Was ist Physical AI in der Fertigung? Lektionen von FANUC, Nvidia, BMW und Hyundai

Auf der Bühne der Nvidia GTC-Konferenz im März 2026 machte Jensen Huang eine Aussage, die vor fünf Jahren noch ungewöhnlich gewesen wäre: “Physische KI ist da – früher oder später wird jedes Industrieunternehmen zu einem Robotikunternehmen.” Kurz darauf kündigte FANUC seine Pläne an, Nvidias Simulations- und Edge-KI-Technologien in seine Roboter zu integrieren. BMW verkündete bereits die Ergebnisse der Arbeit eines humanoiden Roboters in seinem Werk in Spartanburg nach zehn Monaten Nutzung. Hyundai versprach bereits, den Atlas-Roboter von Boston Dynamics ab 2028 in seinem Werk in Georgia einzusetzen.

Die Videos, die die Fähigkeiten von Humanoiden demonstrieren, sind wirklich beeindruckend. Ein Humanoid nähert sich einem Regal, nimmt das Blechstück und legt es auf die Vorrichtung. Man könnte denken, dass die Fabriken der Zukunft mit humanoiden Robotern vollgestopft sein werden.

Betritt man jedoch eine Fabrik, die Miniatur-Leistungsschalter produziert, ändert sich das Bild. Der silberne Kontakt von weniger als einem Zentimeter Größe wird in weniger als zwei Sekunden verschweißt, das Nieten erfolgt unter Hunderten von Newton Druck mit einer Genauigkeit von wenigen Hundertsteln Millimeter, und jeder Schalter wird mit 5 bis 10 Mal mehr Strom als erlaubt und innerhalb von Millisekunden geschaltet. Kein Humanoid würde diese Aktion schneller ausführen als die spezialisierte Ausrüstung.

Der Artikel widmet sich dieser Lücke. Physische KI in der Fertigung wird bereits eingesetzt und sehr schnell weiterentwickelt, aber in den meisten Fabriken liegt ihr Potenzial nicht in Humanoiden, sondern in Maschinen, die sehen, fühlen und ihre Abläufe im geschlossenen Regelkreis steuern können. Im Artikel erklären wir, was physische KI ist, was FANUC, Nvidia, BMW und Hyundai in diesem Bereich tun und wie sie in der Produktion nützlich wird. Dies wird anhand von drei Fällen aus der Produktion von Leistungsschaltern veranschaulicht: Nieten, Kontaktverschweißen und magnetische Auslöseprüfung.

Dieser Artikel setzt unsere Artikelreihe zum Thema fort agentische KI in der Fertigung，während agentische KI sich mit Softwareagenten beschäftigt, die Pläne erstellen und Operationen ausführen, beschreibt physische KI Roboter und Geräte, die die Aufgaben in der realen Welt erledigen. In der Praxis sind beide eng miteinander integriert.

Kurze Antwort: Physische KI in der Fertigung Die Welt bezieht sich auf KI-Systeme, die sensorische Daten aus der Umgebung über Kameras, Sensoren und andere Signale aufnehmen, analysieren, was sie verarbeitet haben, und Roboter oder Maschinen einsetzen, um entsprechend zu handeln. NVIDIA liefert das primäre Betriebssystem für diese Systeme; FANUC, ABB, KUKA und Yaskawa integrieren diese Systeme in Roboter; BMW und Hyundai testen humanoide Roboter für Logistik und Teilehandling. Für Aufgaben, die Präzision erfordern, wie Nieten, Schweißen und elektrische Tests, ist ein Beispiel für die Implementierung physischer KI die Vision-Kraft-Regelung in einem geschlossenen Regelkreis auf speziellen Geräten statt eines humanoiden Roboters.

Was ist physische KI in der Fertigung?

Physische KI bezieht sich auf die künstliche Intelligenz, die in der physischen Welt funktioniert und nicht nur auf Bildschirmen. Laut FANUC America kombiniert sie KI mit Robotik, um Maschinen die Fähigkeit zu geben, in einer sich verändernden Umgebung wahrzunehmen, zu denken und zu handeln. Ein Sprachmodell erzeugt Text, während ein physisches KI-System ermittelt, wie viel Druck angewendet werden muss, um einen Gegenstand zu halten, wo das Schweißgerät platziert werden soll oder ob das gerade gemessene Kraftprofil anzeigt, dass die Niete in Ordnung ist.

Robotik existiert seit Jahrzehnten in Fabriken, weshalb es wichtig ist zu verstehen, was dieser spezielle Roboter kann, was bisher nicht möglich war. Ein Standard-Industrieroboter arbeitet, indem er einer von einem menschlichen Ingenieur vorgegebenen Bahn folgt. Wenn ein Teil leicht fehlplatziert ankommt, versagt entweder der Roboter oder es wird von einem Sensor erkannt, der von jemandem repariert werden muss. Ein physisches KI-System soll all dies direkt und autonom erledigen können: herausfinden, wo sich das Teil befindet, sein Verhalten ändern, das Ergebnis überprüfen und daraus lernen.

