Was ist physische KI? Verkörperte Intelligenz jenseits des Chatbots

Physische KI — im Englischen physical AI, gleichbedeutend mit verkörperter KI (embodied AI) — bezeichnet KI-Systeme, die die physische Welt über Sensoren wahrnehmen, aus dieser Wahrnehmung schlussfolgern und über Aktoren in ihr handeln. Sie verbindet maschinelles Lernen, Computer Vision und Sprachverarbeitung mit Robotik, Sensorik und Mechanik. Der entscheidende Unterschied zur generativen KI und zum Chatbot: Diese arbeiten ausschließlich mit digitalen Daten — Text, Bildern, Code — ohne Körper, ohne Sensoren und ohne dass ihre Ausgaben unmittelbare physische Folgen hätten. Ein Sprachmodell, das sich irrt, erzeugt einen falschen Satz. Ein Roboter, der sich irrt, stößt gegen ein Regal, beschädigt ein Werkstück oder verletzt einen Menschen.

Genau diese Asymmetrie — reversible Ausgabe gegenüber teils irreversibler Handlung — ist der rote Faden dieses Lageberichts. Wer verstehen will, was verkörperte Intelligenz von einem Chatbot trennt, muss nicht in erster Linie die Modellarchitektur betrachten, sondern die Konsequenzen: die Physik, die Unsicherheit, die Latenz und die Sicherheitsanforderungen der realen Welt. Dieser Text ordnet die Begriffe, erklärt die klassische Wahrnehmen–Planen–Handeln-Schleife, das Konzept der Weltmodelle sowie die Bausteine des Physical-AI-Stacks — und zieht eine nüchterne Zwischenbilanz zum Stand Mitte 2026.

Ein Hinweis vorab zur Einordnung: Der Begriff „physische KI“ ist keine akademische Definition eines Normungsgremiums, sondern ein Marketing-Begriff, den Nvidia-CEO Jensen Huang seit der CES und der GTC 2025 populär gemacht hat — als „nächste Welle“ nach der generativen und der agentischen KI. Auf der CES im Januar 2026 erklärte er, „der ChatGPT-Moment der physischen KI ist da“. Das ist eine industrielle Erzählung, kein neutraler Fachterminus. Die zugrundeliegenden Ideen — Verkörperung, Regelkreise, Weltmodelle — sind dagegen Jahrzehnte alt. Wir behandeln „physische KI“ hier deshalb als nützliches Branchenvokabular, nicht als Standard.

Was ist physische KI — und was unterscheidet sie vom Chatbot?

Physische KI ist der Oberbegriff für Systeme, deren Intelligenz an einen Körper und an Handlungsfähigkeit in der realen Welt gebunden ist. Ein autonomer mobiler Roboter im Lager, ein kollaborativer Roboterarm in der Fertigung, ein selbstfahrendes Fahrzeug, ein humanoider Roboter — sie alle sind Ausprägungen verkörperter KI. Gemeinsam ist ihnen ein geschlossener Kreis: Sensoren liefern Daten über die Umgebung, ein Modell interpretiert und plant, Aktoren führen aus, und die Ausführung verändert die Umgebung, die im nächsten Zyklus erneut wahrgenommen wird.

Generative KI kennt diesen Kreis nicht. Ein Sprachmodell erhält einen Prompt, erzeugt eine Ausgabe und ist fertig. Es gibt keine Rückkopplung mit einer physischen Umgebung, keine Sensoren, deren Rauschen die Wahrnehmung verfälscht, und keine Aktoren, deren Verschleiß das Ergebnis beeinflusst. Der Trainingsraum eines Chatbots ist kuratierter Text; der Handlungsraum eines Roboters ist die unaufgeräumte, nur teilweise beobachtbare Wirklichkeit.

