Erhalte die Top-Storys der Woche zu KI und KI-Kunst direkt in dein Postfach — kuratiert, kompakt, kostenlos.
Kostenlos. Jederzeit abbestellbar.
Frontier-Labs für Physical AI gehen ihnen die nutzbaren Videodaten aus und greifen nun auf Multi-Kamera-Rigs, dichte menschliche Annotation und experimentelle Gehirnwellen-Messungen (EEG) zurück, um die nächste Generation verkörperter KI-Modelle zu trainieren – ein Wandel, der zeigt, wie grundlegend sich die Datenanforderungen von Physical AI von den Bild- und Textmodellen unterscheiden, die die meisten Creators heute verwenden.
Das Kernproblem ist, wie TechCrunch berichtet, die Perspektive. Eine einzelne Kamera erfasst nur einen Blickwinkel auf eine Aufgabe – etwa einen Menschen beim Wäschefalten –, doch ein Roboter, der diese Aufgabe erlernen soll, muss die Handlung gleichzeitig aus mehreren Winkeln verstehen, mit präzisen räumlichen Daten darüber, wo sich jedes Objekt im dreidimensionalen Raum befindet. Standardmäßige Verbrauchervideos, selbst in hoher Auflösung, komprimieren diese Tiefeninformation. Labs setzen nun Multi-Kamera-Capture-Rigs und Tiefensensoren ein, um selbst einfache Haushaltsaufgaben aufzuzeichnen, und bezahlen anschließend menschliche Annotatoren, um jeden Frame mit Objektpositionen, Handposen und Aktionslabels zu versehen.
Dieser Annotationsaufwand ist enorm. Forscher beschreiben die Kosten für die Produktion einer einzigen Stunde nutzbarer Physical-AI-Trainingsdaten als um Größenordnungen höher als bei einer äquivalenten Stunde Text- oder Bilddaten. Zum Vergleich: Die Diffusionsmodelle hinter Tools auf Plattformen wie dem Charmloop-Bildgenerator wurden auf Milliarden von Bild-Text-Paaren trainiert, die aus dem Web gescrapt wurden – ein Angebot, das zwar rechtlich umstritten, aber zumindest reichlich vorhanden war. Physical AI hat kein vergleichbares Datenfüllhorn.
Die spekulativere Entwicklung ist die EEG-Integration. Die Idee: Man befestigt einen Gehirnwellensensor an einem menschlichen Demonstrator und zeichnet dessen neuronale Signale zusammen mit seinen physischen Handlungen auf. Die Hypothese lautet, dass EEG-Daten Absichten kodieren – den Moment, in dem eine Person beschließt, ein Objekt aufzuheben, bevor sich ihre Hand bewegt – und einem Modell so ein reichhaltigeres Signal liefern als Motion-Capture allein. Mehrere Labs führen kleine Pilotprojekte durch, doch kein Frontier-Modell wurde bislang im großen Maßstab auf EEG-Daten trainiert. Die Technik ist noch eher eine Forschungskuriosität als eine Produktionspipeline.
Was sie beobachtenswert macht, ist der Annotationsaspekt. Ein hartnäckiges Problem beim Training von Physical AI ist die Mehrdeutigkeit: Wenn ein Mensch mitten in einer Aufgabe innehält – hat er gezögert, weil das Objekt unhandlich war, weil er seine Meinung geändert hat oder weil er abgelenkt war? Kameraaufnahmen können das nicht beantworten. Gehirnwellendaten könnten es theoretisch. Sollte sich EEG-Annotation als zuverlässig erweisen, könnte sie die benötigte Footage-Menge zum Training eines kompetenten physischen Modells drastisch reduzieren – weil jede Datensekunde mehr Signal trüge.
Für Creators, die heute mit Bild- und Videogenerierung arbeiten, ist der unmittelbare praktische Einfluss indirekt, aber real. Die Annotationspipelines, die für Physical AI aufgebaut werden – dichte, strukturierte, semantisch reiche Labels, die an visuelle Daten geknüpft sind –, sind genau die Art strukturierter Daten, die generative Videomodelle besser darin machen, Kausalität und Physik zu verstehen. Modelle, die auf reich annotierten Aufnahmen der physischen Welt trainiert wurden, erzeugen tendenziell kohärentere Bewegungen, plausiblere Objektinteraktionen und weniger der schwebenden Gliedmaßen-Artefakte, die KI-Video noch immer plagen.
Die Techniken, die heute in Physical-AI-Labs verfeinert werden, haben eine nachgewiesene Tendenz, innerhalb weniger Jahre in das Training generativer Modelle zu migrieren. Creators, die Anleitungen zum Prompting für realistische Bewegung und räumliche Kohärenz verfolgen, werden von dieser vorgelagerten Arbeit wahrscheinlich profitieren, ohne jemals direkt einen Roboter-Datensatz anzufassen.
Der Daten-Engpass ist auch eine Erinnerung daran, dass die leichten Gewinne bei KI-Fähigkeiten – Skalierung von Rechenkapazität gegen reichlich vorhandene Web-Daten – nicht unendlich sind. Physical AI stößt als Erstes an diese Wand, doch generative Bild- und Videomodelle sind nicht weit dahinter. Die Labs, die jetzt in neuartige Datenerhebung investieren, positionieren sich für den nächsten Fähigkeitssprung – wo auch immer er stattfindet.
