Sechs Stufen für Roboter: Arm will Physical AI endlich…

Die Robotik hat ein Vergleichsproblem. Zwei Maschinen können beide als „KI-gestützt“ oder „autonom“ beworben werden. Die eine wiederholt jedoch nur eine sorgfältig programmierte Bewegung, während die andere eine veränderte Umgebung wahrnimmt, Hindernisse umplant und sich von Fehlern erholt. Arm will diesen Marketingnebel nun mit einer gemeinsamen Sprache aus sechs Fähigkeitsstufen für Physical AI lichten.

Warum sich Roboter so schwer vergleichen lassen

Die klassische Industrierobotik entstand für eng definierte Aufgaben. Ein herkömmlicher Roboterarm kann mit beeindruckender Geschwindigkeit und Wiederholgenauigkeit schweißen, lackieren oder Bauteile platzieren, solange Vorrichtungen, Licht und Positionen stabil bleiben. Schwierig wird es, sobald sich die Umgebung verändert: Eine Kiste steht schräg, ein Mensch betritt die Zelle, eine Produktvariante verlangt einen anderen Griff oder ein Teil rutscht unerwartet weg.

Anbieter beantworten solche Situationen gern mit Begriffen wie intelligent, adaptiv oder autonom. Diese Etiketten klingen stark, sagen Käufern aber nicht, wo die Berechnung stattfindet, wie schnell das System reagiert, ob eine Entscheidung nachvollziehbar ist oder was bei einem unbekannten Fall geschieht. Ohne gemeinsames Vokabular bleibt die Beschaffung schwierig, und der Abstand zwischen eindrucksvoller Demo und produktionsreifer Maschine wird leicht übersehen.

Was Arm vorgeschlagen hat

Am 8. September kündigte Arm eine Erweiterung seiner Total-Design-Initiative für Physical AI an und stellte einen vorgeschlagenen Robotics Capability Framework vor. In dem von Arm genannten Ökosystem arbeiten mehr als 80 Unternehmen, darunter AWS, Hugging Face, NXP, QNX, Siemens, Unitree sowie mehrere Spezialisten für KI und Mobilität. Ziel ist kein einzelner Roboter, sondern eine gemeinsame Grundlage für Chips, Betriebssysteme, KI-Modelle, Simulation und vollständige Robotersysteme.

Das Rahmenwerk beschreibt sechs Stufen steigender Leistungsfähigkeit. Arm präsentiert es ausdrücklich als Ausgangspunkt für die Branchendiskussion, nicht als bereits verabschiedeten internationalen Standard. Dieser Unterschied ist entscheidend. Der eigentliche Wert liegt weniger in einer Zahl als in dem Versuch, verständlich zu machen, was eine Maschine unter welchen Bedingungen kann und welche Systemanforderungen dafür gelten.

Ein System auf niedriger Stufe kann in einer festen, vorhersehbaren Zelle außerordentlich leistungsfähig sein, besitzt aber kaum Möglichkeiten, Neuartiges einzuordnen. Höhere Stufen würden reichhaltigere Wahrnehmung, Planung, Anpassung und selbstständige Ausführung in weniger strukturierten Umgebungen ergänzen. Am oberen Ende müsste ein Roboter Echtzeit-Sensorik, Schlussfolgerungen und sichere physische Aktionen unter Unsicherheit verbinden. Das Modell beschreibt damit ein Kontinuum statt der zu groben Trennung zwischen „automatisiert“ und „autonom“.

Die Technik hinter den sechs Stufen

Roboterintelligenz lässt sich nicht allein an der Größe eines KI-Modells messen. Physical AI wird durch Latenz, Energiebedarf, Wärme, Speicherbandbreite, Sensorqualität und mechanische Reaktion begrenzt. Ein Cloud-Modell kann beeindruckend schlussfolgern, doch ein fahrender Roboter kann vor einer Kollisionsvermeidung nicht immer auf den Netzwerkweg warten. Manche Entscheidungen müssen direkt auf der Maschine fallen, nahe an Kameras, Kraftsensoren und Motoren. Andere Rechenlasten lassen sich auf Edge-Server oder die Cloud verteilen.

Arms Ansatz hebt deshalb Rechenort, Speicher- und Energiehaushalt, Determinismus und Sicherheit hervor. Determinismus ist in Fabriken besonders wichtig: Betreiber müssen nicht nur wissen, dass ein Roboter meistens richtig handelt, sondern dass kritische Reaktionen innerhalb einer garantierten Zeit erfolgen. Eine Sprache, die sichtbares Verhalten mit diesen Systemeigenschaften verknüpft, könnte den Unterschied zwischen klugem Prototyp und belastbarer Installation offenlegen.

Zugleich werden Zielkonflikte sichtbar. Mehr Autonomie kann mehr Sensorik und Rechenleistung verlangen und damit Kosten sowie Stromverbrauch erhöhen. Ein kleineres Modell auf dem Gerät reagiert schnell, versteht aber eventuell weniger Situationen. Ein größeres entferntes Modell kann breiter schlussfolgern, schafft jedoch Abhängigkeiten von Konnektivität und Cybersicherheit. Es gibt daher nicht die eine ideale Stufe; richtig ist jene, die Aufgabe und akzeptiertes Risiko abdeckt.