Dimension	Generative / Chatbot-KI	Physische / verkörperte KI
Eingabe	digitale Daten (Text, Bild)	Sensordaten aus der realen Welt (Kamera, Lidar, Kraft)
Ausgabe	Text, Bild, Code	physische Handlung über Aktoren
Körper	keiner	Roboterkörper (Arm, Fahrgestell, Humanoid)
Folge eines Fehlers	reversibel (falscher Satz)	teils irreversibel (Kollision, Schaden, Verletzung)
Umgebung	kuratierte Trainingsverteilung	nur teilweise beobachtbar, verrauscht
Zeitverhalten	Antwort in Sekunden akzeptabel	harte Echtzeit, Latenz sicherheitskritisch
Prüfung	inhaltliche Qualität	funktionale Sicherheit, Zertifizierung (ISO 10218)

Der praktische Kern steht in der vierten Zeile: Bei einem Chatbot ist der schlimmste Fehlerfall eine schlechte Antwort, die man verwirft. Bei verkörperter KI ist der schlimmste Fehlerfall ein Sachschaden oder eine Verletzung. Deshalb gelten für physische KI Anforderungen, die es in der reinen Software-KI nicht gibt — von der Echtzeitfähigkeit bis zur Sicherheitszertifizierung. Wie tief dieser Unterschied reicht — bis hinunter zur Echtzeit-Regelschleife und zum Normenrahmen —, zeigt der direkte Vergleich zwischen generativer und verkörperter KI.

Was bedeutet „Verkörperung“ (Embodiment)?

„Verkörperung“ (Embodiment) bezeichnet die Idee, dass Intelligenz nicht abstrakt im luftleeren Raum existiert, sondern durch einen Körper und dessen Interaktion mit der Umwelt geformt wird. Ein verkörpertes System hat eine physische Gestalt — Sensoren als „Sinne“, Aktoren als „Muskeln“ — und handelt über die Schleife aus Wahrnehmung und Bewegung.

Der Begriff hat zwei Ebenen. Auf der technischen Ebene meint Verkörperung schlicht: Das System besitzt Hardware, mit der es die Welt misst (Kameras, Lidar, Kraft- und Drehmomentsensoren, Encoder) und auf sie einwirkt (Motoren, Greifer, Fahrantriebe). Auf der konzeptionellen Ebene — die aus der Kognitionswissenschaft stammt — bedeutet Verkörperung, dass die Form des Körpers das „Denken“ mitbestimmt: Ein zweibeiniger Humanoid, ein Roboterarm und ein Radfahrzeug lösen dieselbe Aufgabe unterschiedlich, weil ihre Handlungsmöglichkeiten unterschiedlich sind.

Für die Praxis wichtig ist eine dritte Lesart: In der Forschung zu generalistischen Robotermodellen bezeichnet „embodiment“ eine konkrete Roboterbauform. Der Datensatz Open X-Embodiment etwa bündelt Demonstrationen von 22 verschiedenen Bauformen aus 21 Institutionen und über einer Million Episoden — gerade weil ein Modell, das über viele Körper hinweg trainiert wurde, besser generalisiert als eines, das nur einen einzigen Roboter kennt.

Verkörperung ist damit kein Beiwerk, sondern die Ursache fast aller schwierigen Probleme der physischen KI. Ein Körper hat Masse, Trägheit und Reibung. Er verschleißt. Seine Sensoren rauschen. Er bewegt sich in einer Welt, die zurückschlägt. Nichts davon existiert im rein digitalen Raum eines Sprachmodells — und genau deshalb muss verkörperte Intelligenz Fähigkeiten mitbringen, die ein Chatbot niemals braucht.

Wie funktioniert die Wahrnehmen–Planen–Handeln-Schleife?

Die klassische Steuerungsarchitektur der Robotik heißt Sense–Plan–Act (SPA), auf Deutsch Wahrnehmen–Planen–Handeln. Sie beschreibt einen Kreislauf in drei Schritten: Wahrnehmen (sense) — aus Sensordaten wird eine interne Repräsentation der Welt aufgebaut; Planen (plan) — auf Basis dieser Repräsentation wird eine Handlungsfolge zum Ziel bestimmt; Handeln (act) — die Aktoren führen die Handlung aus. Danach beginnt der Kreis von vorn, denn die Ausführung hat die Welt verändert.

Dieses Paradigma ist alt. Es geht auf das Projekt Shakey am Stanford Research Institute Ende der 1960er-Jahre zurück — den ersten Roboter, der modellbasiert und überlegt statt rein reaktiv gesteuert wurde. SPA dominierte die Roboterarchitektur bis in die 1980er-Jahre.