Traditionelle Automatisierung vs Agentische KI vs Physische KI

	Traditionelle Automatisierung	Agentische KI	Physische KI
Wo sie funktioniert	Maschinen und SPS	Softwaresysteme wie MES, ERP und Wartungstools	Roboter und Maschinen in der realen Welt
Wie sie entscheidet	Feste Regeln und vorgegebene Pfade	Plant Schritte zu einem Ziel unter Verwendung von Daten und Softwaretools	Gelernte Modelle, die das Wahrgenommene mit der Bewegung verknüpfen
Hauptinputs	Sensorschwellen, Endschalter	Aufträge, Testaufzeichnungen, Alarme, E-Mails	Kamerabilder, Kraft und Drehmoment, Position, Strom, Ton
Typischer Ausgang	Akzeptiere oder lehne ein Teil ab, führe einen festen Zyklus aus	Ein Arbeitsauftrag, ein neuer Zeitplan, eine Empfehlung	Eine angepasste Bewegung, eine korrigierte Kraft, ein Greifen oder Platzieren
Beispiel	Eine Presse lehnt ein Teil oberhalb eines Kraftlimits ab	Ein Agent plant Jobs nach einer Lieferverzögerung neu	Ein Roboter findet die tatsächliche Position eines Teils durch Vision und passt seinen Griff an

Die Bausteine der physischen KI

Wenn man die Ausschmückungen weglässt, bestehen die meisten KI-Systeme aus denselben vier Komponenten:

Wahrnehmung. Die Verwendung von Kameras, 3D-Vision, Kraftsensoren und elektrischen Signalen wie Strom und Zeit ermöglicht reichhaltige Wahrnehmungsprozesse, die KI-Systeme lernen lassen.
Weltmodelle und Simulationen. Es ist sicherer und schneller für Roboter, durch Simulationen zu lernen, als in Echtzeit zu arbeiten. Nvidias Isaac Sim und Omniverse-Weltmodelle sowie die Newton-Physik-Engine wurden für diesen speziellen Bedarf geschaffen – die Erzeugung realistischer Trainingsdaten und das Testen der Roboteraktivität.
Edge Computing. Eine Bewegungsentscheidung muss innerhalb von Millisekunden direkt neben der Maschine getroffen werden. Dies geschieht durch den Einsatz von Edge-Computing-Modulen wie der Jetson-Serie von Nvidia, die zunehmend von FANUC und ABB in Roboter integriert wird.
Roboter- oder Maschinentechnologie. Die KI-Technologie kann die Form eines Sechs-Achsen-Roboterarms, eines mobilen Roboters oder eines Schweißkopfs haben.

Nvidia spricht davon, dass für KI-Technologie drei Computer benötigt werden: Ein Computer sollte im Rechenzentrum stehen, der andere in der virtuellen Simulation der Welt und der letzte im Roboter. Diese Perspektive erinnert gut daran, dass KI ein System und kein Produkt ist.

Wie Physische KI, Agenten-KI und Digitale Zwillinge zusammenpassen

BMW erläuterte, wie diese Ideen zusammenpassen, als im September 2026 humanoide Roboter im Werk Leipzig vorgestellt wurden. Genauer gesagt entscheiden und steuern KI-Agenten die Roboter, während die Roboter sicherstellen, dass diese Intelligenz in einer physischen Bewegung umgesetzt wird. In der Praxis teilen diese drei Elemente ihre Rollen wie folgt auf:

• A digitaler Zwilling der Produktionslinie simuliert eine Anlage, um Änderungen auf virtueller Ebene zu testen, bevor tatsächliche Ausrüstung berührt wird.
• Agenten-KI trifft Entscheidungen bezüglich der nächsten Schritte, z. B.: welche Aufgabe ausgeführt werden soll, welches Bauteil inspiziert werden muss, welches Problem gelöst werden soll usw.
  Physische KI führt aus, was getan werden muss, und verhält sich während des Prozesses angemessen.

  FANUC, Nvidia und Hyundai beschreiben ihre Projekte auf ähnliche Weise. Die Trainingsphase und Validierung finden auf Simulationsebene statt, während die Umsetzung der Aufgabe von einem Roboter durchgeführt wird.

Das Physische KI-Ökosystem: Was FANUC, Nvidia, BMW und Hyundai tun

Physische KI scheint an Dynamik und Begeisterung zu gewinnen, als Ergebnis der Aktivitäten einiger Unternehmen im Bereich der physischen KI, von denen eines für die Erstellung der zugrundeliegenden Plattform verantwortlich ist, einige robotische Technologien entwickeln und einige Automobilhersteller humanoide Roboter unter realen Produktionsbedingungen testen. Jeder von ihnen berichtet, was er in Bezug auf das Thema tut.

Nvidia: Die Schicht für die Plattform

Nvidia ist nicht direkt an der Herstellung von Industrierobotern beteiligt, liefert jedoch die meisten relevanten Software- und Hardwarekomponenten für physische KI-Anwendungen. So sprach Nvidia auf der GTC im März 2026 über Folgendes:
Der erste Punkt auf der Liste ist Cosmos 3 – ein universelles Weltmodell, das zur Gewinnung synthetischer Trainingsdaten und zur Vorhersage zukünftiger Veränderungen in Szenen genutzt wird.
Der zweite Punkt sind Isaac Sim und Isaac Lab 3.0, die sich auf Robotersimulation und den Prozess des Reinforcement Learning beziehen.
Das dritte Thema ist, dass das Unternehmen Isaac GR00T offene Modelle für humanoide Roboter entwickelt hat. Der wesentliche Fortschritt hierbei ist, dass GR00T N2 mehr als doppelt so effektiv darin ist, das zu erreichen, wofür es vorgesehen ist, und neue Technologien anzuwenden als die modernsten Modelle, die heute auf der Nutzung visueller und textueller Daten basieren.
Viertens präsentierte Nvidia die Omniverse-Bibliotheken zur Erstellung digitaler Zwillinge.
Nicht zuletzt ist Jetson Thor, die CPU, die einen mit KI ausgestatteten Roboter antreibt. Darüber hinaus kündigte Nvidia die Beteiligung von Foxconn an, das mit Skild AI bei der präzisen Montage von Blackwell-Produktionsanlagen zusammenarbeitet; außerdem trainiert Samsung Roboter, um Verkabelungsarbeiten durch Simulation durchzuführen.

