ByteDance steigt in die Physical AI ein – beginnt das zweite „Fest“?

Kürzlich enthüllten Medien, dass ByteDance die Erkundung des Einstiegs in das Bereich autonomes Fahren unternimmt und sich auf Szenarien für unbemannte Logistik konzentriert. Die entsprechenden Forschungsarbeiten gehören zur Automobilbranchenlinie von Volcano Engine. Auf die Marktgerüchte hin antwortete ByteDance offiziell klar: ByteDance betreibt zahlreiche frühe Forschungen und Erkundungen in den Spitzenbereichen der KI-Großmodellerkundung, einschließlich des Bereichs der physischen KI, hat jedoch keine Pläne, das Geschäft für intelligentes Fahren aufzubauen.

Der Kernpunkt dieser öffentlichen Debatte liegt nicht darin, ob ByteDance das Geschäft für autonomes Fahren umsetzt, sondern darin, dass Technologieunternehmen sich einig sind: Der Wettbewerb um Großmodelle hat seinen Höhepunkt erreicht, und das Wachstumspotenzial der KI liegt in der physischen Welt.

In den letzten zehn Jahren hat die KI von Empfehlungsalgorithmen über Computer Vision und Sprachinteraktion bis hin zu großen Sprachmodellen die Effizienz der Informationsproduktion neu gestaltet, hat aber nie die Grundlogik der realen Wirtschaft erschüttert. Da die reinen Online-Verkehrsvorteile allmählich erschöpft sind und der Grenznutzen der Modellstapelung ständig abnimmt, sucht die gesamte Branche nach einer zweiten Wachstumskurve.

Die physische KI hingegen integriert Intelligenz aus der digitalen Welt in reale Szenarien, lässt die KI aus Servern und Bildschirmen heraustreten und entwickelt sich von der „Informationsverarbeitung“ zur „Umgestaltung der Welt“. Damit eröffnet sie eine zweite Welle der KI-Entwicklung, die tiefgreifender und langfristig wertvoller ist als die generative KI.

Eine Paradigmenrevolution vom symbolischen Gehirn zum verkörperten Entität

Viele Menschen glauben, dass physische KI einfach „intelligentere Roboter“ ist – das ist die oberflächlichste Missverständnis. Physische KI ist keine einzelne Produktkategorie, sondern ein völlig neues Intelligenzparadigma. Ihre Grundlogik unterscheidet sich von allen KI-Systemen, die wir bisher kennengelernt haben.

Die Grundlage der traditionellen künstlichen Intelligenz liegt in Symbolen und Statistik. Große Sprachmodelle erlernen die statistischen Regeln der Sprache durch Training mit Billionen von Textkorpora und erzeugen fließende Texte, indem sie das nächste Token vorhersagen. Herkömmliche Bilderkennung passt Merkmale anhand von annotierten Daten an, um Pixelinhalte zu klassifizieren und zu bewerten. Diese Art von Intelligenz bleibt immer auf der Ebene von „Zusammenhängen“ – sie weiß, dass Wort A und Wort B häufig gemeinsam auftreten, und dass eine Pixelkombination einem bestimmten Objekt entspricht, versteht aber nie die zugrunde liegende kausale Logik.

Das ist der Grund, warum Großmodelle „Halluzinationen“ erzeugen. Sie wissen nicht, dass ein Glas auf einem Betonboden zerbricht, oder dass Wasser bei Normaldruck bei 100 °C kocht. Diese grundlegenden Regeln der physischen Welt befinden sich weder in ihren Trainingskorpora noch in ihrem Erkenntnisrahmen. Sie können physikalische Gesetze wiedergeben, aber nicht in realen Szenarien anwenden.