Es hat aber eine bekannte Schwäche, die bis heute den Kern des Problems ausmacht: Wahrnehmung und Planung sind rechnerisch deutlich aufwendiger als die hardwarenahe Regelung der Aktoren. Ein reiner SPA-Zyklus ist deshalb zu langsam für schnelle, dynamische Umgebungen — bis das System einen vollständigen Plan berechnet hat, kann sich die Welt schon geändert haben. Genau diese Schwäche motivierte in den folgenden Jahrzehnten reaktive und hybride Architekturen, die schnelle, reflexartige Schleifen (für Balance und Sicherheit) von langsamer Deliberation (für die Planung) trennen.

Für die heutige physische KI ist das zentral. Moderne Systeme lösen die Spannung zwischen „schnell reagieren“ und „überlegt planen“ häufig mit einer Zwei-System-Architektur, auf die wir weiter unten bei den Handlungsmodellen zurückkommen. Der SPA-Kreis selbst bleibt das mentale Grundmodell — nur werden seine drei Schritte heute teils von gelernten neuronalen Modellen übernommen statt von manuell programmierten Regeln.

Was sind Weltmodelle — und warum genügt ein Sprachmodell nicht?

Ein Weltmodell ist ein KI-Modell, das lernt vorherzusagen, wie sich eine Umgebung entwickelt und wie sie auf Handlungen reagiert. Es dient der Planung, der Simulation und der Erzeugung synthetischer Trainingsdaten. Der Unterschied zu einem großen Sprachmodell ist grundlegend: Ein LLM vervollständigt Muster in Texten, ein Weltmodell modelliert die Dynamik einer Umgebung — es beantwortet die Frage: Was passiert, wenn ich diese Aktion ausführe?

Warum das wichtig ist, hat vor allem Yann LeCun formuliert. Der langjährige Chief AI Scientist von Meta verließ das Unternehmen im November 2025 nach rund zwölf Jahren, im Streit über die LLM-zentrische Ausrichtung. Seine These: Systeme, die physische Handlungen planen sollen, brauchen ein internes, prädiktives Weltmodell — eine Fähigkeit, die reinen Sprachmodellen strukturell fehle. Anfang 2026 gründete er in Paris AMI Labs (Advanced Machine Intelligence Labs). Das Unternehmen gab am 10. März 2026 eine Seed-Runde von 1,03 Milliarden US-Dollar bei einer Pre-Money-Bewertung von 3,5 Milliarden Dollar bekannt — laut Berichten die größte Seed-Runde der europäischen Startup-Geschichte. Diese Zahlen stammen aus der Fachpresse, sind nicht unabhängig testiert und mit Vorsicht zu genießen.

Unabhängig von einzelnen Personen ist das Thema Weltmodelle 2025 und 2026 zu einem der aktivsten Felder geworden. Einige konkrete Beispiele:

• Nvidia Cosmos — eine Plattform offener „World Foundation Models“, trainiert auf Videodaten aus Robotik und Fahrszenen. Sie unterstützt Text2World-, Image2World- und Video2World-Generierung, um physikalisch fundierte synthetische Daten und Robotersteuerungen zu trainieren. Eine als „Cosmos 3“ berichtete Version (etwa Juni 2026) soll physikalisches Schlussfolgern, Weltsimulation und Handlungserzeugung vereinen. Bezeichnung und Datum sind noch nicht durch eine Primärquelle von Nvidia bestätigt.
• Google DeepMind Genie 3 — erzeugt aus Text- oder Bild-Prompts interaktive, fotorealistische 3D- und Videoumgebungen in Echtzeit (rund 24 Bilder pro Sekunde), mit persistentem Weltzustand und emergenter Physik; genutzt zum Training und zur Simulation von Agenten. Vorgestellt etwa im August 2025.
• Meta V-JEPA 2 — ein Weltmodell aus der JEPA-Familie, das auf rund 62 Stunden Roboterdaten aus dem DROID-Datensatz feinabgestimmt wurde. Es ist handlungskonditioniert und ermöglicht Zero-Shot-Planung; eingesetzt wurde es ohne zusätzliches Training auf realen Franka-Roboterarmen für Greif- und Ablegeaufgaben in neuen Umgebungen.
• World Labs „Marble“ — das Unternehmen von Fei-Fei Li veröffentlichte im November 2025 „Marble“, das aus Text, Bildern, Video oder groben Layouts vollständige 3D-Welten (Gaussian Splats) erzeugt.

