Vom Rechenzentrum in die physische Welt Warum KI ein Fundament aus Physik braucht

Ein Gastbeitrag von Thomas Andersen 4 min Lesedauer

Anbieter zum Thema

KI wandelt sich: Statt nur Daten, Rechenleistung und Bandbreite zu nutzen, agiert sie mit Robotern, Drohnen und autonomen Fahrzeugen direkt in der physischen Welt – als Physical AI.

KI im autonomen Verkehr ist auf zuverlässige Funkverbindungen angewiesen: Ansys Perceive EM in NVIDIA Omniverse simuliert 5G- und 6G-Antennensignale fahrender Fahrzeuge in Denver.(Bild:  Synopsys)
KI im autonomen Verkehr ist auf zuverlässige Funkverbindungen angewiesen: Ansys Perceive EM in NVIDIA Omniverse simuliert 5G- und 6G-Antennensignale fahrender Fahrzeuge in Denver.
(Bild: Synopsys)

Damit steigen auch die Anforderungen an Entwicklung und Validierung. Denn physische KI-Systeme müssen nicht mehr nur Daten verarbeiten, sondern auch ihre Umgebung wahrnehmen, Situationen einordnen und unter realen Bedingungen angemessen reagieren. Wetterwechsel, Störungen in Sensordaten, wechselnde Lichtverhältnisse oder unvorhersehbares menschliches Verhalten gehören dabei zum Alltag.

Die Entwicklung solcher Systeme verlangt deshalb deutlich mehr als leistungsfähige Algorithmen. Erst das Zusammenspiel von Elektronik, Sensorik, Software und physikalischen Modellen schafft die Grundlage dafür, dass intelligente Systeme ihre Umgebung zuverlässig erfassen und verstehen können. Genau an diesem Punkt gewinnt physikbasierte Simulation an Bedeutung.

Wenn KI auf die unberechenbare Realität trifft

Wir haben KI beigebracht, unsere Sprache zu verstehen, und sie mit dem kollektiven Wissen aus Büchern, Datenbanken und dem Internet trainiert. Heute beantwortet sie komplexe Fragen, erstellt Analysen und unterstützt bei Entscheidungen. Doch die physische Welt stellt ganz andere Anforderungen.

Ein Beispiel: Fragt man eine KI nach Schlaglöchern, kann sie erklären, wie sie entstehen und wie sich Straßenschäden reparieren lassen. Doch wie verhält sich ein autonomes Fahrzeug, wenn es bei Nebel, schlechten Lichtverhältnissen und dichtem Verkehr plötzlich auf ein Schlagloch trifft?

Solche Situationen folgen keinem festen Schema und lassen sich nicht allein durch Daten beschreiben. Vielmehr werden sie von physikalischen Zusammenhängen bestimmt – aus dem Zusammenspiel von Wetter, Umgebung, Sensorik und menschlichem Verhalten. Die reale Welt ist dynamisch und oft schwer vorhersehbar. Die einzige Konstante dabei bleibt die Physik. Genau deshalb bildet physikbasierte Simulation eine zentrale Grundlage für die Entwicklung von Physical AI.

Entwicklung wird heute zu einer multidisziplinären Aufgabe. Intelligente, softwaregesteuerte Produkte müssen als komplexe Systeme betrachtet und entwickelt werden.

Sensorik als Grundlage für verlässliche Umgebungsdaten

Doch damit intelligente Systeme zuverlässig arbeiten, benötigen sie präzise Sensoren. Kameras, Radar- und LiDAR-Systeme liefern die Informationen, aus denen ein Fahrzeug, ein Roboter oder eine Drohne ein Bild seiner Umgebung erzeugt. Wie sicher und zuverlässig ein System ist, wird maßgeblich durch die Qualität dieser Daten bestimmt.

Physikbasierte Simulation unterstützt Entwicklungsteams dabei, diese Sensoren und die dahinterliegenden Systeme bereits in frühen Entwicklungsphasen virtuell auszulegen, zu testen und zu optimieren. Statt auf aufwendige Prototypen angewiesen zu sein, lassen sich unterschiedliche Szenarien digital untersuchen.

So können Entwickler etwa analysieren, wie sich Wetterbedingungen, Materialeigenschaften oder unterschiedliche Umgebungen auf das Verhalten eines Systems auswirken. Auf diese Weise entsteht ein deutlich umfassenderes Verständnis des Systemverhaltens, als es allein durch physische Tests möglich wäre.

Synthetische Daten schließen kritische Lücken

Die Herausforderung endet jedoch nicht bei der Wahrnehmung der Umwelt. Physical-AI-Systeme müssen auch lernen, aus den verfügbaren Informationen die richtigen Entscheidungen abzuleiten und sinnvoll zu reagieren. Genau hier stößt die Entwicklung neuer Anwendungen häufig an Grenzen, denn dafür werden große Mengen hochwertiger Trainingsdaten benötigt. Doch gerade für neue Anwendungen fehlen diese Datensätze häufig in ausreichender Qualität oder decken kritische Situationen nicht ausreichend ab.

