KI News: Kurz und klar.

Der russische Mathematiker Aleksandr Lyapunov hat die moderne Stabilitätstheorie revolutioniert, indem er zwei fundamentale Ansätze zur Analyse von dynamischen Systemen entwickelte. Seine Arbeiten bilden die Basis für die Bewertung, ob ein Gleichgewichtspunkt in einem System dauerhaft bleibt oder sich im Zeitverlauf verändert.

In der Robotik ist sichere Lernsteuerung unverzichtbar, doch bisherige Ansätze setzen meist alle Sicherheitsbedingungen gleich oder nach starren Prioritätsreihenfolgen durch – ein Vorgehen, das häufig zu Unzulässigkeit und sprödem Verhalten führt.

Ant Group’s Robbyant-Team hat LingBot‑VLA vorgestellt, ein Vision‑Language‑Modell, das mehrere Dual‑Arm‑Roboter in realen Umgebungen steuern kann.

Open Source ist entscheidend für Innovation in Robotik und Autonomie. Durch Bereitstellung von kritischer Infrastruktur – von Simulationsframeworks bis zu KI-Modellen – ermöglicht NVIDIA kollaborative Entwicklung, die den Weg zu sichereren, leistungsfähigeren autonomen Systemen beschleunigt.

In der Welt der Optimierung und Regelungstechnik gibt es spannende Parallelen, die uns helfen, Systeme besser zu verstehen und zu verbessern. Ein zentrales Thema ist die Robustheit – die Fähigkeit eines Systems, trotz Störungen und Unsicherheiten zuverlässig zu funktionieren.

Tesla hat im Geschäftsjahr 2025 erstmals einen Umsatzrückgang verzeichnet, während der Gründer Elon Musk seine Vision von autonomen Taxis und Robotern weiter vorantreibt. Das Unternehmen meldete einen Umsatz von 94,8 Billionen US-Dollar, was einem Rückgang von 3 Prozent im Vergleich zum Vorjahr entspricht. Dieser Rückgang ist der erste seit 2010, als Tesla erstmals Finanzberichte veröffentlichte. Musk bleibt jedoch optimistisch und betont, dass die Zukunft des Unternehmens in der Robotik und der autonomen Mobilität liegt, die laut seiner Einschätzung die Nachfrage in einem Markt, in dem der Verkauf von Fahrzeugen stagniert, wieder ankurbeln könnten.

In den letzten Jahren haben sich Neurowissenschaften und Künstliche Intelligenz (KI) deutlich weiterentwickelt, bleiben jedoch bislang nur lose miteinander verknüpft. Auf Basis eines Workshops im August 2025 identifizierten die Teilnehmer aktuelle und zukünftige Synergien zwischen beiden Disziplinen.

Im Bereich der Robotik ermöglicht Imitation Learning, dass Maschinen komplexe Manipulationsaufgaben aus menschlichen Demonstrationen erlernen. Traditionelle Ansätze stützen sich dabei ausschließlich auf rohe sensorimotorische Daten und vernachlässigen dabei das reichhaltige semantische Wissen, das Menschen intuitiv besitzen.

Eine neue Veröffentlichung auf arXiv liefert exakte analytische Formeln für die Unsicherheitsweitergabe in trainierten Multi‑Layer‑Perzeptronen (MLPs) mit einer einzigen versteckten Schicht und ReLU‑Aktivierungsfunktionen. Die Autoren zeigen, wie man die Erwartungswerte und Varianzen der Netzwerkausgabe berechnet, wenn die Eingabe einer mehrdimensionalen Gaußverteilung folgt.

Eine neue Studie aus dem Bereich der Robotik und künstlichen Intelligenz präsentiert einen Agenten, der sich an den neuronalen Mechanismen von Insekten orientiert, um visuelle Zielnavigation zu meistern. Durch die Kombination von Modellen, die das assoziative Lernen und die Pfadintegration in Insektenhirnen nachbilden, wird ein schlanker, aber leistungsfähiger Navigationsalgorithmus geschaffen.

Eine Reihe von Start‑Ups und Universitäten, die KI‑Wissenschaftler entwickeln, um Experimente im Labor zu entwerfen und durchzuführen, haben kürzlich zusätzliche Mittel von der britischen Agentur für hochambitionierte Forschung erhalten.

Mit der zunehmenden Verbreitung von Robotern auf Baustellen wird die Fähigkeit, menschliches Verhalten zu erkennen und darauf zu reagieren, immer wichtiger. Nur so lassen sich sichere und effiziente Arbeitsabläufe gewährleisten.

In der Robotik wird die kontaktreiche Manipulation – bei der sämtliche Oberflächen eines Greifers genutzt werden – als natürlicher und effizienter Ansatz angesehen als die traditionelle Endeffektor‑basierten Greifmethoden. Trotz dieser Vorteile konzentrieren sich aktuelle modellbasierte Planer vor allem auf die Erreichbarkeit und nicht auf die Optimierung der Trajektorien.