Der gemeinsame Nenner: Wer will, dass ein Roboter in einer neuen Umgebung sinnvoll handelt, braucht ein Modell davon, wie diese Umgebung auf Handlungen reagiert — sei es zum Planen, sei es, um in der Simulation günstig Trainingsdaten zu erzeugen, statt teuer auf echter Hardware.

Wie lernen Roboter zu handeln? Vision-Language-Action-Modelle

Zwischen Wahrnehmung und Aktorik sitzt heute oft ein neuer Modelltyp: das Vision-Language-Action-Modell (VLA). Es nimmt Bilder und eine Sprachanweisung entgegen und gibt direkt Roboteraktionen aus — es überträgt also die Idee der Foundationmodelle von Text auf Handlung. Wie genau dabei aus Kamerabild und Sprachbefehl ein Motorbefehl wird, zeigt ein eigener Beitrag zum Weg vom Sehen und Sprechen zur Roboterbewegung. Vier zentrale Meilensteine strukturieren das Feld:

• RT-2 (Robotic Transformer 2, Google DeepMind, vorgestellt am 28. Juli 2023) trainiert einen Transformer gemeinsam auf Vision-Language-Daten aus dem Internet und auf Roboterdemonstrationen; Roboteraktionen werden dabei als Text-Token dargestellt. Aufgebaut auf den Vision-Language-Modellen PaLI-X und PaLM-E und feinabgestimmt auf RT-1-Daten, generalisiert es besser als sein Vorgänger RT-1.
• OpenVLA (Juni 2024, Forschende im Umfeld von Stanford) ist ein quelloffenes VLA mit 7 Milliarden Parametern, trainiert auf 970.000 realen Roboterdemonstrationen aus dem Open-X-Embodiment-Datensatz. Es kombiniert einen DINOv2- und SigLIP/CLIP-Bildencoder mit einem Llama-2-Sprachkern und übertrifft laut Veröffentlichung das größere RT-2-X in einem Manipulations-Benchmark — trotz geringerer Größe. Es unterstützt LoRA-Feinabstimmung und Quantisierung.
• Physical Intelligence (π, „Pi“), 2024 von fünf Personen mitgegründet — Karol Hausman (zuvor Google DeepMind), Sergey Levine (UC Berkeley), Chelsea Finn (Stanford), Brian Ichter (zuvor Google Research) und Adnan Esmail —, veröffentlichte mit π0 („Pi-Zero“) eine generalistische VLA-„Flow“-Policy für verschiedene Roboterbauformen (Wäsche falten, Kartons montieren, Tische abräumen, Kaffee zubereiten). Code und Gewichte wurden um Februar 2025 offengelegt; es folgten π0.5 (etwa April 2025, autonome Mobilität in unbekannten Haushaltsumgebungen) und π0.6 (etwa November 2025, das Reinforcement Learning aus realer Erfahrung ergänzt).
• Nvidia Isaac GR00T — „GR00T N1“ (März 2025) bezeichnet Nvidia als erstes offenes, anpassbares Foundationmodell für allgemeines Schlussfolgern und Fähigkeiten humanoider Roboter. Es nutzt eine Zwei-System-Architektur: ein schnelles „System 1“ für Aktionen und ein langsameres, überlegtes „System 2“ (ein VLM) für das Schlussfolgern — die moderne Antwort auf die alte SPA-Latenzschwäche. Die Folgeversionen GR00T N1.5 und N1.6 verbesserten die Anpassung an neue Umgebungen und die beidhändige Manipulation; das genaue Datum von N1.6 ist nicht sicher belegt. Seit April 2026 ist zudem N1.7 im Early Access verfügbar, mit einem neuen Cosmos-Reason2-2B/Qwen3-VL-Backbone, vortrainiert auf rund 20.854 Stunden egozentrischem Video — ein weiterer Herstellerwert, noch ohne unabhängigen Benchmark.

Bemerkenswert ist der Zug zu offenen Gewichten: OpenVLA, π0 und GR00T N1 sind ganz oder teilweise quelloffen. Das senkt die Einstiegshürde, verlagert die eigentliche Schwierigkeit aber nur — vom Modell hin zur Frage, ob es auf echter Hardware in der echten Welt zuverlässig funktioniert.

