Zehn Jahre der Vernetzung von 260.000 Geräten: Mogu IoT hat Physical AI als Erste im Energiesystem zum Laufen gebracht.

Der Körper von Physical AI muss nicht unbedingt ein Roboter sein.

In den letzten zwei Jahren ist Physical AI fast zum Synonym für humanoide Roboter geworden. Es ist natürlich faszinierend, wenn KI Hände und Füße bekommt, laufen, Lasten tragen und Maschinen bedienen lernen. Wenn man den Blick aber von humanoiden Robotern abwendet, entdeckt man, dass eine andere Form von Physical AI schon früher in die echte Geschäftswelt eingezogen ist. Sie hat keine Gliedmaßen und kann sich nicht einmal bewegen. Sie existiert in den Energiesystemen von Fabriken und Rechenzentren und steuert eine große Anzahl von Energieversorgungsgeräten wie Luftkompressoren, Kältemaschinen, Wasserpumpen und Kühltürmen. Diese Geräte produzieren keine Produkte direkt, verbrauchen aber zwischen 30 % und 60 % des Stroms einer Fabrik. Für Unternehmen bedeutet es, wenn KI erfahrene Fachkräfte bei der Verwaltung von Energiesystemen ersetzen kann, nicht nur, dass die Abhängigkeit von menschlicher Erfahrung verringert wird, sondern auch, dass jede Optimierung des Betriebs direkt zu einer Senkung der Energiekosten führen kann.

Dies weist auch auf ein leicht zu übersehendes Problem hin: Das wahre Wesen von Physical AI liegt nicht darin, ob die KI einen menschenähnlichen Körper hat, sondern ob die KI in der realen Welt den geschlossenen physischen Steuerungskreislauf aus Wahrnehmung, Entscheidungsfindung, Ausführung und Rückmeldung abschließen kann. Aus dieser Perspektive sind Energiesysteme von Natur aus für Physical AI geeignet. Sie verfügen über eine große Anzahl von Echtzeitsensoren, eindeutige Steuerungsobjekte und quantifizierbare Ergebnisse: Ist der Druck stabil? Reicht die Kälteleistung aus? Gibt es Störungen an den Geräten? Und wie viel Strom wurde am Ende tatsächlich eingespart?

Während humanoide Roboter noch die Frage beantworten „Wann können sie großflächig eingesetzt werden?“, hat eine andere Form von Physical AI bereits begonnen, eine direktere Frage zu beantworten: Kann man heute echtes Geld für Unternehmen einsparen? Mogu IoT, gegründet im Jahr 2016, gehört zu den Unternehmen, die diesen Weg früh beschritten haben. Ausgehend vom industriellen Internet der Dinge hat Mogu IoT diesen geschlossenen Physical AI-Steuerungskreislauf inzwischen auf die Energiesysteme von mehr als 2000 großen Fabriken angewendet. Es folgt nicht dem Weg „zuerst ein großes Modell entwickeln, dann nach Anwendungszenarien suchen“, sondern geht zuerst in die Fabriken, sammelt langfristig Kommunikationsprotokolle, echte Daten und branchenspezifisches Know-how und fügt die KI schrittweise in den Steuerungsprozess ein. In gewisser Weise ist dies ein Weg, der dem vieler heutiger KI-Startups völlig entgegengesetzt ist: Nicht zuerst die KI entwickeln, dann nach Szenarien suchen, sondern zuerst zehn Jahre lang in die Energieszenarien eintauchen und dann die KI zur Reife bringen.

Die KI wirklich Maschinen steuern zu lassen, ist viel schwieriger, als nur ein großes Modell einzubinden

Wenn man die KI nur eine Frage zu einem Gerät beantworten lassen möchte, ist das heute keine Schwierigkeit mehr. Wenn man die KI aber wirklich in das „Führerhaus“ des Energiesystems setzen möchte, stellt sich die Sache ganz anders dar. Für industrielles Physical AI gibt es mindestens drei Hürden: Daten, Sicherheit und Generalisierung.

