical Intelligence baut sein Modell π0 (pi-zero, Ende 2024) auf einem PaliGemma-Backbone samt „Action Expert“ und demonstriert Aufgaben wie Wäschefalten oder Tischräumen über sieben verschiedene Roboter-Bauformen hinweg (Herstellerangaben; ein Nachfolger π0.5 soll „Open-World-Generalisierung“ ergänzen).

Welche Normen greifen, weil physische Fehler zählen?

Weil verkörperte KI Menschen und Maschinen gefährden kann, ist sie — anders als ein reines Sprachmodell — tief in ein Normengefüge eingebettet. Für den DACH-Markt sind vor allem diese Regelwerke relevant (Stand 2026):

• ISO 10218-1:2025 und ISO 10218-2:2025 — „Robotics — Safety requirements“: Teil 1 für Industrieroboter (Anforderungen an Hersteller), Teil 2 für Roboter-Systeme und -Anwendungen (Anforderungen an Integratoren). Die Ausgaben von 2025 lösen die Versionen von 2011 nach rund achtjähriger Überarbeitung durch Fachleute aus über 20 Ländern ab; neu sind unter anderem eine formale Definition der „mobilen Plattform“ und explizite Anforderungen an Sicherheitsfunktionen.
• ISO/TS 15066:2016 — die technische Spezifikation für kollaborierende Roboter (Cobots), die Power and Force Limiting (PFL) definiert: Grenzen für Kraft, Druck und Geschwindigkeit in der Mensch-Roboter-Kollaboration. Mit der Revision 2025 wandert diese PFL-Methodik als normative, also verpflichtende Anforderung in die ISO 10218-2:2025.
• IEC 61508 als übergeordneter Rahmen für die funktionale Sicherheit elektrischer, elektronischer und programmierbarer Systeme, mit der maschinenspezifischen Ableitung IEC 62061 und der ISO 13849. Sie regeln Sicherheitsfunktionen wie sichere Geschwindigkeit, sichere Position, Not-Halt und Kollisionsvermeidung.
• VDA 5050 — der offene Kommunikationsstandard zwischen mobilen Roboter-, AGV- und AMR-Flotten und einer zentralen Leitsteuerung, gemeinsam von VDA und VDMA mit dem Institut für Fördertechnik und Logistiksysteme (IFL) des KIT entwickelt, auf Basis von JSON über MQTT. Erstveröffentlichung v1.0 im Jahr 2019, Version 2.1.0 im August 2024; im März 2026 folgte die größere Revision v3.0.0.

Ein Wort zur Software-Ebene: In der Praxis läuft vieles davon auf ROS 2, dem quelloffenen Middleware-Framework, das DDS als Standard-Transport für echtzeitfähige Kommunikation nutzt und PREEMPT_RT-Konfigurationen für harte Echtzeit unterstützt. Aktuelle Distributionen sind „Jazzy Jalisco“ (LTS, Support bis 2029) und „Kilted Kaiju“ (freigegeben am 23. Mai 2025, unter anderem mit Zenoh 1.0 als DDS-Alternative); eine Ausgabe „Lyrical Luth“ wird für Mai 2026 erwartet (unbestätigt — am Veröffentlichungstermin prüfen).

Verkörperte KI vs. generative KI — der direkte Vergleich

Dimension	Generative KI (LLM/VLM)	Verkörperte KI (Roboter)
Ausgabe	Text, Bild, Aktions-Token	physische Aktionen (Drehmoment, Bewegung, Griff)
Kopplung zur Welt	keine — ein gerendertes Artefakt	Grounding über Sensoren und Aktoren
Fehlerfolge	reversibel, meist folgenlos	irreversibel: Sturz, Kollision, Sachschaden
Ablauf	Einzeldurchlauf (one-shot)	geschlossener Regelkreis (messen–planen–handeln)
Zeitbudget	keine harte Frist (Hunderte ms bis s)	harte Echtzeit-Frist (Regelkreis oft 1 kHz)
Aktualisierungsrate	pro Antwort, nicht kontinuierlich	Low-Level bis 1000 Hz und mehr
Sicherheitsrahmen	kaum standardisiert	ISO 10218, ISO/TS 15066, IEC 61508/62061

Was heißt das für die Praxis — jenseits des Hypes?

Die nüchterne Schlussfolgerung: In der Robotik ist ein Sprachmodell eine Komponente, kein Roboter. Es liefert die langsame, überlegte Ebene — Sprache verstehen, Aufgaben zerlegen, Pläne fassen. Die eigentliche Kunst der verkörperten KI liegt in der Architektur darunter: im schnellen Regler, in der Sensorfusion, in der harten Echtzeit und in der Sicherheitsauslegung, die Fehler abfängt, bevor sie irreversibel werden.

Auch die oft zitierten Marktzahlen gehören in diesen nüchternen Rahmen. Schätzungen zur Größe des Marktes für humanoide Roboter im Jahr 2026 gehen extrem weit auseinander — je nach Analysehaus und Definition (nur Hardware gegenüber Hardware plus Software und Dienstleistungen) von rund 1,4 Mrd. US-Dollar (Persistence Market Research) bis rund 10,7 Mrd. US-Dollar (Future Market Insights), mit weiteren Häusern im Bereich von 2 bis 6 Mrd. Eine einzelne „belastbare“ Zahl gibt es hier nicht; wer eine Summe als Konsens verkauft, verkauft Marketing.

Wer verkörperte KI bewertet, sollte deshalb nicht zuerst fragen „Wie groß ist das Modell?“, sondern „Wie schnell schließt sich der Regelkreis — und was passiert, wenn er eine Frist verpasst?“ Diese Frage trennt Demo von Betrieb, und sie ist der rote Faden durch das Cluster Grundlagen der physischen KI.