Warum ist die reale Welt so schwer?

Der wichtigste Satz über physische KI lautet: Die reale Welt ist kein Datensatz. Fünf Eigenschaften machen sie grundlegend schwieriger als jede reine Software-Aufgabe.

1. Handlungen haben physische, teils irreversible Folgen. Die Ausgabe eines Chatbots ist reversibel — man löscht den Text und beginnt neu. Eine Roboterhandlung ist es oft nicht: Eine Kollision, ein fallengelassenes Werkstück, eine Verletzung lassen sich nicht rückgängig machen. Das verschiebt die akzeptable Fehlerrate um Größenordnungen.

2. Die Umgebung ist nur teilweise beobachtbar und verrauscht. Sensoren liefern kein sauberes Abbild der Welt, sondern eine unvollständige, verrauschte Messung. Kameras werden geblendet, Lidar streut an Reflexionen, Kraftsensoren driften. Ein Sprachmodell arbeitet mit kuratiertem Text innerhalb seiner Trainingsverteilung; ein Roboter muss dauerhaft mit Unsicherheit über den tatsächlichen Zustand der Welt umgehen.

3. Physik setzt harte Randbedingungen. Kontaktdynamik, Reibung, Trägheit, Schwerpunkt und Schwerkraft bestimmen, was möglich ist — und sie lassen sich nicht exakt simulieren. Genau hier liegt die berüchtigte Sim-to-real-Lücke (auch „reality gap“): der Leistungsabfall, wenn eine in der Simulation trainierte Steuerung auf echte Hardware übertragen wird. Ursachen sind Unterschiede in Bildsynthese, Kontaktphysik, Sensorrauschen und Aktordynamik, die ungenaue Modellierung von Reibung, Masse und Trägheit sowie der Hardwareverschleiß. Eine Übersichtsarbeit von 2025 nennt reale Erfolgsraten, die selbst bei aggressiver Domänen-Randomisierung um etwa 15 bis 30 Prozent einbrechen. Gegenmaßnahmen sind Domänen-Randomisierung, Real-to-sim-Transfer und gemeinsames Sim-real-Training — die Lücke verschwindet dadurch aber nicht, sie wird nur kleiner.

4. Regelkreise unterliegen harten Latenzgrenzen. Wahrnehmung und Planung sind rechenintensiv, die hardwarenahe Regelung muss dagegen in Millisekunden reagieren. Daraus entsteht die Spannung zwischen Deliberation, also überlegtem Planen, und reaktiver Sicherheit — dieselbe Schwäche, die schon die klassische SPA-Architektur hatte. In der realen Welt ist „zu spät“ genauso falsch wie „falsch“.

5. Sicherheit muss zertifiziert werden. Für Software-KI gibt es keine verpflichtende Prüfung im Sinne der Maschinensicherheit. Für physische KI schon: Die Normenreihe ISO 10218 und das Erbe der ISO/TS 15066 setzen formale Anforderungen, die vor der Inbetriebnahme erfüllt und nachgewiesen werden müssen. Das ist kein bürokratisches Beiwerk, sondern die Eintrittskarte in reale Produktionsumgebungen.

Diese fünf Punkte erklären, warum beeindruckende Labor-Demos so oft nicht in robusten Dauerbetrieb übergehen. Nicht das Modell ist das Nadelöhr, sondern die Welt.

Woraus besteht der Physical-AI-Stack?

Der Physical-AI-Stack lässt sich in Schichten gliedern — von der Mechanik bis zur Norm. Im Überblick: Eine ausführliche Aufschlüsselung aller Schichten liefert der Gesamtüberblick über den Physical-AI-Stack.

Körper und Aktorik. Die physische Plattform: Roboterarm, Fahrgestell oder humanoider Körper, dazu Greifer, Motoren und die Sensorik (Kameras, Lidar, Kraft- und Drehmomentsensoren, Encoder). Die Bauform bestimmt, welche Aufgaben überhaupt möglich sind. Wie diese Sensoren einzeln arbeiten und zu einem gemeinsamen Zustand verschmelzen, beschreibt ein eigener Beitrag zum Zusammenspiel von Kamera, Lidar und Tastsinn im Roboter.

