Latest / KI Espresso / KI am Roboterarm: Was zwischen Plan und Griff schiefgeht

Transcript

KI am Roboterarm: Was zwischen Plan und Griff schiefgeht · KI Espresso

• 0:00
  SPEAKER_00: Artificial Analysis hat einen neuen Test veröffentlicht.
• 0:03
  SPEAKER_00: Allgemeine Sprachmodelle steuern einen echten Roboterarm und erledigen Aufgaben auf einem Tisch.
• 0:09
  SPEAKER_00: Ein Modell baut laut Bericht einen Turm, der die Aufgabe bestehen würde.
• 0:13
  SPEAKER_00: Dann arbeitet es weiter und scheitert doch.
• 0:17
  SPEAKER_00: Wer KI bisher nur am Bildschirm nutzt, kann hier prüfen, wie weit ihre Fähigkeiten in der Werkstatt tragen.
• 0:24
  SPEAKER_01: Was fehlt zwischen einem brauchbaren Plan und einer Hand, der ich Arbeit überlassen kann?
• 0:30
  SPEAKER_01: Und welche Aufgaben kommen eher infrage als der Roboter, der zu Hause alles erledigt?
• 0:35
  SPEAKER_00: Das ist heute unsere Frage bei KI Espresso.
• 0:38
  SPEAKER_00: Ich bin Marc.
• 0:39
  SPEAKER_01: Und ich bin Irene.
• 0:40
  SPEAKER_01: Mich interessiert vor allem dieser Moment.
• 0:43
  SPEAKER_01: Die Arbeit ist schon geschafft und trotzdem geht es weiter.
• 0:46
  SPEAKER_00: Genau den beschreibt Artificial Analysis beim Modell Soul.
• 0:50
  SPEAKER_00: Nach ungefähr 17 Minuten steht ein Turm, der die Kriterien erfüllt.
• 0:54
  SPEAKER_00: Das Modell verfeinert weiter, am Ende gilt die Aufgabe als gescheitert.
• 0:59
  SPEAKER_00: Welche Bewegung den Erfolg zunichte macht, geht aus dem Bericht nicht hervor.
• 1:03
  SPEAKER_01: Dann müssen wir auseinanderhalten, ob die Hand etwas kann und ob das System erkennt, wann es fertig ist.
• 1:09
  SPEAKER_00: Der Test heißt AA Robotics, in einer ersten Vorab-Version.
• 1:14
  SPEAKER_00: Die Tester geben den Modellen einen Arm mit Greifer, vier Kameraperspektiven und eine Schnittstelle für Bewegungsbefehle.
• 1:21
  SPEAKER_00: Die Modelle können dafür Code schreiben und ausführen.
• 1:24
  SPEAKER_00: Sie bekommen kurze Anweisungen, aber keine vorherigen Übungsversuche für diese Aufgaben.
• 1:30
  SPEAKER_01: Also Modelle, die auch Texte und Programme bearbeiten, plötzlich mit Zugriff auf einen Arm, keine eigens für diesen Versuch trainierte Robotersteuerung.
• 1:39
  SPEAKER_00: Genau.
• 1:40
  SPEAKER_00: Die allgemeinen Modelle laufen in ihren jeweiligen Programmierassistenten.
• 1:43
  SPEAKER_00: Das ist wichtig.
• 1:44
  SPEAKER_00: Geprüft wird das Zusammenspiel aus Modell-, Softwareumgebung und Arm.
• 1:49
  SPEAKER_00: Daraus können wir keine Rangliste sämtlicher Roboter ableiten.
• 1:52
  SPEAKER_01: Was sollen Sie konkret erledigen?
• 1:54
  SPEAKER_00: Acht Aufgaben.
• 1:55
  SPEAKER_00: Zum Beispiel einen roten Knopf drücken, ein Spielzeugkrokodil vollständig in ein Rechteck setzen, Flüssigkeit in einen Becher gießen oder Bausteine in eine Box räumen und den Deckel schließen.
• 2:06
  SPEAKER_00: Es gibt jeweils ein prüfbares Ziel.
• 2:08
  SPEAKER_00: Bewertet wird der Zustand, den das Modell am Schluss zur Kontrolle abgibt.
