Physische KI am Edge

Wenn man sich lange genug mit Industrietechnologie beschäftigt, entwickelt man einen Filter für Schlagworte. Wir haben uns alle endlich darauf geeinigt, was „the Edge“ für unsere Infrastruktur bedeutet, und jetzt taucht ein neuer Begriff in jeder Keynote und jedem LinkedIn-Feed auf: Physische KI.

Es ist leicht, mit den Augen zu rollen und anzunehmen, dass es sich nur um eine Marketingfloskel für Robotik handelt. Hier gibt es jedoch einen echten Unterschied, der von Bedeutung ist für alle, die heute Hardware entwickeln. Die jüngsten Durchbrüche in der künstlichen Intelligenz gehen über den Bildschirm hinaus. Die Wechselwirkung zwischen Edge-KI und physischer KI zu verstehen, macht den Unterschied zwischen einem System, das ein Problem lediglich aufzeichnet, und einem System, das es in der physischen Welt tatsächlich behebt. Übersetzt mit DeepL.com (kostenlose Version)

Werfen wir einen Blick auf die Definition, die Hardware-Elemente und die realen Anwendungen von physischer KI. Aber zuerst müssen wir noch einen weiteren, sehr relevanten Begriff definieren.

Was ist Edge-KI?

Wenn Sie jemals versucht haben, ein Gespräch über einen Videoanruf mit drei Sekunden Latenz zu führen, haben Sie ein Schlüsselproblem erlebt, das Edge-KI lösen sollte. In der Industriewelt ist diese Latenz nicht nur ärgerlich; sie ist ein K.O.-Kriterium für Prozesse (mehr dazu hier).

Edge-KI ist im Wesentlichen der Übergang von einer „Cloud-First“- zu einer „Local-First“-Intelligenz. Anstatt riesige Mengen roher Sensordaten zur Verarbeitung an ein entferntes Rechenzentrum zu versenden, führen Sie Ihre Machine-Learning-Modelle und KI-Modelle direkt in der Fabrikhalle aus (oder in einem Fahrzeug, an einem abgelegenen Standort oder an jedem anderen Ort, an dem Edge-KI implementiert wird). Indem Sie Computerhardware genau dort platzieren, wo die Daten generiert werden, verleihen Sie der Maschine die Fähigkeit, ihre Umgebung in Echtzeit zu „sehen“ und zu „interpretieren“.

Durch die Verarbeitung von Daten an der Quelle bewältigt Edge-KI die „dreifache Bedrohung“ industrieller Herausforderungen: Latenz, Bandbreite und Datenschutz. Sie nutzt ausgeklügelte Algorithmen, um spezifische Fragen zu beantworten, wie zum Beispiel:

• Gibt es einen Riss in dieser Turbinenschaufel?

• Ist das eine Person oder ein Gabelstapler im Kamerabild?

• Vibriert dieser Motor mit einer Frequenz, die auf einen bevorstehenden Ausfall hindeutet?

Im Gegensatz zu Sprachmodellen wie ChatGPT, die als digitale KI-Agenten auf natürliche Sprache reagieren, konzentriert sich Edge-KI auf die sensorische Wahrnehmung. Dies ist ein entscheidendes Element aktueller Innovationen im Automobil- und Industriesektor. In diesen Fällen sind die Ergebnisse meist Daten: Sie erhalten eine Benachrichtigung, einen Protokolleintrag oder ein rotes Licht auf einem Dashboard. Das ist intelligent, bleibt aber eine Form herkömmlicher KI, da die Ausgabe digitale Informationen und keine physische Aktion ist.

Lesen Sie mehr: Drei Prognosen für industrielle Edge-KI

Der Schritt in die reale Welt: Was ist physische KI?

Wenn Edge-KI das Gehirn ist, das die Welt wahrnimmt, dann ist physische KI das Gehirn und der Körper, die in einem geschlossenen Kreislauf zusammenarbeiten. Man könnte dies auch als „verkörperte KI“ bezeichnen. Das passiert, wenn digitale Erkenntnisse in die Tat umgesetzt werden.

Dieser Wandel wird durch den Aufstieg der agentenbasierten KI vorangetrieben. Im Gegensatz zu herkömmlicher Software, die einem starren, linearen Skript folgt, sind agentenbasierte KI-Systeme darauf ausgelegt, ein bestimmtes Ziel zu erreichen, indem sie sich autonom durch komplexe, sich verändernde Umgebungen navigieren. In der physischen Welt bedeutet dies, dass ein Roboter nicht einfach eine aufgezeichnete Bewegung „wiederholt“, sondern mithilfe agentenbasierter Intelligenz in Echtzeit die beste Methode zum Bewegen einer Palette oder zum Ernten einer Feldfrucht ermittelt, basierend auf den Hindernissen, denen er begegnet.