Rechen-Hardware am Rand (Edge-Compute). Verkörperte KI kann nicht auf eine langsame Cloud-Antwort warten — die Modelle laufen zunehmend lokal auf dem Roboter. Referenz Mitte 2026 ist Nvidias Jetson Thor, seit dem 25. August 2025 allgemein verfügbar: Blackwell-GPU-Architektur, bis zu 2.070 FP4-TFLOPS, 128 GB Speicher, rund 130 Watt Leistungsaufnahme; laut Nvidia die 7,5-fache KI-Rechenleistung gegenüber dem Vorgänger Jetson AGX Orin. Das Entwickler-Kit kostet ab 3.499 US-Dollar. Als frühe Anwender nennt Nvidia unter anderem Agility Robotics, Amazon Robotics, Boston Dynamics, Caterpillar, Figure, Hexagon, Medtronic und Meta.

Middleware. Der De-facto-Standard zur Verschaltung von Sensoren, Reglern und Modulen ist ROS 2 (Robot Operating System 2). Neue Distributionen erscheinen jährlich am 23. Mai. Mitte 2026 aktiv unterstützt sind unter anderem die 2026er-Distribution „Lyrical Luth“ sowie „Kilted Kaiju“ (Mai 2025), „Jazzy Jalisco“ und das ältere, dem Support-Ende zulaufende „Humble“. Genaue Versions- und EOL-Daten sollten am Veröffentlichungstag anhand von docs.ros.org überprüft werden, da die Versionshinweise laufend aktualisiert werden.

Wahrnehmung, Simulation und Weltmodell. Der Wahrnehmungsstack (Objekterkennung, Lokalisierung, Kartierung), Simulationsumgebungen für das Training sowie die oben beschriebenen Weltmodelle (Cosmos, Genie 3, V-JEPA 2) zur Vorhersage und zur Erzeugung synthetischer Daten.

Handlungsmodell (Policy). Die gelernte Steuerung — heute oft ein VLA-Modell wie RT-2, OpenVLA, π0 oder GR00T N1 —, das Wahrnehmung und Sprachziel in konkrete Aktionen übersetzt.

Sicherheit und Interoperabilität. Zwei Normen sind für den DACH-Raum zentral. ISO 10218 regelt die Sicherheit von Industrierobotern; die 2025er-Neufassung (ISO 10218-1:2025 und die Begleitnorm 10218-2:2025) integriert die Kollaborations-Anforderungen der früheren ISO/TS 15066 — darunter die vier Methoden der Mensch-Roboter-Kollaboration: Leistungs- und Kraftbegrenzung, Geschwindigkeits- und Abstandsüberwachung, Handführung sowie sicherheitsgerichteter Halt — und ergänzt Anforderungen zur Cybersicherheit. VDA 5050 standardisiert die Schnittstelle zwischen Leitsteuerung und fahrerlosen Transportfahrzeugen beziehungsweise AMR (JSON über MQTT), gemeinsam gepflegt von VDA und VDMA; Version 2.1.0 erschien im August 2024 und ist auf größere, gemischte Flotten verschiedener Hersteller ausgelegt, eine weitere Hauptversion (3.0.0, neue Fehlerstufen CRITICAL/URGENT, Navigationszonen) folgte im März 2026. Ohne diese Schicht bleibt ein Roboter ein Laborobjekt.

Nvidia gibt an, „über zwei Millionen Entwickler“ nutzten seinen Robotik- und Isaac-Stack — eine Herstellerangabe, nicht unabhängig geprüft.

Wo steht das Feld Mitte 2026?

Kurz gesagt: viel Kapital, echte technische Fortschritte, aber nur früher, eng begrenzter Realeinsatz. Wer die Schlagzeilen von den Auslieferzahlen trennt, sieht ein Feld im Übergang vom Labor zur Pilotphase — nicht in der Massenreife.

Humanoide Roboter. Der spezifische Markt für humanoide Roboter wird für 2026 auf grob 4 bis 6 Milliarden US-Dollar geschätzt, mit prognostizierten jährlichen Wachstumsraten von 39 bis 45 Prozent. TrendForce erwartet für 2026 weltweite Auslieferungen von über 50.000 Einheiten; Unitree strebt rund 20.000 Stück an (nach etwa 5.500 im Jahr 2025), Figure AI gibt für 2026 über 1.000 Einheiten an, mit dem Ziel von mehr als 10.000 für 2027. Die Preise reichen von rund 16.000 US-Dollar (Unitree G1) bis über 250.000 US-Dollar (Atlas-Klasse von Boston Dynamics), die meisten kommerziellen Modelle liegen zwischen 20.000 und 120.000 US-Dollar. Diese Werte sind Branchenschätzungen, keine testierten Auslieferzahlen.