Der Kerndurchbruch der physischen KI besteht darin, Intelligenz auf der Grundlage kausaler Erkenntnisse über die physische Welt aufzubauen. Ihr Trainingsziel ist nicht mehr die Vorhersage des nächsten Wortes, sondern die Vorhersage des nächsten physischen Zustands nach der Ausführung einer Aktion. Unterstützt wird diese Fähigkeit durch ein Grundsystem, das als Weltmodell bezeichnet wird – ein lernfähiges, ableitbares und interaktives virtuelles physikalisches Simulator. In diesem Simulator versteht die KI alle physikalischen Regeln wie Schwerkraft, Reibung, Trägheit und Kollisionen, entwickelt eine menschenähnliche intuitive Fähigkeit für Physik und trifft dann Entscheidungen in der realen Umgebung, die den realen Regeln entsprechen. Dieser Übergang von „statistischen Zusammenhängen“ zu „physikalischen Kausalitäten“ ist der grundlegendste Paradigmenwechsel seit der Erfindung der künstlichen Intelligenz.

Eine weitere Revolution der physischen KI zeigt sich in der Systemarchitektur. Herkömmliche Automatisierungssysteme und traditionelle Roboter verwenden im Allgemeinen eine modulare Architektur: Das Wahrnehmungsmodul sammelt Umgebungsinformationen, das Planungsmodul erstellt Handlungspläne und das Steuermodul treibt die Hardware zur Ausführung an. Die drei Module werden unabhängig entwickelt, einzeln optimiert und tauschen Daten über Schnittstellen aus.

Die Schwachstellen dieser Architektur sind offensichtlich: Jede Übertragungsebene führt zu Informationsverlusten und Fehlerakkumulationen, die Anpassungskosten zwischen den Modulen sind extrem hoch, und sie versagen leicht in nicht vordefinierten Szenarien. Traditionelle Industrieroboter können nur feste Aktionen in strukturierten Produktionslinien ausführen und stoppen bei geringfügigen Abweichungen; frühe Lösungen für autonomes Fahren reagieren langsam auf unerwartete Betriebssituationen – im Wesentlichen sind dies die Grenzen der modularen Architektur.

Die Reife der Großmodelltechnologie bietet der physischen KI eine End-to-End-Lösung. So wie große Sprachmodelle den gesamten Prozess von der Eingabe bis zur Ausgabe in einem einzigen Modell abwickeln, kann die physische KI durch End-to-End-Training eine direkte Abbildung von den Rohdaten der Sensoren zu den Steuersignalen der Aktoren erreichen. Es gibt keine getrennten Modulunterteilungen mehr – alle Fähigkeiten zur Wahrnehmung, Erkenntnis, Entscheidung und Steuerung sind in einem einheitlichen Modell integriert. Fehler werden global optimiert, und die Generalisierungsfähigkeit des Systems wird qualitativ verbessert.

Nehmen wir das autonome Fahren als Beispiel: Die End-to-End-Lösung erfordert keine separate Objekterkennung, Fahrspurerkennung oder Pfadplanung. Stattdessen werden die Rohdaten von Kameras und Lidar direkt in das Modell eingespeist, das direkt Steuersignale für Gaspedal, Bremse und Lenkrad ausgibt. Diese Architektur reduziert nicht nur die technische Komplexität erheblich, sondern ermöglicht es dem System auch, mehr seltene Szenarien zu bewältigen – dies ist die Kernvoraussetzung dafür, dass die physische KI aus Laboren in komplexe reale Umgebungen gelangen kann.

Warum explodiert die physische KI im Jahr 2026?

Das Konzept der physischen KI ist nicht neu – verwandte Forschungen in der Wissenschaft werden seit mehr als einem Jahrzehnt durchgeführt. Aber ihr Übergang von Laboren zur Industrie und von einem Nischenthema zu einem Branchenkonsens findet genau in den letzten zwei Jahren statt. Dahinter stehen vier gleichzeitige Wendepunkte in Technologie und Industrie, die einen seltenen Resonanzeffekt erzeugen.

Erstens: Die Ausbreitung der Fähigkeiten von Großmodellen stattet die physische KI mit einem allgemeinen „Gehirn“ aus.

Die explosive Entwicklung der generativen KI in den letzten drei Jahren hat der physischen KI unerwartet den Weg geebnet. Technische Methoden, die im Bereich großer Sprachmodelle erprobt sind – wie Transformer-Architektur, großskalige Vortraining, Multimodal-Fusion und Reinforcement Learning zur Ausrichtung – können fast direkt in den Bereich der physischen KI übertragen werden.