Physische KI nimmt die Inferenz vom Edge und übersetzt sie in eine physische Funktion. Dies ist die Welt der autonomen mobilen Roboter (AMR), kollaborativen Roboterarme (Autonomous Mobile Robots, AMRs) und komplexen autonomen Systeme. Während Edge-KI ein Hindernis in einem Lager identifizieren kann, ist physische KI die Intelligenz, die das genaue Drehmoment, die Flugbahn und die Geschwindigkeit berechnet, die erforderlich sind, um das Hindernis zu umfahren, ohne eine Palette zu beschädigen. Die Implementierung dieser physischen KI-Systeme erfordert einen Wechsel von der reinen Datenverarbeitung hin zu verkörperter Intelligenz.

Edge-KI vs. physische KI: Den geschlossenen Kreislauf verstehen

Obwohl die Begriffe oft synonym verwendet werden, liegt der Unterschied darin, wo der Prozess endet. Bei OnLogic sehen wir Kunden, die in beiden Bereichen tätig sind. Je nachdem, für welchen Bereich Sie Ihr Produkt entwickeln, unterscheiden sich auch Ihre Anforderungen an Hardware und I/O.

Edge-KI dreht sich primär um Wahrnehmung. Es ist ein "Open-Loop"-System, bei dem der Computer Daten aufnimmt, diese verarbeitet und eine digitale Ausgabe bereitstellt.

• Die digitale Ausgabe: Wir unterstützen häufig Edge-KI-Anwendungen, bei denen das Ergebnis eine Warnmeldung zur vorausschauenden Wartung auf einem Dashboard oder eine Sicherheitsbenachrichtigung ist. Das ist intelligent, aber rein digital.

• Beispiel: Eine intelligente Kamera an einer Produktionslinie identifiziert ein defektes Teil und protokolliert es in einer Datenbank. Die KI "sah" das Problem, aber ein Mensch muss eingreifen, um das Teil zu bewegen.

Bei der physischen KI geht es um die Umsetzung. Es handelt sich um ein „geschlossenes Regelkreis“-System, das oft als „Sense-Think-Act-Loop" bezeichnet wird. Der Computer identifiziert nicht nur einen Zustand, sondern berechnet auch eine physische Reaktion in Echtzeit und führt diese aus.

• Die physische Ausgabe: Physische KI schließt den Kreislauf, indem sie diese Inferenz aufnimmt und sie in eine physische Funktion übersetzt – wie Drehmoment, Flugbahn oder Geschwindigkeit.

• Beispiel: Ein autonomer mobiler Roboter (AMR) identifiziert eine Person, die seinen Weg kreuzt. Die KI protokolliert nicht nur "Mensch erkannt". Sie berechnet einen neuen Pfad, passt das Motordrehmoment zur Verlangsamung an und lenkt den Roboter sicher um das Hindernis herum.

Die Rolle von Simulation und digitalen Zwillingen

Eine der größten Hürden bei der Entwicklung physischer KI ist die Datenerfassung. Das Training eines Roboters in der realen Welt ist langsam und kostspielig. Hier werden Simulation und Digital-Twin-Technologie unerlässlich.

Entwickler:innen nutzen hochpräzise Simulationsumgebungen, um synthetische Daten zu erstellen. Diese Generierung von Daten wird für das verstärkende Lernen eingesetzt. Dabei kann ein KI-Modell eine Aufgabe millionenfach in einem virtuellen Raum üben, bevor es jemals mit einer physischen Komponente in Berührung kommt. Indem sie auf Open-Source-Datensätzen trainierte Basismodelle nutzen, können Entwickler:innen die Anpassungsfähigkeit dieser Systeme in komplexen Umgebungen verbessern.

Durch die Erstellung eines digitalen Zwillings einer Fabrikhalle können Ingenieur:innen Arbeitsabläufe optimieren, ohne die Produktion zu unterbrechen. Dieser Einsatz generativer KI für die Robotik stellt sicher, dass die physischen Roboter bei der Softwarebereitstellung bereits die "Erfahrung" besitzen, die für einen sicheren Betrieb erforderlich ist. Dies sorgt für eine effizientere Optimierung.

Der technische Motor: Beschleunigung des Regelkreises

Um vom Sehen zum Handeln überzugehen, muss die Hardware schnell sein. Ein Ladesymbol ist nicht akzeptabel, wenn ein Roboterarm in der Nähe eines menschlichen Kollegen schwingt. Echtzeit-Entscheidungen erfordern sorgfältig ausgewählte Hardware, um Leistungsbedarf und Skalierbarkeit in Einklang zu bringen.

Passende Prozessoren und NPU-Effizienz

Während die physische KI für visuell anspruchsvolle Aufgaben Plattformen wie NVIDIA® Jetson™ zur massiven Parallelverarbeitung nutzen kann, ist eine leistungsstarke diskrete GPU nicht immer die effizienteste Wahl für den Einsatz in großem Umfang. Moderne System-on-a-Chip-Architekturen (SoC) von Chipherstellern wie Intel®, AMD und Qualcomm integrieren nun leistungsstarke Neural Processing Units (NPUs) und integrierte Grafikprozessoren (iGPUs) direkt in den Prozessor. So lassen sich komplexe KI- und Grafik-Workloads effizient auf einem einzigen Chip verarbeiten.