• 2:12
  SPEAKER_01: Beim Turm zählt also nicht der beste Zwischenstand.
• 2:15
  SPEAKER_00: Richtig.
• 2:15
  SPEAKER_00: Für eine bestandene Aufgabe gibt es 100 Punkte.
• 2:18
  SPEAKER_00: Für Teilerfolge entsprechend weniger.
• 2:21
  SPEAKER_00: Die Gesamtwerte sind Durchschnittspunkte.
• 2:23
  SPEAKER_00: Wenn du dort 69 liest, heißt das nicht, dass 69% aller Aufgaben gelungen sind.
• 2:28
  SPEAKER_01: Und geschafft haben die Modelle durchaus etwas?
• 2:31
  SPEAKER_00: Alle fünf bestehen am Ende die Aufgabe mit dem Knopf und die mit dem Krokodil.
• 2:36
  SPEAKER_00: Allgemeine Modelle können über diese Schnittstelle reale Aufgaben lösen.
• 2:39
  SPEAKER_00: Jetzt müssen wir schauen, wie sie dahin kommen.
• 2:41
  SPEAKER_01: Ein Modell kann den Gegenstand auf dem Bild erkennen.
• 2:44
  SPEAKER_01: Warum ist Greifen dann noch so schwierig?
• 2:47
  SPEAKER_00: Zwischen Erkennen und Transportieren liegen mehrere Prüfungen.
• 2:51
  SPEAKER_00: Der Greifer muss am Gegenstand ankommen, ihn fassen und beim Anheben halten.
• 2:55
  SPEAKER_00: Der nächste Kamerablick muss zum tatsächlich erreichten Zustand passen.
• 2:59
  SPEAKER_00: Ein ausgeführter Bewegungsbefehl allein bestätigt noch keinen gelungenen Griff.
• 3:04
  SPEAKER_01: Kann man das in den Ergebnissen auseinanderhalten?
• 3:06
  SPEAKER_00: Artificial Analysis zählt die einzelnen Greifversuche in sechs Aufgaben.
• 3:10
  SPEAKER_00: Als Erfolg gilt, dass der richtige Gegenstand beim Heben oder Tragen gehalten wird.
• 3:15
  SPEAKER_00: Bei Astra gelingen 45% von 95 Versuchen.
• 3:19
  SPEAKER_00: Bei Seoul sind es 28% von 111 Versuchen.
• 3:22
  SPEAKER_01: Also selbst beim Besseren dieser beiden Werte weniger als die Hälfte.
• 3:26
  SPEAKER_01: Aber das sind einzelne Griffe, keine Quote vollständig erledigter Aufträge.
• 3:30
  SPEAKER_00: Ja, ein Auftrag kann mehrere Griffe und Fehlversuche enthalten.
• 3:35
  SPEAKER_00: Als Fehler zählen auch ein Abrutschen oder das falsche Objekt.
• 3:39
  SPEAKER_00: Der Abstand zwischen einem geplanten Griff und einem gehaltenen Gegenstand ist in diesem Aufbau ziemlich groß.
• 3:45
  SPEAKER_01: Und nach so einem Fehlversuch muss der nächste Schritt von der neuen Lage ausgehen.
• 3:49
  SPEAKER_00: Wenn beispielsweise ein Baustein beim Anheben verrutscht, muss das in den nächsten Plan eingehen.
• 3:55
  SPEAKER_00: Sonst plant das System weiter als Läge der Stein sicher im Greifer.
• 3:59
  SPEAKER_01: Dann reicht auch eine längere, schön ausformulierte Planung nicht.
• 4:02
  SPEAKER_01: Es braucht eine verlässliche Rückmeldung darüber, was die Bewegung tatsächlich bewirkt hat.
• 4:07
  SPEAKER_00: Beim Krokodil berichtet Artificial Analysis von einem Versuch, in dem das Spielzeug schon vollständig im Zielrechteck liegt.
• 4:14
  SPEAKER_00: Trotzdem folgen weitere 22 Minuten mit Anpassungen.
• 4:18
  SPEAKER_00: Dabei wird es dreimal wieder über die hintere Grenze geschoben.
• 4:22
  SPEAKER_01: Obwohl das Ziel nur war, innerhalb des Rechtecks zu landen?