Auslieferstatus einzelner Systeme (mit Vorsicht, überwiegend aus der Fachpresse):

• Boston Dynamics Atlas (seit 2024 vollelektrisch): Eine Produktionsversion wurde Berichten zufolge auf der CES 2026 gezeigt; erste kommerzielle Auslieferungen sollen 2026 an Hyundai und Google DeepMind gehen, weitere Unternehmenskunden werden für 2027 genannt. Konkrete Stückzahlen und Termine sind nicht bestätigt.
• Tesla Optimus: Laut Teslas Quartalsbericht Q1 2026 (22. April 2026) werden erste Produktionslinien im Werk Fremont installiert; die öffentliche Vorstellung von Optimus V3 wurde unter Verweis auf Wettbewerbsgründe auf Ende Juli oder August 2026 verschoben. Optimus ist bislang nur intern in Tesla-Werken im Einsatz, einen öffentlichen Verkauf gibt es nicht. Konkrete technische Angaben zu V3 kursieren nur in Blogs geringer Verlässlichkeit und sind unbestätigt.

Kapital. Die Investitionsdynamik ist real. Physical Intelligence durchlief binnen rund eineinhalb Jahren eine Seed-Runde (etwa 70 Mio. USD), eine Series A (400 Mio. USD bei 2,4 Mrd. Bewertung) und eine Series B (600 Mio. USD bei 5,6 Mrd., November 2025); Mitte 2026 wird über eine weitere Runde bei einer Bewertung um 11 Mrd. USD berichtet — nicht bestätigt und nicht abgeschlossen. Nvidia und Unitree kündigten für „Ende 2026“ ein Referenzdesign an: den Isaac-GR00T-Referenzhumanoiden mit Unitree-H2-Plus-Körper, Fünf-Finger-Händen von Sharpa und Jetson-Thor-Rechner.

Marktgröße — Vorsicht. Für „den Markt der physischen KI“ gibt es keine belastbare Konsenszahl. Die kursierenden Schätzungen unterscheiden sich um Größenordnungen, je nach Definition und Umfang: von 15,24 Mrd. USD bis 2032 (MarketsandMarkets) über 49,7 Mrd. bis 2033 oder 68,5 Mrd. bis 2034 bis hin zu rund 430 Mrd. Euro bis 2030 (weiteste Abgrenzung, PwC/Strategy&, davon Automobil etwa 171 Mrd. und Industrieautomatisierung/Lagerlogistik etwa 69 Mrd.). Eine Quelle nennt 81,4 Mrd. USD für 2025 und 1.145 Mrd. bis 2035. Diese Zahlen sind nicht miteinander vereinbar und taugen nicht als eine einzige „Marktgröße“ — sie messen Unterschiedliches.

Nüchterne Bilanz. Physische KI ist Mitte 2026 kein gelöstes Problem, sondern ein aktives ingenieurtechnisches Arbeitsfeld. Die Fortschritte bei VLA-Modellen, Weltmodellen und Edge-Compute sind substanziell und nachprüfbar. Zugleich bestehen die fünf Härten der realen Welt fort: Die Sim-to-real-Lücke ist verkleinert, nicht geschlossen; Zertifizierung, Latenz und Sensorunsicherheit bleiben harte Grenzen. Die realistische Erwartung ist nicht „Roboter ersetzen den Menschen“, sondern: enger definierte Aufgaben in strukturierten Umgebungen wie Lager und Fertigung, zunehmend generalistisch, aber unter Aufsicht und innerhalb geprüfter Sicherheitsgrenzen. Wer mehr verspricht, verkauft eine Erzählung — keinen Auslieferstatus.

Dieser Artikel ist der Ausgangspunkt des Themenclusters Grundlagen der physischen KI. Definitionen einzelner Fachbegriffe — von Aktorik über Sim-to-real bis Weltmodell — finden Sie im Glossar.