Für viele KI-gesteuerte Geräte ist dieser integrierte Ansatz kostengünstiger und energieeffizienter. Er bietet die sofortige Reaktionsfähigkeit, die für den „Sense-Think-Act“-Zyklus erforderlich ist. Gleichzeitig werden die Gesamtbetriebskosten (TCO) gesenkt. Durch den Einsatz von Tools wie Intel OpenVINO™ können Entwickler:innen die Arbeitslasten auf die Zentraleinheit (CPU), die iGPU und die NPU verteilen. So erhalten sie eine „passgenaue” Lösung, die den hohen Stromverbrauch und die Stabilitätsprobleme vermeidet, die häufig mit komplexeren diskreten Konfigurationen verbunden sind.

Mehr erfahren: NPUs vs. GPUs für Edge-KI

Die praktische Anwendung physischer KI

Dies ist kein theoretisches Konzept. Die Anwendungsfälle für physische KI reichen von geringfügigen Verbesserungen von Prozessen bis hin zur Revolutionierung ganzer Branchen. Unsere Kunden nutzen diese Technologien bereits in verschiedenen Branchen, darunter:

• Intelligente Lagerverwaltung: Während selbstfahrende Autos ein bekanntes Beispiel für physische KI im Automobilsektor sind, sorgt die Technologie auch in globalen Lieferketten für Aufsehen. Zum Beispiel hat Amazon vollständig autonome mobile Roboter (AMRs) wie Proteus eingesetzt, um sicher um Mitarbeitende herum zu navigieren. Unternehmen experimentieren auch mit humanoiden Robotern für einige repetitive Aufgaben. Diese physischen KI-Systeme nutzen fortschrittliche Computer Vision, um die Unvorhersehbarkeit eines geschäftigen Warenlagers zu bewältigen. Dies sorgt für eine Optimierung der Abwicklungsprozesse.

• Autonome Landwirtschaft: Bear Flag Robotics (jetzt ein Unternehmen von John Deere) nutzt robuste Edge-Computer, um Standardtraktoren in autonome Fahrzeuge zu verwandeln. Das System verarbeitet LiDAR- und Sensordaten lokal, um unebenen Boden oder Hindernisse zu identifizieren. Es passt die Lenkung und das Bremsen sofort an, sodass die Bodenbearbeitung auch in staubigen Umgebungen mit starken Vibrationen präzise bleibt.

• Gesundheitswesen: Von der chirurgischen Unterstützung bis zu autonomen Lieferwagen verbessert physische KI die Patientenergebnisse. Im Krankenhausumfeld handhaben diese Systeme präzise Bewegungen und Logistik. Sie stellen sicher, dass lebensrettende Güter ihr Ziel erreichen, ohne Verzögerung durch überfüllte Gänge oder komplexe Grundrisse.

• Inspektion der Infrastruktur: Autonome Robotersysteme werden eingesetzt, um Brücken, Pipelines und Stromleitungen zu inspizieren. Diese Roboter navigieren in komplexen Umgebungen, um hochpräzise Sensordaten zu sammeln und strukturelle Probleme mittels Computer Vision zu erkennen. Diese physischen KI-Systeme können sogar kleinere Reparaturen an Orten durchführen, die für menschliche Teams zu gefährlich oder abgelegen sind.

Das industrielle Edge macht es möglich

Physische KI ist ohne ein grundsolides Fundament nicht möglich. Damit eine Maschine sicher mit der Welt interagieren kann, muss der „Sense-Think-Act-Loop" in Millisekunden ablaufen. Industrielles Edge-Computing macht dies möglich durch:

• Deterministische Leistung: Im Gegensatz zu einem Standard-PC ist industrielle Hardware für Hochgeschwindigkeits-I/O ausgelegt. Dadurch wird sichergestellt, dass der "Stopp"-Befehl der KI sofort an die Aktoren weitergeleitet wird.

• Umweltbeständigkeit: Physische KI ist auf vibrierenden Fabrikanlagen und in staubigen Umgebungen im Einsatz. Unsere lüfterlosen Rugged-Systeme stellen sicher, dass das „Gehirn“ nicht überhitzt oder sich bei schwierigen Bedingungen löst.

• Umfassende Konnektivität: Diese Systeme fungieren als Brücke, die neuronale Netze mit den Sensoren (LiDAR, Kameras) und Aktuatoren (Motoren, Hydraulik) verbindet, die Bewegungen ermöglichen.

Maßgeschneidert für die nächste Herausforderung

Bei OnLogic konzentrieren wir uns voll und ganz darauf, unseren Kunden dabei zu helfen, „es möglich zu machen“. Ganz gleich, ob Sie eine einfache Überwachungslösung oder einen komplexen autonomen Roboter entwickeln – die Hardware sollte dabei Ihre geringste Sorge sein.

Durch die Bereitstellung von stark konfigurierbaren, modularen Systemen stellen wir sicher, dass Sie genau die Leistung und Konnektivität haben, die Sie benötigen, um Ihre KI aus der Cloud zu holen und in der realen Welt einzusetzen. Physische KI ist die nächste Etappe der Automatisierung. Wir unterstützen Sie dabei, dieses Ziel zu erreichen.