Der wichtigste Transfer liegt in der Fähigkeit des Aufmerksamkeitsmechanismus zur Verarbeitung von Zeitreihen. Großmodelle verwenden Aufmerksamkeit, um Kontextzusammenhänge in Texten zu verarbeiten, während physische KI Aufmerksamkeit nutzt, um räumlich-zeitliche Zusammenhänge von Bildern, Punktwolken und Bewegungszuständen zu verarbeiten. Die gemeinsame Grundlage der technischen Basis ermöglicht es der physischen KI, kein technisches System von Grund auf neu aufzubauen, sondern direkt die im Großmodellzeitalter angesammelten technischen Erfahrungen, Rechenleistungsframeworks und Trainingsmethoden wiederzuverwenden.

Noch wichtiger ist, dass Großmodelle den Weg zur allgemeinen Intelligenz als machbar bestätigt haben. In der Vergangenheit wurden KI-Systeme für physische Szenarien jeweils einzeln entwickelt – ein Modell für ein Szenario, das bei einem Szenariowechsel neu entwickelt werden musste. Die auf Grundmodellen basierende physische KI hingegen hat das Potenzial zur Generalisierung über verschiedene Szenarien hinweg. Beispielsweise kann ein Weltmodell, das für autonomes Fahren trainiert wurde, mit geringfügigen Anpassungen für Roboter verwendet werden; physikalische Regeln, die in industriellen Szenarien erlernt wurden, lassen sich auch auf Logistikszenarien übertragen. Diese Allgemeingültigkeit ist die Grundlage für die skalierbare Replizierbarkeit der physischen KI.

Zweitens: Der Durchbruch in der Simulationstechnologie löst das Datenengpass der physischen KI.

Das größte Problem der physischen KI ist nicht der Algorithmus, sondern die Daten. Zum Training großer Sprachmodelle können kostenlos Billionen von Token aus dem Internet extrahiert werden. Für das Training der physischen KI hingegen sind enorme Mengen an realen Interaktionsdaten erforderlich. Ein Roboter, der 10.000 Mal in der Realität das Greifen übt, benötigt mehrere Monate und enorme Hardwarekosten; um eine Million Kilometer extremer Betriebssituationen für autonomes Fahren zurückzulegen, sind nicht nur hohe Kosten verbunden, sondern auch Sicherheitsrisiken. Die Schwierigkeit der Datenerfassung hat die Entwicklung der physischen KI lange Zeit gebremst.

Die Reife von digitalen Zwillingen und physikalischer Simulationstechnologie hat diesen Engpass vollständig beseitigt. Simulationsplattformen wie NVIDIA Omniverse können heute hochgradig realistische virtuelle physikalische Umgebungen aufbauen: Lichtreflexionen, Materialeigenschaften von Objekten, Reibung und Erdbeschleunigung können die reale Welt exakt nachbilden, sogar extreme Betriebssituationen wie Regen, Nebel und starkes Licht können simuliert werden. Die KI kann in der Simulationsumgebung 24 Stunden am Tag ununterbrochen trainieren – an einem Tag kann sie Kilometer zurücklegen, die in der Realität mehrere Jahre dauern würden, und unzählige extreme Szenarien ausprobieren, die in der Realität nicht getestet werden könnten.

Noch entscheidender ist die Reife der „Domain-Randomisierungstechnologie“. Das größte Problem bei herkömmlichem Simulationstraining war die Lücke zwischen Simulation und Realität – das Modell zeigte in der Simulation perfekte Ergebnisse, versagte aber in der realen Welt. Die Domain-Randomisierung hingegen ändert zufällig Umgebungsparameter in der Simulation, wie Objektfarben, Lichtintensität und Reibungskoeffizienten. Dadurch lernt das Modell, irrelevante Störungen zu ignorieren und die Kernphysikregeln zu erfassen, was die Erfolgsrate des Transfers von der virtuellen zur realen Welt erheblich steigert.

Drittens: Die umfassende Senkung der Hardwarekosten macht die Herstellung von physischen „Körpern“ endlich erschwinglich.