Die unterste und grundlegendste Hürde sind die Daten. Die Fähigkeiten der heutigen Basismodelle können gekauft, aufgerufen oder sogar schnell eingeholt werden, aber echte industrielle Daten lassen sich nicht aus dem Nichts beschaffen. Was industrielle KI wirklich braucht, ist keine Bedienungsanleitung für Geräte. Sie muss wissen, in welchem Zustand sich die Maschine zu einem bestimmten Zeitpunkt befindet, welche Aktion das System anschließend ausgeführt hat und welches Ergebnis diese Aktion am Ende hervorgebracht hat. Zum Beispiel: Welcher Luftkompressor hat die Frequenz erhöht, nachdem der Druck plötzlich gesunken ist? Wurde die Lücken in der Luftversorgung geschlossen, nachdem ein weiteres Gerät eingeschaltet wurde? Um wie viel ist der Energieverbrauch gestiegen? Diese fortlaufenden „Zustand-Aktion-Ergebnis“-Sequenzen bilden die Grundlage, auf der die KI die Betriebsregeln industrieller Geräte wirklich versteht. Das ist auch der Grund, warum mit der zunehmenden Verbreitung großer Basismodelle die firmeneigenen Daten, die nicht aus dem öffentlichen Internet bezogen werden können, immer wichtiger werden.

Für industrielle KI ist diese Knappheit noch deutlicher. Denn die wirklich wertvollen Daten sind keine statischen Dateien, sondern dynamische Aufzeichnungen, die Tausende von physischen Geräten durch langfristigen Betrieb unter unterschiedlichen Arbeitsbedingungen, in unterschiedlichen Jahreszeiten und mit unterschiedlichen Produktionsrhythmen erzeugt haben. Bis heute hat Mogu IoT mehr als 260.000 Geräte verbunden, die über 30 Gerätetypen und 8 Datendimensionen abdecken.

Aber Daten lösen nur das Problem, ob die KI die Maschinen versteht. Die zweite Frage lautet: Traut sich die KI, die Maschinen zu steuern?

Wenn eine KI im Internet eine Frage falsch beantwortet, kann man die Antwort einfach neu generieren. Wenn Physical AI aber einen falschen Steuerbefehl ausgibt, kann das die Sicherheit der Geräte oder sogar den gesamten Produktionsprozess beeinträchtigen. Deshalb darf industrielle KI nicht „tun, was ihr gerade einfällt“. Bevor die von der KI vorgeschlagene Strategie tatsächlich an die Geräte übermittelt wird, muss sie Regeln und Sicherheitsgrenzenprüfungen durchlaufen, gleichzeitig muss ein notwendiger Mechanismus für menschliches Eingreifen erhalten bleiben. Das ist einer der wichtigsten Unterschiede zwischen Physical AI und gewöhnlicher generativer KI: Ihre Ausgabe verändert letztendlich die physische Welt, deshalb muss sie für die Ergebnisse verantwortlich sein.

Die 30 Sekunden, um die Arbeit zu übernehmen, für die ein erfahrener Fachkraft 30 Minuten braucht

Dieser geschlossene Kreislauf aus „Wahrnehmung – Entscheidungsfindung – Ausführung – Rückmeldung“ ist in Energiestationen bereits sehr konkret umgesetzt. Im System von Mogu IoT ist Lingzhi AI (vertikales großes Modell) hauptsächlich für Vorhersage und Entscheidungsfindung zuständig, während der LingX-Intelligent Agent die Strategie in tatsächliche Geräteaktionen umwandelt.

Am Beispiel einer Kälteanlage: Das System steuert Kältemaschinen, Wasserpumpen und Kühltürme gemeinsam entsprechend der Wetteränderungen und dem Echtzeit-Kältelastbedarf, sucht nach einer Betriebskombination mit niedrigerem Energieverbrauch, während es den Kältebedarf deckt.

Luftkompressorstationen stehen vor anderen Problemen. Sobald der Produktionslinien plötzlich mehr Luftbedarf hat, kann es zu einer Lücke in der Luftversorgung des gesamten Luftkompressorsystems kommen. Zu diesem Zeitpunkt kombiniert Lingzhi AI zuerst den Echtzeitdruck, den Durchfluss, die Gerätelast und die historischen Betriebsbedingungen, um zu beurteilen, welche Einheiten noch über freie Kapazitäten verfügen, und entwickelt dann eine Betriebsstrategie, die sowohl die Luftversorgung als auch den Energieverbrauch berücksichtigt. Anschließend wandelt der LingX-Intelligent Agent die Strategie in Frequenzumstellung, Start/Stopp und Lastanpassung der gesamten Gerätekombination um und führt vor der Übermittlung der Steuerbefehle eine Prüfung der Regeln und Sicherheitsgrenzen durch. Nachdem sich der Gerätezustand geändert hat, werden neue Daten erneut an die KI zurückgemeldet, und die nächste Runde der Anpassung beginnt.