Ein neues arXiv-Preprint (2601.08382v1) stellt ein qualitatives Modell vor, das die Logik von Objektrotationen systematisch erfasst und damit den seit 1976 diskutierten Cube Comparison Test (CCT) von Ekstrom und Kollegen löst.

In der Robotik hat sich die Diffusions‑Policy als besonders ausdrucksstark erwiesen, weil sie multimodale Aktionsverteilungen besser modellieren kann als klassische Policy‑Netze. Trotz dieser Vorteile bleibt die Kombination mit Online‑Reinforcement‑Learning schwierig, weil die Trainingsziele von Diffusionsmodellen nicht mit den üblichen Policy‑Verbesserungsmechanismen von RL übereinstimmen.

Multiply Labs, ein junges Startup, arbeitet mit führenden Zelltherapie-Unternehmen zusammen, um robotergesteuerte Fertigung in Reinräumen zu etablieren. Durch den Einsatz moderner Robotik senken sie die Produktionskosten um mehr als 70 % und steigern gleichzeitig die Ausbringung im Vergleich zu herkömmlichen Systemen.

Der Import AI 440, ein bedeutender Fachkongress für künstliche Intelligenz, fand kürzlich statt und zog Experten aus Forschung und Industrie an. In den Sessions wurden die Themen „Red Queen AI“, KI-Regulierung und O‑Ring‑Automatisierung diskutiert.

In der Robotik und im Game‑AI wird häufig ein hybrider Aktionsraum eingesetzt, der aus diskreten Entscheidungen und kontinuierlichen Parametern besteht. Das effiziente Modellieren und Optimieren dieser Kombination stellt jedoch ein zentrales Problem dar, weil herkömmliche Politiken oft nicht genügend Ausdruckskraft besitzen und in hochdimensionalen Räumen schlecht skalieren.

Ein einziger Fehler eines KI‑Systems in sicherheitskritischen Situationen kann Leben kosten. Mit der zunehmenden Integration von Large Language Models (LLMs) in die Entscheidungsfindung von Robotern wächst das physische Risiko: eine falsche Anweisung kann unmittelbar Menschen gefährden. In diesem Beitrag wird die dringende Notwendigkeit betont, die Leistung von LLMs systematisch zu prüfen, wenn selbst kleinste Fehler katastrophale Folgen haben können.

Reinforcement Learning hat in der Robotik enorme Fortschritte erzielt, doch die fehlenden Sicherheitsgarantien hemmen seine breite Anwendung. Mit dem neuen Modell‑basierten Ansatz Nightmare Dreamer aus dem arXiv‑Papersatz 2601.04686v1 wird dieses Problem angegangen. Der Algorithmus nutzt ein gelerntes Weltmodell, um potenzielle Sicherheitsverletzungen vorherzusagen und plant daraufhin Handlungen, die diese Risiken minimieren.

Die steigenden Arbeitskosten und engere Margen zwingen große Plattformbetreiber wie Grab dazu, nach Automatisierung zu suchen. Durch die Übernahme von Infermove hat Grab seine Robotikkompetenz intern verankert, um die Lieferkosten zu senken. Auf einer Plattform, die Millionen von Lieferungen in Südostasien abwickelt, können selbst kleine Effizienzsteigerungen enorme Auswirkungen haben. Die Integration von Robotiklösungen soll die Betriebskosten reduzieren und die Wettbewerbsfähigkeit von Grab stärken.

Ein brandneues Verfahren namens SCPO (Sampling‑Based Constrained Policy Optimization) verspricht, dass lernende KI‑Modelle ihre Leistung steigern können, ohne jemals die sichere Betriebszone zu verlassen. Das neue Konzept wurde auf arXiv veröffentlicht und richtet sich an Anwendungen, bei denen Sicherheit oberste Priorität hat – etwa in der Robotik, im autonomen Fahren oder in der medizinischen Entscheidungsunterstützung.

Im T‑Mobile Arena in Las Vegas erleben die Fans der Golden Knights mehr als nur ein Hockeyspiel – sie bekommen einen Vorgeschmack auf die Zukunft. Der Roboter ADAM, entwickelt mit den NVIDIA Isaac‑Bibliotheken, serviert Getränke und sorgt damit für Aufsehen in einem der spannendsten NHL‑Veranstaltungsorte.

In der Robotik stellt die hybride Natur physikalischer Dynamik – kontinuierliche Bewegung, die von diskreten Ereignissen wie Kontakten und Stößen unterbrochen wird – eine zentrale Herausforderung für modellbasierte Planung dar. Traditionelle latente Weltmodelle setzen meist monolithische neuronale Netze ein, die globale Kontinuität erzwingen und dadurch die klaren Dynamikmodi (z. B. Haftung vs. Gleiten, Flug vs. Stand) übermäßig glätten. Für einen Planer führt diese Glättung zu katastrophalen Fehlerakkumulationen bei langen Vorhersagen und macht die Suchprozesse an physikalischen Grenzen unzuverlässig.