Hier gewinnen synthetische Daten zunehmend an Bedeutung. Virtuelle Entwicklungsumgebungen bilden komplexe Szenarien digital nach und liefern Daten für Situationen, die in der Realität nur selten auftreten oder schwer erfassbar sind.

Lange Zeit galt die Frage nach der Realitätsnähe solcher Daten als zentrale Herausforderung. Inzwischen haben sich die Möglichkeiten deutlich weiterentwickelt. Moderne virtuelle Entwicklungsplattformen können komplexe digitale Umgebungen aufbauen und diese mit hochauflösenden physikalischen Modellen kombinieren. Dadurch entstehen synthetische Datensätze, die reale Bedingungen deutlich präziser widerspiegeln und eine belastbare Grundlage für Training und Validierung schaffen. Entwickler können damit unterschiedlichste Szenarien erzeugen und Systeme gezielt auf Situationen vorbereiten, die in der Praxis nur schwer reproduzierbar wären.

Die elektromagnetische Simulation mit Ansys-Software in Nvidia Omniverse bildet die Innenstadt von San Jose mit einer Auflösung von fünf Zentimetern ab.(Bild:  Synopsys)
Die elektromagnetische Simulation mit Ansys-Software in Nvidia Omniverse bildet die Innenstadt von San Jose mit einer Auflösung von fünf Zentimetern ab.
(Bild: Synopsys)

Entwicklung muss neu gedacht werden

Traditionell entstanden Hardware und Software häufig getrennt voneinander. Einzelne Komponenten wurden entwickelt, beschafft und anschließend zusammengeführt, erst danach folgten Integration, Test und Serienreife. Bei Physical AI stößt dieses Vorgehen jedoch zunehmend an seine Grenzen.
 
Verdeutlicht wird dies am Beispiel eines autonomen Flugroboter. Damit er selbstständig navigieren, Hindernissen ausweichen und auf Nutzereingaben reagieren kann, müssen zahlreiche Komponenten reibungslos zusammenspielen: Er vereint Sensorik, Rechenplattformen, Software, Elektronik und mechanische Komponenten. Damit das Gesamtsystem konsistent reagiert, müssen alle Bereiche eng zusammenarbeiten. Bereits kleine Änderungen in einem Teilbereich können Auswirkungen auf das gesamte Systemverhalten haben. Die notwendige Präzision lässt sich unter diesen Bedingungen kaum noch mit traditionellen, sequenziellen Entwicklungsansätzen erreichen, gleichzeitig verkürzen sich die Entwicklungszyklen kontinuierlich.

Entwicklung wird dadurch heute zu einer multidisziplinären Aufgabe – Intelligente, softwaregesteuerte Produkte müssen als komplexe Systeme betrachtet und entwickelt werden. Elektroingenieure, Softwareentwickler, Systemarchitekten und Mechanikexperten arbeiten enger von Beginn an auf einer gemeinsamen Grundlage.

Simulation schafft hier einen gemeinsamen Rahmen. Sie verbindet verschiedene Fachdisziplinen über virtuelle Modelle und erlaubt es Teams, Systemverhalten frühzeitig zu analysieren und abzusichern.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

Checkliste: Warum Simulation für Physical AI unverzichtbar wird

-> Sensoren und ihre Wechselwirkungen lassen sich bereits vor verfügbaren Prototypen analysieren.
-> Wetter-, Material- und Umgebungseinflüsse können systematisch analysiert werden.
-> Seltene Grenz- und Fehlerszenarien werden reproduzierbar.
-> Synthetische Daten ergänzen fehlende Trainingsdaten.
-> Risiken werden deutlich früher sichtbar.

Fazit: Physical AI braucht mehr als Algorithmen

Die Entwicklung intelligenter Systeme verändert sich grundlegend. Je stärker KI mit der physischen Welt interagiert, desto wichtiger wird die Fähigkeit, komplexe Zusammenhänge bereits im virtuellen Raum zu verstehen. Physikbasierte Simulation entwickelt sich dadurch vom Analysewerkzeug zur zentralen Entwicklungsdisziplin.

Denn mit der Komplexität der Systeme steigen auch die Anforderungen an ihre Entwicklung. Wer Physical AI erfolgreich in die Praxis bringen will, muss Hardware, Software und Physik gemeinsam denken. Darin liegt der Schlüssel für den nächsten Innovationssprung intelligenter Technologien.

Thomas Andersen ist Vice President AI and Machine Learning bei Synopsys.