• 4:25
  SPEAKER_01: Das klingt nach dem Turm vom Anfang.
• 4:27
  SPEAKER_00: Der Unterschied ist der Schluss.
• 4:29
  SPEAKER_00: Beim Krokodil bestehen alle fünf Modelle die Aufgabe schließlich.
• 4:33
  SPEAKER_00: Die beschriebene Zwischenphase zeigt also einen Umweg, keinen endgültigen Fehlschlag.
• 4:37
  SPEAKER_00: Beim Turm geht der zuvor erreichte Erfolg verloren.
• 4:40
  SPEAKER_01: Ein Endergebnis von 100 Punkten verrät mir dann noch nicht, ob die Arbeit zügig und ohne Rückschritte erledigt wurde.
• 4:46
  SPEAKER_00: Für einen Betrieb würde ich deshalb zusätzlich wissen wollen, wie viele unnötige Bewegungen vorkommen und wie das System den Abschluss bestätigt.
• 4:53
  SPEAKER_01: Wobei Weiterarbeiten ja auch sinnvoll sein kann.
• 4:56
  SPEAKER_01: Wenn der Turm wackelt, wäre sofortiges Aufhören womöglich falsch.
• 4:59
  SPEAKER_00: Stimmt.
• 5:00
  SPEAKER_00: Wir kennen hier nicht die Ursache jeder Korrektur.
• 5:04
  SPEAKER_00: Ein brauchbares System muss den erreichten Zustand beurteilen können.
• 5:09
  SPEAKER_00: Sonst kann es einen Fehler übersehen oder etwas bereits Erledigtes wieder verschlechtern.
• 5:15
  SPEAKER_00: Nur einen Stoppknopf anzubieten, löst diese Entscheidung noch nicht.
• 5:19
  SPEAKER_01: Vielleicht sind diese Umwege anfangs akzeptabel, solange irgendwann das richtige Ergebnis herauskommt.
• 5:25
  SPEAKER_00: Für einen Forschungsversuch schon.
• 5:27
  SPEAKER_00: Wenn der Arm Arbeit übernehmen soll, wird die Dauer relevant.
• 5:30
  SPEAKER_00: Vier der fünf Modelle brauchen im Mittel ungefähr eine halbe Stunde pro Aufgabe.
• 5:34
  SPEAKER_00: Beim fünften sind es 52 Minuten.
• 5:37
  SPEAKER_00: Der menschliche Vergleichswert liegt laut Artificial Analysis bei 20 Sekunden.
• 5:42
  SPEAKER_01: Hat der Mensch denselben Arm bedient?
• 5:44
  SPEAKER_00: Nein, er hat die Aufgaben mit den eigenen Händen erledigt.
• 5:47
  SPEAKER_00: Das vergleicht also zwei Arbeitsweisen.
• 5:49
  SPEAKER_00: Es misst nicht isoliert, wie schnell ein Mensch und ein Modell über denselben Bewegungsbefehl nachdenken.
• 5:55
  SPEAKER_01: Wo bleibt beim Modell so viel Zeit?
• 5:57
  SPEAKER_00: Artificial Analysis beschreibt lange Planungsphasen und dazwischen kürzere Armbewegungen.
• 6:02
  SPEAKER_00: Damit wissen wir noch nicht, welcher Anteil sich durch ein anderes Modell, eine andere Steuerung oder eine schnellere Verbindung einsparlich sei.
• 6:08
  SPEAKER_01: Dann wäre das leistungsstärkere Modell zumindest ein Ansatz.
• 6:12
  SPEAKER_01: Was kostet dieser Unterschied?
• 6:14
  SPEAKER_00: Im Bericht kostet Soul durchschnittlich 1,93 Dollar pro Aufgabe.
• 6:18
  SPEAKER_00: Astra 16,36 Dollar.
• 6:21
  SPEAKER_00: Das ist mehr als das Achtfache an Modellkosten.
• 6:24
  SPEAKER_00: Der Gesamtwert steigt dabei, gerundet von 65 auf 69 Punkte.
• 6:29
  SPEAKER_01: Der teurere Weg verbessert den Punktwert, aber ich kaufe damit keinen zuverlässig abgeschlossenen Arbeitsgang.