Selbst die fortschrittlichsten KI-Algorithmen müssen schließlich auf Hardwareplattformen umgesetzt werden. In den letzten Jahren sind die Kosten für Hardware im Zusammenhang mit physischer KI stetig gesunken.

Das typischste Beispiel ist Lidar. Vor zehn Jahren kostete ein mechanisches Lidar mehrere Hunderttausend Yuan – es war das größte Kostenhindernis für die Kommerzialisierung des autonomen Fahrens. Heute sind die Kosten für festkörperbasierte Lidar auf einige Tausend Yuan gefallen, ihre Größe ist so verkleinert, dass sie in das Fahrzeug integriert werden können, während ihre Leistung um ein Vielfaches gestiegen ist. Neben Lidar sinken die Kosten für Kernsensoren wie Kameras, Millimeterwellenradare und IMU-Trägheitsmesseinheiten um 20–30 % pro Jahr.

Noch bedeutender für die Industrie ist die Verbreitung des Modells der „serienmäßigen Erstausstattung“. Nehmen wir autonome Busse als Beispiel: Früher verwendete die Branche überwiegend Nachrüstungen – Sensoren und Recheneinheiten wurden in Serienfahrzeugen eingebaut, was einen hohen Individualisierungsgrad, hohe Kosten pro Fahrzeug und Lieferzeiten von mehreren Monaten bedeutete. Das Modell der serienmäßigen Erstausstattung hingegen integriert das autonome Fahrsystem von Anfang an in die Fahrzeugarchitektur, verwendet standardisierte Plattformen und verteilt die Kosten über die skalierbare Lieferkette der Automobilindustrie. Dieses Modell senkt nicht nur die Lieferkosten pro Fahrzeug um mehr als 40 %, sondern verkürzt auch die Lieferzeit um zwei Drittel – damit wird die skalierbare kommerzielle Nutzung wirtschaftlich machbar.

Drei vorreitende Bereiche: Wer wird als Erster die Vorteile der physischen KI nutzen?

Physische KI ist ein großes Spektrum, das die gesamte reale Industrie abdeckt – die Umsetzungsgeschwindigkeiten in verschiedenen Bereichen unterscheiden sich stark. Nach aktuellem Kommerzialisierungsgrad haben drei Bereiche ihre Geschäftsmodelle bewährt und sind in die Phase der skalierbaren Umsetzung eingetreten.

Autonomes Fahren – das ausgereifteste Beispiel für die Umsetzung der physischen KI

Wenn man das beste Beispiel für physische KI sucht, ist die Antwort definitiv das autonome Fahren.

Viele Menschen erkennen nicht, dass ein Fahrzeug mit vollständiger autonomer Fahrfähigkeit heute die ausgereifteste, komplexeste und kommerziell erfolgreichste physische KI-Entität der Welt ist. Es muss die dreidimensionale physische Welt über mehrere Sensoren wahrnehmen, die Bewegungsbahnen umliegender Fahrzeuge und Fußgänger vorhersagen, Fahrentscheidungen basierend auf Verkehrsregeln und Straßenzuständen treffen und schließlich physische Aktionen durch Steuerung von Gaspedal, Bremse und Lenkrad ausführen – während der Fahrt sammelt es ständig Daten und optimiert sich weiter. Dies deckt den gesamten geschlossenen Zyklus der physischen KI ab: „Wahrnehmung – Entscheidung – Überprüfung – Ausführung – Feedback“.

Im Gegensatz zu humanoiden Robotern, die noch in Demonstrationsphasen stecken, hat das autonome Fahren bereits eine echte skalierbare kommerzielle Nutzung erreicht. Unter ihnen sind autonome Busse, autonome Lkw und unbemannte Logistik die Unterbereiche mit der höchsten Sicherheit und schnellsten Umsetzung – feste Routen, abgeschlossene oder halbabgeschlossene Szenarien, angemessene Geschwindigkeiten und ein hoher Grad an Szenariostandardisierung lassen sie die kommerzielle Schwelle als Erste überschreiten. Unternehmen für autonomes Fahren wie MushAuto, Inceptio Technology, KargoBot, Neolix und Jiushi Intelligent haben