Wenn man täglich die sozialen Medien nach Robotik-News durchsucht, kennt man das typische Drehbuch der Kommentarspalten bald auswendig:
- Der Roboter macht etwas Spektakuläres → alle sagen: „Cool, und jetzt spül das Geschirr.“
- Der Roboter versucht, das Geschirr zu spülen → alle sagen: „Nicht so.“
Physical Intelligence beschloss, diese Diskussion im Kreis zu beenden und das Ganze in einen Test zu verwandeln. Ihre neue Robot Olympics ist im Grunde die Olympiade der Haushaltsaufgaben: dieselben Aufgaben, dieselben Einschränkungen, jede Menge Möglichkeiten zu scheitern und eine schmerzhaft ehrliche Punktetafel darüber, wie nah wir tatsächlich an brauchbaren Robotern.
Die gesamte „Olympics“-Aufmachung wurde erstmals in Benjie Holsons Humanoid Olympic Games vorgeschlagen (er hatte den Beitrag tatsächlich mit „gauntlet thrown“ untertitelt), und PI sprach diesen Teil bei der Veröffentlichung ausdrücklich an. Die Herausforderung ist angenommen!
Das hat PI mit seinem „Generalisten“-Modell π0.6 getestet (einer Vision-Language-Action-Policy – man stelle sich ein „LLM für Roboter“ vor, bei dem aus Bilddaten und Anweisungen motorische Aktionen werden):
- Türöffnung: Eine Tür mit selbstschließendem Hebelgriff öffnen, ohne von der Tür selbst erwischt zu werden.
- Textilien: Eine Socke auf rechts drehen (und zugeben, dass der Greifer für Hemdärmel zu breit ist).
- Werkzeuggebrauch: Einen winzigen Schlüssel in ein Schloss stecken und umdrehen – also „Präzision, Drehmoment und keine zweite Chance“.
- Reinigung: eine Bratpfanne mit Seife und Wasser spülen wie ein normaler Mensch, der nicht im Dreck leben möchte.
- Und natürlich verformbare Objekte: Einen dünnen Plastikbeutel für Hundekot öffnen (der praktischerweise genau im ungünstigsten Moment die Kameras am Handgelenk verdeckt).
PI zufolge sind alle Videos autonom. Das bedeutet, dass der Roboter die Aufgabe zerlegt, kontaktintensive Bewegungen ausführt und sich von Fehlern erholt, wenn etwas schiefläuft – ohne dass ein Mensch zwischen den Schnitten die Steuerknüppel bewegt.
Bild: X
Warum das wichtig ist
Denn PI versucht, zwei Welten zusammenzuführen, die normalerweise nicht miteinander sprechen:
- Benchmarks, die wie das echte Leben aussehen (Türen, Hundekotbeutel, Wäsche) statt sauberer Laboraufgaben.
- Die Skalierung von Basismodellen (einmal groß trainieren und anschließend für neue Aufgaben feinjustieren) statt maßgeschneiderter Policies für jedes neue Objekt.
Das knüpft direkt an PIs jüngste Forschung zur Übertragung vom Menschen auf Roboter an. Die These lautet: Wenn man VLAs (Vision-Language-Action-Modelle) mit genügend vielfältigen Robotererfahrungen vortrainiert, beginnen sie, menschliche egozentrische Videos und das Verhalten von Robotern im Repräsentationsraum „in Einklang zu bringen“. Dann kann man Robotern anhand günstiger Aufnahmen von Menschen etwas beibringen, ohne eine Unmenge an expliziten Alignment-Tricks zu benötigen.
In der Studie berichtet PI von Verbesserungen um ungefähr ~2× bei einer Reihe von „nur für Menschen“ konzipierten Generalisierungsszenarien, wenn während der Feinabstimmung menschliche Videos hinzugefügt wurden. Das ist ein erster Hinweis darauf, dass der nächste Daten-Tsunami für Roboter vielleicht nicht aus mehr Roboterstunden besteht … sondern aus mehr Menschen, die ihr Leben vor der Kamera verbringen.
Natürlich gibt es einen großen Vorbehalt
„Beeindruckender Lauf“ ist nicht dasselbe wie „zuverlässiges Produkt“. Ein paar Realitätschecks, damit eure Erwartungen keinen Parkour hinlegen:
- Das sind nach wie vor fragile, kontaktintensive Aufgaben, bei denen der Erfolg von der Beleuchtung, der Position des Objekts oder einem etwas zu nassen Schwamm abhängen kann.
- Manche Fehler sind schlicht Hardwareprobleme: Ein zu breiter Greifer verliert den Hemdärmel-Moment, ganz gleich, wie intelligent die Policy ist.
- Benchmarks sind der Anfang, nicht das Ende – entscheidend ist die Wiederholbarkeit über viele Versuche hinweg, und zwar in vielen Küchen.
Was als Nächstes zu beobachten ist: ob diese Schleife aus „Basismodell + Feinabstimmung + Evaluation im echten Leben“ beginnt, sich ähnlich zu verstärken wie einst bei Sprachmodellen. Wenn das passiert, wirkt der praktische Zeitplan weniger nach Science-Fiction und mehr nach einer langweilig unausweichlichen Entwicklung.
Wer den vollständigen technischen Beitrag in einem übersichtlichen Format lesen möchte: PIs Ausarbeitung ist als arXiv-HTML-Paperseite.
Anmerkung der Redaktion: Dieser Inhalt erschien ursprünglich im Newsletter unserer Schwesterpublikation The Neuron. Mehr von The Neuron gibt es, wenn Sie sich hier für den Newsletter anmelden.