Bei der herkömmlichen Arbeitsweise, die auf erfahrenen Fachkräften basiert, dauert es etwa 30 Minuten, bis das gesamte Energieversorgungssystem allmählich das Gleichgewicht zwischen Angebot und Nachfrage erreicht. Die intelligente KI-Steuerung kann diese Anpassung in etwa 30 Sekunden abschließen. Das ist der Moment, in dem der Wert von industriellem Physical AI am leichtesten verständlich ist. Es erstellt nicht nur einen zusätzlichen Analysebericht für Ingenieure auf dem Bildschirm, sondern trifft Entscheidungen an echten Maschinen und verändert letztendlich den Betriebszustand der Geräte.

Der Betrieb in einer einzelnen Station ist nur ein Projekt, die Replikation über Fabriken und Branchen hinweg macht es zu einem Produkt

Wenn Physical AI nur in einer einzigen Fabrik betrieben werden kann, ist es trotzdem schwierig, ein skalierbares Geschäft zu werden.

Die Gerätemarken, Topologien und Betriebsbedingungen verschiedener Fabriken können völlig unterschiedlich sein. Eine Steuerlogik, die in einer Luftkompressorstation trainiert wurde, steht in einer anderen Fabrik sehr wahrscheinlich vor einer völlig neuen Gerätekombination. Das ist die dritte Hürde für industrielles Physical AI: Generalisierung.

Das wirklich Wichtige ist nicht, „ob dieses Projekt erfolgreich umgesetzt werden kann“, sondern ob sich das System nach dem Eintritt in neue Szenarien schnell anpassen kann, statt komplett neu entwickelt zu werden. Mogu IoT senkt derzeit die Kosten für wiederholte Entwicklungen beim Eintritt in verschiedene Fabriken und Branchen durch Lingzhi AI, LingX und das standardisierte Produktsystem aus Cloud, Edge und Endgeräten. Bislang hat das Unternehmen mehr als 6000 Kunden in der gesamten Industriekette bedient, die Branchen wie elektronische Halbleiter, neue Energien, Automobil, Metallurgie, Pharmazie und Lebensmittel als fortschrittliche Fertigungsbereiche abdecken.

Mit der Erweiterung des Einsatzumfangs entsteht ein weiterer Vorteil: Je mehr Kunden es gibt, desto mehr Daten können gesammelt werden; je mehr Daten vorhanden sind, desto tiefer versteht das Modell die industrielle Welt; je leistungsfähiger das Modell ist, desto mehr Kunden können wiederum bedient werden. Daraus entsteht ein kommerzieller Schwungeffekt aus „Kunden – Daten – Modell“. Das erklärt auch, warum für industrielles Physical AI die in den letzten zehn Jahren nicht besonders auffällige Akkumulation des Geräteinternets der Dinge im Zeitalter der großen Modelle wieder zu einer Wettbewerbsbarriere geworden ist.

Die Kapitalanleger beginnen, diesen „langsamen Weg“ neu zu bewerten

Kürzlich hat Mogu IoT die C-Runden-Finanzierungen C1 und C2 abgeschlossen, mit einem gesamten Finanzierungsvolumen von fast 200 Millionen Yuan, wobei mehrere alte Aktionäre wie Yunhui Capital weiter investiert haben. Betrachtet man die Finanzierung allein, ist dies nur eine von vielen Kapitalereignissen im KI-Bereich in diesem Jahr. Die Interessen der Investoren stimmen aber genau mit diesem Entwicklungsweg von Mogu IoT überein.

Li Xing, Partner bei Yunhui Capital, ist der Ansicht, dass Mogu IoT vor einigen Jahren beschlossen hat, im allgemeinen Szenario der Hilfsenergieversorgung einzusteigen und langfristig Energiedaten zu sammeln, was es dem Unternehmen ermöglicht, sich im Zeitalter der künstlichen Intelligenz schnell zu vertikalen industriellen großen Modellen und intelligenten Agenten weiterzuentwickeln.

Dr. Zhu Bin, Partner bei Yuanhe Origin, definiert Mogu IoT als repräsentatives Unternehmen für Physical AI im Bereich der Energiesteuerung. Seiner Meinung nach sind die massiven Echtzeitdaten physischer Objekte aus Luftkompressorstationen, Kälteanlagen und anderen Einrichtungen, die das Unternehmen im Zeitalter des IoT gesammelt hat, die Grundlage für die Schaffung des industriellen physischen intelligenten geschlossenen Kreislaufs aus „Wahrnehmung – Entscheidungsfindung – Ausführung“ heute.