Adresse: Santa Clara, Kalifornien, USA.

FANUC: Bringt Physische KI zu Industrierobotern

FANUC ist die Marke, der man folgen sollte, da sie bereits die Roboter zur Verfügung hat. Das japanische Unternehmen stellt Industrieroboter, CNC-Systeme und Servomotoren her und verfügt über eines der weltweit führenden Beispiele für eine lights-out-Fabrik.

Im März 2026 gab FANUC America bekannt, dass das Unternehmen Nvidia-Technologien in seiner Produktion einsetzt:

Digitale Zwillinge. Das FANUC ROBOGUIDE-Simulationstool kann mit Isaac Sim und Omniverse-Software implementiert werden, wodurch Hersteller fotorealistische Modelle der Zelle oder der gesamten Produktionslinie erstellen und das Modell vor der Installation der Ausrüstung testen können. Viele FANUC-Roboter sind als Vorlagen für Simulationen verfügbar.
Edge KI. Mit Jetsons können Roboter in Echtzeit auf Variationen von Teilen und anderen Vorgängen reagieren.
Offene Installation. FANUC hat den ROS 2-Treiber offiziell veröffentlicht und unterstützt Python für Roboter mit einem Gewicht von 3 kg bis 2,3 Tonnen.
Programmierung in natürlicher Sprache. FANUC nutzt Nvidia KI, damit Roboter natürliche Sprache von Mitarbeitern verstehen und automatisch Python-Code erstellen können, um den Einsatz von nicht spezialisierten Mitarbeitern für Programmierungen zu ermöglichen.

“Physische KI ist der nächste Schritt in der industriellen Automatisierung”, sagte Mike Cicco, Präsident von FANUC. Im Juli 2026 kündigte Fujitsu seine Pläne an, gemeinsam mit FANUC, Yaskawa Electric und Kawasaki Heavy Industries an der Entwicklung physischer künstlicher Intelligenz zu arbeiten, durch die Schaffung einer kooperativen Steuerungsschnittstelle unter Nutzung von Nvidias Technologien, einschließlich Cosmos, Omniverse, Isaac und Newton. Ein besonderes Merkmal der angekündigten Plattform ist die garantierte Datenhoheit, die nach Ansicht von Fujitsu zu besserer Datensicherheit, geringeren Ausfallrisiken und Risiken von Datenlecks beiträgt. Fabrikbesitzer, die besorgt sind, ihre Produktionslinien mit externen KI-Anwendungen zu verbinden, werden den Grund dafür verstehen.

Hauptsitz: 3580 Shibokusa, Oshino-mura, Minamitsuru-gun, Yamanashi 401-0597, Japan. Telefonnummer: +81-555-84-5555. FANUC America befindet sich in Rochester Hills, Michigan, USA.
Feedback senden

BMW: Humanoide bei der Arbeit in der realen Produktion

BMW hat mehr Zahlen zu humanoiden Robotern veröffentlicht als jeder andere Autohersteller weltweit, was seine Erfahrungen besonders interessant für Studien macht.

Im Werk Spartanburg, South Carolina, arbeitete der von Figure AI produzierte Humanoid Figure 02 zehn Monate lang in der Karosseriewerkstatt mit einer Fünf-Tage-Arbeitswoche und einer Schichtdauer von zehn Stunden. BMW gibt an, dass dieser Roboter während 1.250 Arbeitsstunden mehr als 90.000 Teile bearbeitet, Teile mit millimetergenauer Präzision für das Schweißen anordnete und an der Herstellung von mehr als 30.000 Einheiten des BMW X3 beteiligt war. Das Pilotprojekt ermöglichte es BMW, unerwartete Erkenntnisse zur Sicherheit zu gewinnen, darunter die Einführung zusätzlicher Barrieren und Trennwände am Arbeitsplatz sowie eine Verbesserung der 5G-Netzabdeckung in der Werkstatt. Er entnimmt verschiedene Teile aus riesigen Containern und transportiert sie in Auftragsbearbeitungswagen, die schließlich in der richtigen Reihenfolge an die Produktionslinie geschickt werden.

BMW präsentierte erstmals AEON, den von Hexagon Robotics gebauten Humanoiden. AEON ist jetzt 1,65 Meter groß, wiegt 60 Kilogramm und verfügt über die Fähigkeit, Griffarten zu wechseln. Er startet die Produktion von Hochvolt-Batterien und -Komponenten, indem er sich wiederholende Aufgaben übernimmt, die viele Bewegungen erfordern. Darüber hinaus eröffnete BMW sein Kompetenzzentrum für Physische KI in der Produktion, um Partnerunternehmen zu bewerten und Projekte vom Labor in die Fabriken zu übertragen.

Wichtig ist, dass die von BMW entwickelten Humanoiden für den Transport, das Auftragen und die Handhabung von Komponenten zuständig sind. Sie ersetzen nur die logistischen Abläufe, die auf Menschen ausgerichtet sind, und verringern die Bedeutung komplexerer Prozesse im technischen und Fertigungsbereich.. Dieses Verhalten sollte von jedem Unternehmen berücksichtigt werden.

Standort: Petuelring 130, München, Deutschland. Es gibt auch ein Werk in Spartanburg, das sich in Greer, South Carolina, USA, befindet.
Feedback senden

Hyundai und Boston Dynamics: Humanoide im industriellen Maßstab

Die Hyundai Motor Group hat Boston Dynamics übernommen und beispiellose Investitionen in humanoide Roboter im Industriesektor getätigt.

