Microsoft stellt für die nächste Phase der „physischen KI“ das Robotikmodell Rho-alpha vor

Ein zunehmender Vorstoß im Bereich der KI zielt darauf ab, Roboter über repetitive Fabrikarbeit hinauszuführen – in die unübersichtlichen, dynamischen Umgebungen, in denen Menschen leben und arbeiten.

Microsoft Research zufolge beschleunigt sich dieser Wandel nun mit dem Aufkommen von Vision-Language-Action-Systemen, die Wahrnehmung, Schlussfolgern und Bewegung in einem einzigen Modell verbinden sollen.

Mit dieser „Vision“ im Blick hat das Technologieunternehmen Rho-alpha, sein erstes Robotikmodell auf Basis der Phi-Serie von Vision-Language-Modellen des Unternehmens, angekündigt. Das Unternehmen erklärt, es lade Organisationen dazu ein, das Modell im Rahmen eines Research Early Access Program zu evaluieren. Zu einem späteren Zeitpunkt soll Rho-alpha über Microsoft Foundry verfügbar werden.

„Das Aufkommen von Vision-Language-Action-Modellen (VLA) für physische Systeme ermöglicht es Systemen, in Umgebungen, die weit weniger strukturiert sind, gemeinsam mit Menschen zunehmend autonom wahrzunehmen, zu schlussfolgern und zu handeln“, sagte Ashley Llorens, Corporate Vice President und Managing Director, Microsoft Research Accelerator.

Das Unternehmen positioniert diesen Ansatz als Wendepunkt für die Robotik – vergleichbar mit dem, was große generative Modelle für Text und Bilder geleistet haben. Die zentrale Idee: Sprachverständnis mit der Wahrnehmung der realen Welt zu verbinden, damit Roboter neue Aufgaben mit minimaler Neuprogrammierung bewältigen können.

Die Grundlage voranbringen

Die Ankündigung spiegelt einen breiteren Branchentrend wider: Statt auf aufgabenspezifische Automatisierungsabläufe zu setzen, die bei veränderten Bedingungen versagen, werden zunehmend Robotiksysteme mit „Foundation Models“ entwickelt, die sich auf verschiedene Aufgaben verallgemeinern lassen.

Microsofts Botschaft ist klar: physische KI soll eine anpassungsfähige Grundlage sein, keine einmalige Roboterdemonstration.

Beidhändige Manipulation und Steuerung in natürlicher Sprache

Rho-alpha soll Befehle in natürlicher Sprache in Steuersignale für Robotersysteme übersetzen, die Aufgaben zur beidhändigen Manipulation ausführen. Der Fokus auf beidhändige Arbeit ist wichtig, weil viele Aufgaben in der realen Welt – vom Einsatz von Werkzeugen bis hin zu Verpackung und Montage – koordinierte Bewegungen und hohe Präzision im Detail erfordern.

Microsoft nannte Beispiele für Eingaben, mit denen das System angeleitet wird, darunter:

Eingabe: „Drücke mit dem rechten Greifer den grünen Knopf.“
Eingabe: „Ziehe den roten Draht heraus.“
Eingabe: „Bewege den oberen Schieber auf Position 2.“

Das sind Anweisungen, wie Menschen sie ganz selbstverständlich geben. Herkömmliche Roboter haben jedoch oft Schwierigkeiten, sie ohne umfangreiche Programmierung, Kalibrierung oder spezielle Hardwarekonstruktion auszuführen. Wenn Modelle wie Rho-alpha diese Lücke zuverlässig schließen können, ließen sich Roboter leichter in Umgebungen einsetzen, in denen sich Arbeitsabläufe häufig ändern.

Microsoft hob außerdem eine Demonstration mit BusyBox hervor, einem kürzlich vom Unternehmen eingeführten Benchmark für physische Interaktion. In der Aufnahme interagiert Rho-alpha in Echtzeitgeschwindigkeit mit dem Gerät und reagiert dabei auf sprachähnliche Eingaben. Das deutet auf das Potenzial des Systems für eine reaktionsschnelle, schrittweise Ausführung von Aufgaben hin.

Was Rho-alpha zu einem „VLA+“-System macht

Microsoft beschreibt Rho-alpha als „VLA+-Modell“. Damit ist gemeint, dass es über die typischen Bild- und Spracheingaben hinausgeht, die bei früheren VLA-Ansätzen verwendet wurden.

Für die Wahrnehmung ergänzt Rho-alpha taktile Sensorik; außerdem wird daran gearbeitet, Modalitäten wie Kraftmessung zu unterstützen. Das ist ein bedeutender technischer Sprung, weil taktiles Feedback bei Aufgaben wie dem Einstecken von Steckern, dem Greifen unbekannter Objekte oder der Manipulation von Gegenständen, die sich bei Kontakt verschieben, oft entscheidend ist.

Beim Lernen erklärt Microsoft, daran zu arbeiten, Rho-alpha während des Einsatzes kontinuierlich verbessern zu können, indem das Modell aus dem Feedback von Menschen lernt. Diese Fähigkeit könnte den Zeitaufwand für das erneute Training von Modellen von Grund auf verringern und es Robotern zugleich ermöglichen, sich im Laufe der Zeit an bestimmte Umgebungen, Präferenzen oder Sicherheitsanforderungen anzupassen.

