Physical AI soll Maschinen dazu befähigen, ihre reale Umgebung wahrzunehmen, daraus Schlussfolgerungen abzuleiten und selbstständig zu handeln. In der Fertigung betrifft das beispielsweise autonome Roboter und andere KI-gestützte Systeme. Für den Schritt vom Pilotprojekt zum produktiven Einsatz müssen Unternehmen allerdings laut Cognizant technische Zuverlässigkeit, Sicherheit und Wirtschaftlichkeit gleichermaßen nachweisen.

Physical AI braucht Rechenleistung an der Edge

Bei Anwendungen in der realen Welt müssen Entscheidungen teilweise innerhalb von Millisekunden fallen. Ein autonomer Roboter in einer Produktions- oder Lagerumgebung kann bei sicherheitskritischen Funktionen deshalb nicht von der Übertragung seiner Daten in eine entfernte Cloud und deren Antwort abhängig sein. Ein Teil der Inferenz muss direkt an der Edge stattfinden.

Damit steigen die Anforderungen an das Edge Engineering. Modellkomprimierung und Quantisierung können den Rechenaufwand reduzieren. Hinzu kommen stromsparende GPUs und spezialisierte KI-Beschleuniger. Verteilte Edge-Architekturen ermöglichen zudem, Aufgaben auf benachbarte Systeme zu verteilen. Ziel ist ein ausgewogenes Verhältnis zwischen Reaktionsgeschwindigkeit, Genauigkeit, Sicherheit und Betriebskosten.

Die lokale Verarbeitung kann außerdem die Kontrolle über sensible Betriebs- und Produktionsdaten erleichtern. Für Industrieunternehmen im DACH-Raum ist dies insbesondere mit Blick auf Datenschutz, Datensouveränität und die Abhängigkeit von außerhalb der EU betriebenen Infrastrukturen relevant.

Simulation soll Risiken vor dem realen Einsatz reduzieren

Eine zweite Voraussetzung für die Skalierung ist die möglichst realitätsnahe Simulation. Gerade bei sicherheitskritischen Anwendungen müssen Entwickler das Verhalten von KI-gestützten Maschinen prüfen, bevor diese unter realen Bedingungen eingesetzt werden. Digitale Zwillinge können dabei Fabriken, Anlagen und Arbeitsabläufe virtuell abbilden.

Als Beispiele nennt Anuj Seth, Head of IoT & Engineering bei Cognizant NVIDIA Omniverse und Isaac Sim. Omniverse stellt Bibliotheken und Microservices unter anderem für industrielle digitale Zwillinge, Robotiksimulationen und Anwendungen für autonome Fahrzeuge bereit. Isaac Sim dient als Referenzframework für Robotiksimulation, Tests und die Erzeugung synthetischer Daten in physikalisch modellierten virtuellen Umgebungen.

Der Ansatz verschiebt einen Teil der Validierung vor die Investition in Hardware und Produktionsanlagen. Ungeeignete Layouts, mögliche Kollisionen zwischen Robotern oder falsche Annahmen zur Produktionskapazität können dadurch bereits während der digitalen Planung sichtbar werden.

Gesamtsystem statt einzelner Maschinen optimieren

Für die Wirtschaftlichkeit von Physical AI ist nicht nur die Leistungsfähigkeit einer einzelnen Maschine entscheidend. In automatisierten Produktionsumgebungen bestimmt auch das Zusammenspiel mehrerer Systeme die Gesamtleistung. Multi-Agenten-Simulationen können deshalb beispielsweise Durchsatz, Ergonomie und Energieverbrauch auf Systemebene untersuchen.

Auch die Edge-Architektur beeinflusst die Betriebskosten. Lokale Verarbeitung kann Energiebedarf, Datenübertragung und Kosten für Cloud-Rechenleistung beziehungsweise APIs reduzieren. Gleichzeitig kann die virtuelle Darstellung von Anlagen und Abläufen Abstimmungen zwischen Projektbeteiligten unterstützen und Planungsfehler früher sichtbar machen.

Vom Proof of Concept schrittweise skalieren

Statt Physical-AI-Anwendungen unmittelbar großflächig einzuführen, empfiehlt sich ein stufenweises Vorgehen. Zunächst werden Konzepte simuliert und anschließend in begrenztem Umfang validiert. Erst nach erfolgreicher technischer und wirtschaftlicher Prüfung folgt die nächste Skalierungsstufe.

• Systeme vor größeren Investitionen simulieren.
• Anwendungen zunächst im kleinen Maßstab validieren.
• Das Zusammenspiel des Gesamtsystems untersuchen.
• Digitale und physische Systeme nach der Inbetriebnahme weiter miteinander verknüpfen.
• Validierte digitale Modelle für weitere Projekte wiederverwenden.

Zu den technischen Prüfungen kommen regulatorische Anforderungen. Bei sicherheitskritischen KI-Anwendungen müssen Unternehmen im Zuge der Umsetzung des EU AI Acts auch Compliance und Data Governance berücksichtigen. Entsprechende Prüfpunkte sollten deshalb Bestandteil der einzelnen Projektphasen sein.

Neue Kompetenzen für Physical AI aufbauen

Mit der Verlagerung von KI-Funktionen an die Edge verändert sich auch der Kompetenzbedarf. Gefragt sind unter anderem Kenntnisse in Embedded Systems und Echtzeitsoftware. Unternehmen müssen deshalb nicht nur ihre technische Architektur, sondern auch Teams, Rollen und Prozesse auf die neuen Systeme vorbereiten.

Das betrifft ebenso Beschäftigte, die später mit autonomen Maschinen arbeiten. Sie benötigen Klarheit darüber, welche Aufgaben automatisiert werden, welche Verantwortung beim Menschen verbleibt und welche neuen Tätigkeiten entstehen. Dazu können beispielsweise Roboterüberwachung, die Behandlung von Ausnahmefällen oder die Systemaufsicht gehören.

Governance wird Teil der Automatisierungsarchitektur

Mit zunehmender Autonomie gewinnt schließlich die Frage nach der Verantwortung an Bedeutung. Unternehmen müssen festlegen, wer bei Fehlentscheidungen oder Störungen zuständig ist und wie Eingriffe in autonome Prozesse organisiert werden. Governance ist damit nicht nur eine organisatorische Aufgabe, sondern eine Voraussetzung für den kontrollierten Betrieb von Physical AI.

Entscheidend für die Skalierung ist letztlich die Verbindung von Simulation und realem Betrieb. Je besser sich Verhalten und Leistungsfähigkeit eines Systems vorab validieren und anschließend in die physische Umgebung übertragen lassen, desto belastbarer wird der Übergang vom Proof of Concept zum produktiven Einsatz.