Auf der CES im Januar 2026 stellte das Unternehmen die schnelle Produktion von Atlas vor. Der Humanoid ist vollständig elektrisch, verfügt über 56 Achsen und kann bis zu 50 Kilogramm greifen. Außerdem benötigt die Maschine keine externen Energiequellen. Die Hyundai Motor Group plant, Atlas im gemeinsamen Werk des Unternehmens in den USA einzusetzen und wird wahrscheinlich die Produktion von Humanoiden in den Vereinigten Staaten von Amerika starten.

Durch die Partnerschaft mit Nvidia arbeitet Hyundai an der Software, die es dem Unternehmen ermöglichen wird, den Betrieb der Fabrik zu etablieren. Außerdem planen sie, etwa $3 Milliarden in die Entwicklung der physischen KI-Technologie Koreas zu investieren.

Die Standorte der Werke der Hyundai Motor Group befinden sich in Ellabell, Bryan County, Georgia, USA. Boston Dynamics hat seinen Sitz in Waltham, Massachusetts.

ABB, KUKA, Yaskawa und andere Unternehmen

Darüber hinaus zeigen andere Hersteller von Robotern Interesse im Bereich der Humanoiden. Die Firma ABB entwickelt ihre Omniverse- und Isaac-Simulationsprogramme, um die Effizienz der Roboter zu verbessern und deren Betrieb zu steuern. Solche Unternehmen wie KUKA und Yaskawa setzen diese Simulationen ebenfalls ein. Universal Robots ist eine Partnerschaft mit Skild AI eingegangen, um seine Cobots in die Lage zu versetzen, grundlegende Aufgaben zu übernehmen.

Physische KI-Unternehmen im Überblick

Unternehmen	Hauptsitz	Rolle in der physischen KI	Flaggschiff-Arbeit
Nvidia	Santa Clara, USA	Plattform: Simulation, Weltmodelle, Robotercomputer	Isaac Sim, Omniverse, Cosmos 3, GR00T, Jetson Thor
FANUC	Oshino, Yamanashi, Japan	Industrieroboter und CNC	ROBOGUIDE mit Isaac Sim, ROS 2-Treiber, Programmierung in natürlicher Sprache
ABB Robotik	Zürich, Schweiz	Industrieroboter	Virtuelle Inbetriebnahme mit Omniverse, Jetson in Steuerungen
KUKA	Augsburg, Deutschland	Industrieroboter	Omniverse und Isaac in der virtuellen Inbetriebnahme
Yaskawa	Kitakyushu, Japan	Industrieroboter und Antriebe	Simulationsintegration; Fujitsu Physical AI Plattform
BMW Gruppe	München, Deutschland	Hersteller und Pilotanwender	Figure 02 und 03 in Spartanburg, Hexagon AEON in Leipzig
Hyundai / Boston Dynamics	Seoul, Korea / Waltham, USA	Hersteller und Humanoiden-Hersteller	Atlas bei Metaplant America ab 2028; Nvidia AI-Fabrik
Figure AI	Kalifornien, USA	Humanoiden-Hersteller	Figure 02 und 03 bei BMW
Hexagon Robotics	Stockholm, Schweden (Hexagon)	Humanoiden-Hersteller	AEON bei BMW Leipzig

Beispiele für Physische KI auf dem heutigen Fabrikboden

Abgesehen von den Konzeptvideos bieten die vorangegangenen Absätze einen umfassenden Überblick über die Anwendungen der physischen KI, die bereits im Betrieb sind oder getestet werden:

Beladung von Teilen zum Schweißen. Wie in Abbildung 2 gezeigt, werden die für die Fahrzeugproduktion von BMW geschweißten Teile seit mehr als zehn Monaten verwendet.
Reihenfolge der Teile. In Abbildung 3 dargestellt, wird ab 2028 auf dem Gelände in Spartanburg Atlas bei Hyundai eingesetzt, um die Reihenfolge und Sortierung von Komponenten für die Fertigung zu veranschaulichen.
Produktion von Batterien und Komponenten. Hochvolt-Batterien, die von BMW Leipzig hergestellt werden, nutzen das AEON-Programm von Hexagon.
Virtuelle Inbetriebnahme. Omniverse und Isaac Sim ermöglichen die Simulation von ABB-, FANUC-, KUKA- und Yaskawa-Robotern sowie deren Programmierung, bevor sie tatsächlich eingesetzt werden.
Programmierung basierend auf natürlicher Sprache. Die Programmierung der FANUC-Roboter übersetzt gesprochene Befehle in die Programmiersprache Python.
Hochpräzise Elektronikmontage. Die von Foxconn betriebene Großserienanlage, die Technologie von Skild AI verwendet, hat die Machbarkeit der Nutzung der Nvidia Blackwell-Anlage sowie die dahinterstehenden Produktionsprinzipien gezeigt.
Handhabung von Drähten und Kabeln. Samsung trainiert weiterhin Roboter, um Drähte in seinen Anlagen zu manipulieren, die die schwierige Aufgabe der Arbeit mit flexiblem Draht unter Verwendung traditioneller Robotertechnologie simulieren.

Insgesamt geht der Trend zur Variation. Humanoide Roboter werden dort eingesetzt, wo Teile unsortiert ankommen und die Arbeitsumgebung auf den menschlichen Arbeiter ausgerichtet ist. KI-ausgestattete Roboterarme werden in Fällen angewendet, in denen die Teile durch flexible Elemente dargestellt werden, die sich ständig in Bewegung befinden. Im Hinblick auf stabile Prozesse bietet KI Unterstützung bei der Verarbeitung großer Datenmengen, anstatt traditionelle Methoden zu ersetzen.