Dahinter verbergen sich zwei völlig unterschiedliche Wege für Unternehmensgründungen im KI-Zeitalter. Der eine Weg besteht darin, zuerst die modernsten Modelfähigkeiten zu besitzen und dann nach Szenarien zu suchen. Der andere Weg besteht darin, viele Jahre lang in eine tiefgehende Branche einzutauchen, Geräte zu verbinden, Daten zu sammeln, die Abläufe zu verstehen und dann darauf zu warten, dass die KI-Technologie zur Reife kommt. In der Vergangenheit wirkte der letztere Weg oft langsamer. Aber wenn die Basismodelle selbst immer mehr zu einer Ware werden, sind die Dinge, die man nicht über APIs kaufen kann – die Fähigkeit zur Geräteverbindung, branchenspezifisches Know-how und langfristig gesammelte Daten aus der realen Welt – wieder zu Wettbewerbsbarrieren geworden.

Von chinesischen Fabriken zu einem internationalen industriellen System

Die Generalisierung von industriellem Physical AI findet nicht nur zwischen verschiedenen Fabriken statt. Im Juli dieses Jahres hat Mogu IoT eine strategische Partnerschaft mit RYODEN, dem börsennotierten Kernunternehmen der Mitsubishi Group, geschlossen. Die japanische Fertigungsindustrie stellt seit langem die strengsten Anforderungen der Welt an die Stabilität industrieller Systeme, Energieeffizienz und schlanke Produktion. Deshalb liegt die Bedeutung dieser Zusammenarbeit nicht nur darin, dass ein neuer ausländischer Partner hinzugewonnen wurde, sondern auch darin, dass ein Energiekontroll-KI-System, das zuerst in chinesischen Fabriken betrieben wurde, beginnt, in ausgereifte industrielle Systeme eingezogen zu werden, um dort validiert zu werden und in entwickelte Märkte repliziert zu werden. Technische Generalisierung bedeutet, dass das System auch in einer anderen Fabrik funktionsfähig ist; kommerzielle Generalisierung bedeutet, dass es auch in einem anderen Land erfolgreich eingesetzt werden kann.

Gleichzeitig ist diese Fähigkeit nicht auf die Fertigungsindustrie beschränkt. Auch öffentliche Einrichtungen wie Rechenzentren, Schulen und Regierungsgebäude verfügen über eine große Anzahl von Energieversorgungssystemen für Wasser, Strom, Kälte und Wärme, die im Grunde vor der gleichen Aufgabe stehen: Wie kann man den tatsächlichen Energiebedarf decken und gleichzeitig viele physische Energieversorgungsgeräte mit höherer Effizienz betreiben? Mit der Ausweitung von Physical AI auf mehr Länder und mehr Energiesysteme gewinnt die Standardisierung und Compliance zunehmend an Bedeutung. Bislang hat Lingzhi AI als eines der ersten Systeme die Registrierung für generative KI-Dienste bei der Staatlichen Verwaltung für Cyberspace Chinas abgeschlossen, und Mogu IoT hat sich auch an der Ausarbeitung mehrerer Standards im Bereich der industriellen KI beteiligt. Diese Maßnahmen sehen nicht wie ein konkreter kommerzieller Vertrag aus, aber sie legen im Voraus die Infrastruktur dafür an, dass Physical AI in mehr Fabriken, mehr öffentlichen Einrichtungen und mehr Ländern eingesetzt werden kann. Denn wenn die KI beginnt, die physische Welt zu steuern, bestimmen nicht nur die Modelfähigkeiten, wie weit sie kommen kann, sondern auch ein ganzes System von Regeln für Sicherheit, Verantwortung und branchenspezifisches Vertrauen.

Der Körper von Physical AI muss nicht unbedingt ein Roboter sein

In den letzten zehn Jahren hat Mogu IoT Geräte verbunden. Im Zeitalter von Physical AI beginnt es nun, die KI verstehen, entscheiden und diese Maschinen wirklich steuern zu lassen. Hinter der KI-Rechenleistung steht an sich Strom. KI führt zu einem höheren Stromverbrauch, während Physical AI wiederum den Verbrauch von Energiesystemen senkt und mehr Stromkapazität für die KI-Rechenleistung freisetzt. In diesem Sinne ist dies KI für KI. Für Mogu IoT ist der Körper von Physical AI kein Roboter, sondern die