• 6:35
  SPEAKER_00: Und bezahlt wäre nur die Modellnutzung.
• 6:37
  SPEAKER_00: Arm, Einrichtung, Wartung und menschliche Betreuung fehlen in diese Rechnung.
• 6:42
  SPEAKER_00: Für die Entscheidung im Betrieb brauche ich die Kosten eines tatsächlich brauchbaren Ergebnisses, einschließlich der Eingriffe, die dafür nötig waren.
• 6:49
  SPEAKER_01: Wenn ich dauernd danebenstehen muss, um den nächsten Fehlgriff zu korrigieren, wäre mit dem besseren Punktwert wenig gewonnen.
• 6:55
  SPEAKER_01: Wie fair ist es überhaupt, allgemeine Sprachmodelle so auf einen Arm loszulassen?
• 7:00
  SPEAKER_01: Gibt es keine Steuerung, die näher an der Bewegung arbeitet?
• 7:04
  SPEAKER_00: Doch.
• 7:04
  SPEAKER_00: Google beschreibt bei Gemini Robotics zwei dafür getrennte Aufgaben.
• 7:08
  SPEAKER_00: Ein Modell plant den Ablauf und verfolgt den Fortschritt.
• 7:11
  SPEAKER_00: Ein sogenanntes Vision Language Action Modell übersetzt Bilder und sprachliche Anweisungen in Motorsteuerung.
• 7:18
  SPEAKER_00: Sprache, Wahrnehmung und Bewegung werden dabei gemeinsam verarbeitet.
• 7:22
  SPEAKER_01: Der Planer würde also etwa verfolgen, welcher Arbeitsschritt dran ist, während das andere Modell die Bewegung übernimmt?
• 7:28
  SPEAKER_00: So beschreibt Google die Zusammenarbeit.
• 7:30
  SPEAKER_00: In der zweiten Generation soll der Planer mit dem Bewegungsmodell koordinieren und den Abschluss verfolgen.
• 7:35
  SPEAKER_00: Für Anwendungen ohne verlässliche Internetverbindung bietet Google auch eine Variante an, die direkt auf dem Roboter läuft.
• 7:40
  SPEAKER_01: Das greift genau die Stellen auf, über die wir gerade gesprochen haben.
• 7:44
  SPEAKER_01: Können wir sagen, dass diese Modelle den Tischtest besser lösen?
• 7:47
  SPEAKER_00: Nein.
• 7:48
  SPEAKER_00: Diese spezialisierten Modelle wurden dort nicht geprüft.
• 7:52
  SPEAKER_00: Wir haben hier Googles Beschreibung einer Architektur, keinen Vergleich unter denselben Bedingungen.
• 7:58
  SPEAKER_00: Lokal zu rechnen, beseitigt außerdem nicht automatisch einen schlechten Griff oder eine falsche Abschlussentscheidung.
• 8:04
  SPEAKER_01: Mich würde jetzt ein Einsatz interessieren, bei dem ein Roboter schon tatsächlich Arbeit übernimmt.
• 8:09
  SPEAKER_01: Den können wir dann an denselben Fragen messen.
• 8:12
  SPEAKER_01: Welche Aufgabe, welcher Aufwand, welche Eingriffe.
• 8:15
  SPEAKER_00: Ein Beispiel dafür liefert BMW aus seinem Werk in Spartenburg.
• 8:19
  SPEAKER_00: Nach Angaben des Unternehmens unterstützte der humanoide Roboter Figure 02 im Jahr 2025 die Produktion von mehr als 30.000 BMW X3.
• 8:28
  SPEAKER_00: Seine Aufgabe war, Blechteile für den Schweißprozess einzulegen.
• 8:32
  SPEAKER_01: Die Autozahl klingt riesig.
• 8:34
  SPEAKER_01: Gemeint ist ein Arbeitsgang in deren Produktion.
• 8:37
  SPEAKER_01: Nicht 30.000 vom Roboter gebaute Autos.
• 8:40
  SPEAKER_00: Ja, er legt die Blechteile ein.
• 8:42
  SPEAKER_00: Ein anderer Roboter, eine festgelegte Arbeit.
• 8:45
  SPEAKER_00: Das ist für mich der plausiblere Weg zum nützlichen Einsatz.