Diese Anpassungsfähigkeit steht im Zentrum von Microsofts Argumentation. Das Unternehmen vertritt die Ansicht, dass „Anpassungsfähigkeit“ selbst als Kennzeichen von Intelligenz gelten sollte – mit der Implikation, dass sich die Robotik von starrer Automatisierung hin zu Systemen bewegt, die sich als Reaktion auf Bedingungen in der realen Welt weiterentwickeln.

Mangel an Trainingsdaten bleibt ein großes Hindernis

Eines der schwierigsten Probleme bei Robotik-KI sind die Daten. Anders als Sprachmodelle, die mit riesigen Mengen an Online-Text trainiert werden können, benötigen Roboter Daten, die in physischen Erfahrungen verankert sind. Diese Erfahrungen durch Demonstrationen in der realen Welt zu sammeln, ist zeitaufwendig, teuer und mitunter unmöglich.

Microsofts Ansatz kombiniert physische Demonstrationen mit Simulationen und umfangreichen visuellen Frage-Antwort-Daten aus dem Web. Diese gemischte Trainingsstrategie soll dem Modell helfen, allgemeine visuelle und sprachliche Konzepte zu erlernen und zugleich physische Fähigkeiten zu entwickeln, die eine Interaktion mit der realen Welt erfordern.

Daraus folgt, dass skalierbares Robotiktraining möglicherweise weniger von Flotten ferngesteuerter Roboter und stärker von Simulationssystemen abhängt, die schnell vielfältige Trainingsszenarien erzeugen können – insbesondere für seltene Ereignisse oder gefährliche Aufgaben.

Nvidia Isaac Sim

Microsoft zufolge spielt Simulation eine zentrale Rolle bei der Überwindung der begrenzten Verfügbarkeit von Robotikdaten, insbesondere von Datensätzen mit taktilem Feedback. Die Pipeline erzeugt synthetische Daten in einem mehrstufigen Verfahren, das auf bestärkendem Lernen mit dem offenen Nvidia-Framework Isaac Sim basiert. Diese simulierten Trajektorien werden anschließend mit kommerziellen und frei verfügbaren Datensätzen physischer Demonstrationen kombiniert.

Diese Dynamik der Zusammenarbeit unterstreicht die wachsende Bedeutung der Cloud-Infrastruktur für die Entwicklung von Robotik. Statt Modelle ausschließlich auf dem Gerät zu trainieren, könnten Organisationen zunehmend auf cloudbasierte Simulationen im großen Maßstab setzen, was schnellere Iterationszyklen und raschere Modellaktualisierungen ermöglicht.

Menschliche Korrekturen bleiben Teil des Regelkreises

Trotz der Fortschritte bei Wahrnehmung und Lernen räumt Microsoft ein, dass Roboter nach wie vor Fehler machen können, von denen sie sich nur schwer erholen. Das Unternehmen erklärt, dass menschliche Bediener mithilfe von Teleoperationswerkzeugen wie einer 3D-Maus in Echtzeit Unterstützung leisten können. Microsoft arbeitet außerdem an Werkzeugen und Verfahren zur Modellanpassung, mit denen Rho-alpha aus korrigierendem Feedback lernen kann.

Zu den Eingaben für einen mit taktilen Sensoren ausgestatteten Aufbau mit zwei UR5e-Armen gehörten:

Eingabe: „Nimm den Netzstecker auf und stecke ihn in die untere Steckdose der quadratischen Überspannungsschutzleiste.“
Eingabe: „Lege das Tablett in den Werkzeugkasten und schließe den Werkzeugkasten.“
Eingabe: „Nimm das Tablett aus dem Werkzeugkasten und stelle es auf den Tisch.“

In einem Beispiel beschrieb Microsoft, dass der rechte Arm beim Einstecken des Steckers Schwierigkeiten hatte, bevor er in Echtzeit menschliche Anleitung erhielt. Dieses Detail verdeutlicht eine zentrale Realität der nahen Zukunft: Praktische Einsätze könnten geteilte Autonomie erfordern, bei der Menschen in Ausnahmefällen eingreifen, während sich die Systeme allmählich verbessern.

Der Wandel hin zu anpassbaren Plattformen für physische KI

Microsoft erklärt, an grundlegenden Technologien wie Rho-alpha und zugehörigen Werkzeugen zu arbeiten, die es Herstellern, Integratoren und Endnutzern ermöglichen sollen, cloudbasierte physische KI mithilfe eigener Daten für ihre eigenen Roboter und Szenarien zu trainieren, einzusetzen und kontinuierlich anzupassen.

Bei Erfolg könnte dieses Modell das Robotikökosystem verändern, indem es die Hürden für die Einführung senkt. Statt ausschließlich auf hochspezialisierte Robotikteams angewiesen zu sein, könnten mehr Organisationen anpassungsfähige Systeme einsetzen, die auf ihre individuellen Arbeitsabläufe abgestimmt sind.

Während sich ein großer Teil der KI-Branche auf die Ersetzung menschlicher Arbeitskräfte konzentriert, stellt ein neues Start-up die Menschen in den Mittelpunkt seiner Technologie.