Realitätstest: Warum Humanoide Ihre Leistungsschalter nicht montieren werden

Um es klar zu sagen, mehreren Fabrikleitern werden humanoide Videos gezeigt und sie werden gefragt, ob sie eine Robo-Strategie haben oder nicht.

Humanoide Roboter in der Fertigung machen Sinn, wo die Arbeit menschenförmig ist: den eigenen Körper im Gebäude bewegen, in Regale greifen und Teile verschiedener Größen in menschenähnlichem Raum liefern. Im Gegensatz dazu sind sie für kleine und schnelle Aufgaben nutzlos. Das Beispiel der Montage von Leistungsschaltern veranschaulicht dies sehr gut.

Anforderung	Typischer Bedarf bei der MCB-Produktion	Allgemeiner humanoider Roboter	Spezialisierte Maschine mit Sicht- und Kraftregelung
Zykluszeit	Etwa 1,5–3,5 Sekunden pro Vorgang	Für Flexibilität gebaut, nicht für Sekunden-Zykluszeiten	Ausgelegt auf die Ziel-Taktzeit
Positionierung	Hundertstel Millimeter	BMW berichtet von Millimeter-Genauigkeit bei der Positionierung von Teilen	Sichtausrichtung auf ±0,02–0,05 mm bei Benlong-Maschinen
Prozesskraft	Hunderte Newton bis mehrere kN, auf wenige Prozent geregelt	Nicht als Presse- oder Schweißkopf ausgelegt	Servokraftregelung, z. B. 100–1.000 N bei ±3%
Daten pro Einheit	Kraftkurve, Schweißenergie oder Auslösezeit für jede Seriennummer	Abhängig von der Integration	Pro Einheit protokolliert und an das MES gesendet
Beste Verwendung	—	Logistik, Sequenzierung, Maschinenbedienung, Materialhandling	Nieten, Schweißen, Testen, Montage

Dies bedeutet nicht, dass Humanoide keine Rolle in der Produktion von elektrischen Geräten spielen. BMW und Hyundai testen Roboter, die Aufgaben wie das Bewegen von Spulen, das Laden von Magazinen oder den Transport kompletter Kartons übernehmen. Allerdings, können die wirklich wertschöpfenden Aktionen bei der Herstellung von Leistungsschaltern nur von spezialisierten Maschinen mit Sensor- und Steuerungssystemen durchgeführt werden, die im geschlossenen Regelkreis arbeiten.

Wo Physische KI funktioniert: Erfassen und Handeln im geschlossenen Regelkreis

Wenn man über Präzisionsfertigung spricht, handelt es sich im Wesentlichen um einen Vorgang, der während aller Zyklen im Regelkreis abläuft. Dieser besteht aus vier Schritten:

Erfassen – eine Kamera identifiziert das Teil, dann wird entweder mit dem Kraftsensor oder dem Servomotor die Kraft gegen die Bewegung gemessen, während der Wechselrichter die zum Schweißen verwendete Energie anzeigt und das Testsignal die Auslösezeit identifiziert.
Entscheiden – der Controller vergleicht das empfangene Signal mit dem bekannten “goldenen” Muster und prüft es gegen bestimmte von Ingenieuren festgelegte Grenzwerte. Außerdem kann ein KI-Algorithmus etwas tun, was ein regelbasiertes System nicht kann: den Beginn fehlerhafter Kurven erkennen, anstatt nur zu sehen, dass einer der Werte über dem Grenzwert liegt.
Handeln – Die Maschine kann entweder die Positionierung des Teils vor dem Verbinden korrigieren, bei einem abnormalen Signal stoppen oder das Teil ablehnen, oder zumindest auf einen bestimmten Trend aufmerksam machen.
Lernen – Jedes der Signale wird unter einer spezifischen Seriennummer gespeichert, die für das Modell-/Algorithmustraining verwendet wird.

Drei unten erläuterte Prozesse für die Produktion von Miniatur-Leistungsschaltern veranschaulichen diesen Prozess. Die für die Datenerfassung und Datenprotokollierung verwendete Hardware ist in den heutigen Maschinen bereits vorhanden..

Nieten: Lesen der Kraft-Verschiebungs-Kurve

Nieten ist eine Methode, um Leistungsschalterpole zu Einheiten mit mehreren Polen zusammenzufügen und Verbindungen mit Hilfe von Silberkontakten herzustellen. Ein Niet kann von außen gut aussehen, während er dennoch locker, gerissen oder zu kurz ist.

Sobald das MES beginnt, diese Art von Daten automatisch zu erfassen, können dieselben Personen mehr Arbeit an der Produktionslinie erledigen und sich mit echten Problemen beschäftigen, anstatt Testberichte abzutippen. MCB-Mehrpol-Automaten-Montagemaschine, die Seitenwand eines Teils wird zuerst mit der Kamera auf eine Präzision von ±0,05 mm ausgerichtet und nivelliert. Jedes Teil, das nicht ausgerichtet ist, wird von der weiteren Bearbeitung ausgeschlossen. Das Nietsystem wird dann mit einer Kraft von 500 N bis 5 kN angewendet, und die Parameter des Vorgangs werden ständig überwacht, mit Eingriffen im Falle einer Anomalie. Die Maschine misst auch andere Parameter, einschließlich der Anzahl und Tiefe der Nieten.

Kontakt-Nieten bietet eine höhere Effektivität. Ein automatisches Silberkontakt-Nietgerät , das eine Kamera und eine Kraftspanne von 100-1.000 N nutzt, ermöglicht es, eine Kraft-Verschiebungs-Charakteristik zu erzielen, die vom spezifischen Niettyp abhängt.