• 8:47
  SPEAKER_00: Eine wiederkehrende Aufgabe in einem bekannten Produktionsprozess.
• 8:51
  SPEAKER_01: Aber wie oft jemand eingreifen musste oder wie teuer der Betrieb war, sagt uns die Zahl noch nicht.
• 8:56
  SPEAKER_00: Dazu fehlt uns eine unabhängig geprüfte Bilanz.
• 8:59
  SPEAKER_00: BMW berichtet als Kunde über den Einsatz.
• 9:01
  SPEAKER_00: Den Arbeitsschritt kennen wir, seine Wirtschaftlichkeit können wir damit noch nicht beurteilen.
• 9:05
  SPEAKER_01: Trotzdem wäre ich vorsichtig mit deiner Folgerung.
• 9:08
  SPEAKER_01: Erst die Fabrik, später das Zuhause.
• 9:10
  SPEAKER_01: In einer Fabrik können Fehler ebenfalls teuer sein.
• 9:13
  SPEAKER_01: Eine wiederholte Bewegung ist noch keine Erlaubnis, sie unbeaufsichtigt abzugeben.
• 9:18
  SPEAKER_00: Das stimmt.
• 9:19
  SPEAKER_00: Mein Argument gilt einem einzelnen Arbeitsgang.
• 9:22
  SPEAKER_00: Wenn ich Ziel und Bedingungen festlegen kann, lässt sich prüfen, ob der Roboter diese Arbeit ausreichend zuverlässig erledigt.
• 9:29
  SPEAKER_00: Beim Allzwerk-Helfer zu Hause müsste diese Prüfung für sehr unterschiedliche Situationen tragen.
• 9:34
  SPEAKER_01: Dann entscheidet für mich, was passiert, wenn die Bedingungen doch abweichen.
• 9:38
  SPEAKER_01: Erkennt der Roboter das?
• 9:40
  SPEAKER_01: Hält er an?
• 9:41
  SPEAKER_01: Und wer muss übernehmen?
• 9:43
  SPEAKER_00: Ja, genau diese Fragen würde ich vor einem Einsatz zusammen mit dem Betreiber klären.
• 9:47
  SPEAKER_00: Die bloße Zahl bearbeiteter Teile ersetzt das nicht.
• 9:50
  SPEAKER_01: Was würdest du jemandem raten, der heute schon KI für Texte oder Code nutzt und jetzt über körperliche Arbeit nachdenkt?
• 9:56
  SPEAKER_00: Einen einzelnen Arbeitsgang auswählen und seinen Abschluss konkret beschreiben.
• 10:01
  SPEAKER_00: Etwa das richtige Teil liegt vollständig am vorgesehenen Platz.
• 10:05
  SPEAKER_00: Dann über wiederholte Durchläufe messen, wie oft das gelingt, wie lange es dauert und wann ein Mensch eingreifen muss.
• 10:11
  SPEAKER_00: Erst damit könnte ich entscheiden, ob er mich bei dieser Arbeit entlastet.
• 10:14
  SPEAKER_01: In die nächste Vorführung würde ich bis nach dem gelungenen Moment ansehen.
• 10:18
  SPEAKER_01: Beim Turm war der Erfolg ja schon da.
• 10:20
  SPEAKER_00: Genau.
• 10:20
  SPEAKER_00: Allgemeine Modelle können heute einen Arm zu brauchbaren Ergebnissen führen.
• 10:24
  SPEAKER_00: Der neue Test zeigt aber auch Fehlgriffe, lange Wege und Probleme beim Abschluss.
• 10:29
  SPEAKER_00: Für eine begrenzte, wiederkehrende Aufgabe lassen sich diese Schwächen gezielter prüfen als für einen Helfer, der zu Hause alles übernehmen soll.
• 10:35
  SPEAKER_00: Wann der kommt, beantworten die Berichte nicht.
• 10:38
  SPEAKER_01: Welche konkrete Arbeit würdet ihr einem Roboter zuerst überlassen?
• 10:41
  SPEAKER_01: Und woran würdet ihr erkennen, dass er sie zuverlässig schafft?
• 10:44
  SPEAKER_01: Schreibt es uns in die Kommentare.
• 10:46
  SPEAKER_01: Das war KI Espresso mit Marc und Irene.