Was Käufer und Integratoren gewinnen könnten

Für Hersteller könnte das Rahmenwerk zu einer strukturierten Checkliste werden. Welche Variabilität toleriert der Roboter? Kann er sich nach einem Fehlgriff erholen? Braucht er bei einem unbekannten Fall menschliche Freigabe? Welche Funktionen bleiben ohne Verbindung verfügbar? Wie wird die Leistung nach einem Softwareupdate gemessen? Solche Fragen sind wertvoller als ein einzelnes Autonomieabzeichen.

Systemintegratoren könnten mit demselben Vokabular die Schnittstellen zwischen Komponenten spezifizieren. Anbieter von Wahrnehmung, Modellentwickler und Roboterhersteller hätten eine klarere Basis, um Zuständigkeiten für Latenz, Sicherheit und Validierung festzulegen. Auch Versicherer und Regulierer würden profitieren, wenn Leistungsversprechen an messbare Nachweise statt an Werbesprache gebunden wären.

Für Europas Industrie ist der Zeitpunkt relevant. Unternehmen investieren in flexible Automatisierung und müssen zugleich strengere Erwartungen an Maschinensicherheit, Cybersicherheit und KI-Governance erfüllen. Die Beteiligung von Siemens verbindet den Vorschlag mit der industriellen Automatisierung. Sie bedeutet allerdings nicht, dass jedes Mitglied des Ökosystems jedes Detail gebilligt hat. Bedeutung gewinnt das Rahmenwerk erst, wenn auch Nutzer außerhalb des kommerziellen Arm-Umfelds an seiner Ausgestaltung beteiligt sind.

Die Grenzen einer herstellergetriebenen Taxonomie

Arm ist keine neutrale Normungsorganisation. Das Unternehmen liefert Prozessorarchitekturen und hat ein klares Interesse daran, sein Rechenökosystem im Zentrum der Physical AI zu positionieren. Das entwertet den Vorschlag nicht, verlangt aber eine Prüfung, welche Arbeitslasten und Architekturen bevorzugt werden. Ein glaubwürdiger Standard muss mit konkurrierenden Chips, Robotertypen und Softwarestapeln funktionieren.

Sechs Stufen können zudem eine falsche Einfachheit erzeugen. Ein Roboter kann hervorragend navigieren, aber schlecht greifen, oder in einem Lager sicher arbeiten und im Freien unzuverlässig sein. Werden diese Unterschiede auf eine Zahl reduziert, entsteht womöglich ein neuer Marketingwettlauf. Sinnvoller wäre, jede Stufe durch ein Fähigkeitsprofil zu ergänzen: Wahrnehmung, Mobilität, Manipulation, menschliche Interaktion, Fehlerbehebung und Einsatzgrenzen.

Die größte Hürde ist das Testen. Benchmarks müssen echte Variabilität statt einstudierter Demonstrationen abbilden. Erfolgsquote, Häufigkeit menschlicher Eingriffe, Erholungszeit, Energieverbrauch und Verhalten bei gestörter Sensorik gehören dazu. Sicherheit lässt sich nicht aus allgemeiner Intelligenz ableiten. Sie braucht eigene Nachweise, Risikoanalysen und die Einhaltung bewährter Maschinennormen.

Vom Etikett zum technischen Vertrag

Die Automobilbranche zeigt Nutzen und Gefahr von Autonomiestufen. Gemeinsame Begriffe strukturierten eine komplexe Debatte, wurden von Nutzern aber teilweise weiter ausgelegt als von Ingenieuren gemeint. Die Robotik sollte daraus lernen. Jede Stufe braucht eine verständliche Beschreibung ihres zulässigen Einsatzbereichs: Umgebungen, Objekte, Geschwindigkeiten und menschliche Interaktionen, für die eine Aussage tatsächlich gilt.

Softwareupdates erschweren die Einordnung zusätzlich. Die Fähigkeit eines Roboters bleibt nach Auslieferung nicht unverändert. Modelle, Karten und Richtlinien entwickeln sich weiter. Ein brauchbares Rahmenwerk muss deshalb Versionierung und erneute Validierung vorsehen. Erweitert ein Update den Handlungsspielraum, kann es auch neue Fehlerbilder schaffen. Die Klassifizierung sollte als lebender technischer Nachweis gelten, nicht als dauerhafter Aufkleber.

Der Alpha-Bionic-Blick

Arms Vorschlag ist wertvoll, weil der Robotikmarkt eine Sprache benötigt, die bei beobachtbarer Leistung beginnt und bei den zugrunde liegenden Rechen- und Sicherheitsanforderungen endet. Die größte Chance besteht nicht darin, den „autonomsten“ Roboter zu küren. Es geht darum, Behauptungen so vergleichbar zu machen, dass Fabrik, Krankenhaus oder Logistikzentrum genau die richtige Menge Autonomie für eine reale Aufgabe kaufen können.

Für Käufer lohnt es sich deshalb, die Stufe stets zusammen mit Aufgabe, Einsatzgrenze und Prüfnachweis zu verlangen.

Entscheidend wird die Offenheit. Entwickeln sich die sechs Stufen durch messbare, herstellerübergreifende Benchmarks und detaillierte Fähigkeitsprofile weiter, können sie Hype reduzieren und Einführungen beschleunigen. Bleiben sie eine breite Ökosystembotschaft, schmücken die Begriffe lediglich bestehende Produkte. Der Robotics Capability Framework ist deshalb vorerst als ernsthafte Einladung zur Standardisierung zu lesen – nicht als fertiger Standard.