Hier kommt Physical AI ins Spiel. Ein Grenzwert kann anzeigen, dass der maximal benötigte Wert überschritten wurde. Es ist jedoch höchst unwahrscheinlich, dass er erklärt, dass der Prozessfehler durch einen fehlenden Kontakt, einen gebrochenen Nietkopf, einen abgenutzten Stempel oder eine andere Materialzusammensetzung im Vergleich zu vorherigen Chargen verursacht wurde.

Kontakt-Schweißen: Lernen aus Schweißenergie und Verschiebung

Verbinder werden mit Schweißmethoden hergestellt, Silberpunkte auf Kupferverbindern, Bimetallstreifen für Bewegungen und Kupferlitze, magnetische Auslöseeinheit. Kaltverschweißen kann die Sichtprüfung bestehen und vor Ort versagen.

Sobald das MES beginnt, diese Art von Daten automatisch zu erfassen, können dieselben Personen mehr Arbeit an der Produktionslinie erledigen und sich mit echten Problemen beschäftigen, anstatt Testberichte abzutippen. automatisches Silberpunkt- und Kontakt-Schweißgerät, Widerstandsschweißen wird von einem mittel-frequenten DC-Wechselrichter bei 1–4 kHz angetrieben, mit servo-gesteuerter Elektrodenkraft von 50–500 N bei ±5%. Die Menge der Schweißenergie kann mit dem Profil für jedes Schweißen verglichen werden, Verschiebungs- und Kraftsensoren erkennen Teile, die nicht richtig eingestellt wurden, und zeichnen die Schweißenergie und Anzahl der Zyklen auf und senden sie an das MES.

Das gleiche Prinzip gilt für die Bimetall-, bewegliche Kontakt- und Kupferlitzen-Schweißmaschine, die mit 1.200–1.320 Stück pro Stunde läuft und jede Verbindung ablehnt, deren Energie und Verschiebung außerhalb ihrer Kurven liegen. Die automatische Schweißmaschine für magnetische Auslöseeinheiten fügt eine vision-gesteuerte Ausrichtung und einen Inline-Widerstandstest nach jedem Schweißvorgang hinzu und lehnt Verbindungen oberhalb eines voreingestellten Grenzwerts ab, typischerweise 0,1 mΩ.

Physische KI wird dieses Signal in etwas Nützliches verwandeln. Elektrodenverschleiß zeigt sich allmählich durch Veränderungen in Energie- und Verschiebungsdiagrammen. Derzeit zählen diese Maschinen die Anzahl der Schweißungen pro Elektrode und warnen, wenn ein Austausch erforderlich ist; ein Modell basierend auf diesen Daten wird Prognosen über den Qualitätsabfall der Schweißung ermöglichen, bevor Defekte auftreten.

Magnetischer Auslöse-Test: Erfassung von Drift über Stationen hinweg

Gemäß IEC 60898-1 arbeiten Leitungsschutzschalter nach ihren Kennlinien. Der sofortige Auslöser dieser Schalter liegt innerhalb der durch diese Kennlinien festgelegten Grenzen: etwa 3-5-facher Nennstrom für B-Kurven, 5-10-fach für C-Kurven und 10-20-fach für D-Kurven. Obwohl die Schalter nicht in weniger als 0,1 s auslösen dürfen, dürfen sie die genannten Grenzen nicht überschreiten.

Ein Automatische magnetische Auslöse- und Hochspannungstestmaschine für Leitungsschutzschalter wendet programmierbare Prüfströme von 5x, 7,5x und 10x Nennstrom für B-, C- und D-Kurven an. Das Gerät testet die Auslösezeit mit ±1 ms Genauigkeit, misst den Kontaktwiderstand unter 0,5 mΩ und prüft die Hochspannungsfestigkeit auf 4000 V Niveau. Messwerte wie Auslösezeit, Ereignisse (Ein/Aus), Leckstrom, Bestehen/Nichtbestehen und Zeitstempel werden im MES-System mittels OPC UA-Protokoll gespeichert.

Hier beginnen die Unterschiede zwischen physischer und agentischer KI zu verschwimmen. Tatsächlich basiert ein langsam bestimmtes Auslösergebnis oft auf einem Prozess in der Vergangenheit, z. B. Spulenschweißen, einem Bügel von einem neuen Lieferanten oder einer Änderung beim Nieten. Durch die Anbindung an das Datensystem kann ein Modell das Qualitätsresultat auf die Schweiß- und Nietsignale des untersuchten Leitungsschutzschalters zurückverfolgen. Unser agentischer KI-Leitfaden zeigt, wie ein Qualitätsagent genau diese Art von Drift untersuchen könnte MCB-Automatikprüflinie und eine Maßnahme vorschlagen kann, die ein Ingenieur genehmigen soll.

Was auch immer die KI ist, sie darf niemals die Grenzen der Auslöseeinstellungen erweitern oder die festgelegten Prüfziele eigenmächtig ändern.. Pass/Fail-Entscheidungen zur Einhaltung der IEC-Normen gehören zum genehmigten Modell des Prüfsystems.

Der Closed Loop auf einen Blick

Station	Erfassen	Entscheiden	Handeln	Daten pro Einheit gespeichert
Mehrpoliges Nieten	CCD-Vision, Servokraft und -tiefe	Ausrichtungsprüfung; Kraft und Tiefe gegen Grenzwerte	Ablehnen vor dem Nieten; Stopp bei abnormaler Kraft	Nietkraft, Visionsergebnis, Zeitstempel, verknüpfte Seriennummern
Kontakt-Nietung	Vision ±0,02 mm, Kraft-Verschiebungs-Kurve	Kurve gegen das Goldprofil	Schlechte Nieten ablehnen	Kraft-Verschiebungs-Kurve
Kontakt-Schweißen	Schweißenergie, Elektrodenkraft, Verschiebung	Energie und Verschiebung gegen gespeicherte Kurven	Ablehnen von Verbindungen außerhalb des Profils; Elektrodenverschleiß-Warnung	Schweißenergie, Kraft, Zyklusanzahl
Magnetisches Auslöse-Schweißen	Vision-Ausrichtung, Inline-Widerstand	Widerstand gegen Grenzwert (z. B. 0,1 mΩ)	Automatische Ablehnung	Schweißergebnis, Elektrodenanzahl
Magnetischer Auslösetest	Prüfstrom, Auslösezeit ±1 ms, Leckstrom	Gegen IEC-Kurvenband	Bestehen/Nichtbestehen Sortierung	Auslösezeit, Kontaktwiderstand, Leckstrom, Seriennummer

Wie man mit Physischer KI in einem mittelgroßen Werk beginnt

Die überwiegende Mehrheit der Hersteller benötigt weder einen humanoiden Piloten noch das gesamte System von Nvidia, um einen Nutzen zu erzielen. Ein konkreter Schritt für mittelgroße Unternehmen aus der Produktion von Elektromaschinen sieht wie folgt aus:

Wählen Sie die Art der Tätigkeit, die gute Qualitätssignale liefert, um zu beginnen. Servo-Nieten, Schweißen und elektrische Prüfungen von Maschinen sind perfekt, da sie die Attribute besitzen, die Physical AI zum Lernen benötigt, wie Kraftkurven, Schweißenergie und Auslösezeit.

Digitalisieren Sie jedes Signal und jede Einheit. Es ist entscheidend, eine vollständige Kurve zu erzeugen, nicht nur die Bestehen/Nicht-Bestehen-Berichte, und diese mit der Seriennummer, dem Rezept und der Materialcharge zu verknüpfen.

Erstellen Sie eine Datenbank mit guten und schlechten Beispielen. Kennzeichnen Sie Ablehnungen in der Datenbank stets, wie fehlende Details, Riss im Niet, Kaltverschweißung und Kugelelektrode mithilfe eines Kennzeichnungssystems. Es ist wichtig, gute Labels zu haben, um ein gutes Modell zu erhalten.

1. Simulieren Sie Prozesse vor jeglichen Änderungen an der Produktionslinie. Verwenden Sie Simulationssoftware Ihres Roboterlieferanten, wie FANUC ROBOGUIDE oder Isaac Sim, oder eine digitale Zwilling der Linie, um neue Layouts, Roboterpfade oder Zykluszeiten zu testen.5. Beginnen Sie mit dem Schattenmodus. Lassen Sie die KI Kurven klassifizieren und Trends markieren und vergleichen Sie deren Erkennung über einige Monate mit der von Ingenieuren.

   Behalten Sie Grenzen und Sicherheit im SPS-System bei. Die KI kann Sie über bevorstehende Probleme informieren.

   Ziehen Sie den Einsatz von Humanoiden und mobilen Robotern nur für logistische Zwecke in Betracht. Die Bereitstellung von Rohmaterialien, das Laden von Magazinen und die Handhabung von Kartons sollten die einzigen Einsatzbereiche für Roboter sein.

Die besten Unternehmen im Global Lighthouse Network des Weltwirtschaftsforums verwendeten einen ähnlichen Ansatz wie oben beschrieben: zuerst stabile Prozesse und vollständige Daten, dann KI obendrauf. Wir haben behandelt, wie Siemens, Schneider Electric und Eaton dorthin gelangten in unserem Leitfaden zu Fabrik-Lighthouse-Beispielen.

Physical AI Robotik ist noch jung, und einiges von dem, was heute angekündigt wird, wird den Kontakt mit einer echten Produktionslinie nicht überstehen. Die sicherste Investition für eine Fabrik derzeit ist Ausrüstung, die jeden Prozess, jeden Zyklus misst und die Daten speichert.. Diese Daten sind es, die jede zukünftige KI, physisch oder agentisch, benötigen wird.

Häufig gestellte Fragen

Was ist Physical AI in der Fertigung?

Physical AI bezieht sich auf künstliche Intelligenzsysteme, die Beobachtungen der physischen Welt mit Kameras, Druckmessgeräten und anderen Geräten durchführen, diese Informationen interpretieren und Steuermechanismen kontrollieren, die bestimmte Aktionen ausführen. Im Gegensatz zu herkömmlichen Robotern, die darauf trainiert sind, entlang vorgegebener Trajektorien zu arbeiten, können Physical AI-Systeme auf Veränderungen an Objekten und anderen Bedingungen reagieren. Bevor sie in Betrieb genommen werden, werden solche Systeme üblicherweise in einer Simulation trainiert.

Welche Unternehmen stellen Physical AI her?

Nvidia stellt einen Großteil der Plattform bereit, von Isaac Sim bis zu den GR00T-Humanoidenmodellen sowie Jetson-Robotercomputern und Omniverse Cosmos-Weltmodellen. Die Roboterhersteller FANUC, ABB, KUKA und Yaskawa integrieren diese Werkzeuge in ihre Simulationssoftware und Roboter. Zu den Humanoiden-Roboterunternehmen gehören Boston Dynamics, Figure AI, Hexagon Robotics, Agility Robotics, 1X und NEURA Robotics. BMW und Hyundai fertigen physische AIs, die derzeit in Produktionsanlagen eingesetzt werden.

Was sind Beispiele für physische AI?

Einige Beispiele sind die von BMW hergestellten Figure-Humanoiden, die Teile montieren und sortieren in Spartanburg, AEON von Hexagon, das die Batterieassemblierung bei BMW Leipzig unterstützt, und Atlas von Boston Dynamics, der 2028 von Hyundai für die Teile-Sortierung in Georgia eingesetzt wird. Im industriellen Bereich können FANUC-Roboter jetzt durch gesprochene Sprache programmiert und mittels Nvidia-Simulation getestet werden. In der Präzisionsfertigung sieht man physische AI auch bei vision-gesteuerten Servo-Niet- und Schweißmaschinen im Einsatz.

Welche 5 Berufe werden die AI überleben?

Es ist unmöglich, fünf Berufsbezeichnungen zu nennen, die garantiert sicher bleiben, aber der Future of Jobs Report 2025 gibt Einblicke in Berufe, die bis 2030 das schnellste Wachstum verzeichnen werden. Laut dem Bericht sind es die Berufe der Landarbeiter, Lieferfahrer, Softwareentwickler, Bauarbeiter und Verkäufer, die das größte Wachstum erfahren werden, während Pflegeberufe ebenfalls erheblich wachsen werden. In Fabriken verändert künstliche Intelligenz viele Berufe, anstatt sie vollständig zu ersetzen, was bedeutet, dass Wartungsspezialisten, Roboterprogrammierer, Qualitätsingenieure und Prozessspezialisten eine bedeutendere Rolle spielen werden.

Wie wird AI in der Fertigungsindustrie eingesetzt?

Künstliche Intelligenz spielt eine Rolle bei bildbasierter Inspektion, vorausschauender Wartung, Planung von Fertigungsprozessen, Roboterprogrammierung, digitaler Zwillingssimulation, Energiemanagement und Lieferkettenplanung. In der praktischen Anwendung umfasst physische AI den Einsatz von Robotern und Maschinen, die sich an Veränderungen anpassen können, während agentische AI die Koordination von Aktionen von MES- und ERP-Systemen übernimmt. Die fortschrittlichsten Anwendungen im Jahr 2026 umfassen weiterhin datenbasierte Qualitätssicherung und Wartungsdienste sowie Experimente zur Nutzung humanoider Roboter für Logistik und Teilemanagement.

Fazit: Physische AI bedeutet, den Regelkreis zu schließen, nicht den menschlichen Körper zu kopieren

Unternehmen wie FANUC, BMW, Nvidia und Hyundai führen nicht nur Studien zur physischen AI durch, sondern fördern deren Einsatz in Fabriken. Nvidia entwickelt Simulationsmodelle und Robotercomputer, während FANUC und andere Hersteller diese in funktionierenden Robotern implementieren, die bereits Millionen von Stunden im Einsatz sind. Schließlich prüfen BMW und Hyundai humanoide Roboter in operativen Produktionslinien.

Wenn wir jedoch untersuchen, was diese Humanoiden tatsächlich auf Fabrikgeländen tun, sehen wir, dass sie an Prozessen wie Be- und Entladen, Transportieren, Sortieren und Sequenzieren beteiligt sind. Die kompliziertesten Fehler treten also nicht durch sie auf. In den meisten Fällen, physische KI, die in der Fertigung angewendet wird, zeigt sich in Maschinen, die einfach erkennen, ob ein Teil in der Nähe ist, spüren, wie sich eine Struktur bildet, verstehen, wie sich etwas verhält, und entsprechend handeln.

Dies ist der Ansatz, dem Hersteller folgen werden, die in Zukunft in diese Technologie investieren möchten.

Referenzen

• Nvidia – NVIDIA und globale Robotikführer bringen physische KI in die reale Welt (März 2026) – Cosmos 3, Isaac, GR00T, Jetson Thor sowie die Integrationen von FANUC, ABB, KUKA und Yaskawa.
• FANUC America – FANUC beschleunigt physische KI in der Industrierobotik unter Nutzung von NVIDIA-Technologien (März 2026) – ROBOGUIDE, Isaac Sim, ROS 2 und Programmierung in natürlicher Sprache.
• Fujitsu – Entwicklung physischer KI mit FANUC, Yaskawa Electric und Kawasaki Heavy Industries (Juli 2026) – souveräne physische KI-Steuerungsplattform.
• BMW Group – Erster humanoider Roboter im Werk Leipzig vorgestellt (September 2026) – Hexagon AEON, Ergebnisse von Figure 02 in Spartanburg und BMWs physische KI-Strategie.
• Boston Dynamics – Boston Dynamics stellt neuen Atlas-Roboter vor (Januar 2026) – Spezifikationen von Atlas, Hyundai-Einsatzpläne und Roboterproduktionskapazität.
• Hyundai Motor Group – NVIDIA Blackwell AI Factory (Oktober 2025) – 50.000 GPUs, digitale Zwillinge der Fabrik und Robotervalidierung in Isaac Sim.
• Weltwirtschaftsforum – Future of Jobs Report 2025: Jobs der Zukunft – am schnellsten wachsende und abnehmende Berufe bis 2030.

Möchten Sie Vision- und Kraftsteuerung in Ihrer Sicherungsautomatenlinie?

Physische KI beginnt mit Maschinen, die jeden Niet, jede Schweißnaht und jeden Auslöse-Test messen. Wenn Sie MCBs, MCCBs, RCCBs, Schütze oder Schalter produzieren und visiongeführtes Nieten, energieüberwachtes Punktschweißen und vollständig rückverfolgbare magnetische Auslöseprüfungen wünschen, senden Sie uns Ihre Produktmuster, Zielproduktion und eine kurze Beschreibung Ihres aktuellen Prozesses. Unsere Ingenieure empfehlen, wo die geschlossene Regelung zuerst Ihre Fehlerquote senken wird und wie die Daten jeder Station mit Ihrem MES verbunden werden können.

Fordern Sie eine kostenlose Automatisierungsbewertung an →