Nun, zunächst einmal zeigen diese beeindruckenden Marketing-Videos natürlich nur jene Situationen, in denen die Roboter ihre Aufgaben erfolgreich gemeistert haben. Die unzähligen Fehlversuche und Stürze – die nicht selten mit abgetrennten Roboterarmen und umherspritzender Hydraulikflüssigkeit enden – sind in den viralen Clips dagegen nur selten zu sehen. Selbst in diesen kontrollierten Trainingsumgebungen läuft also bei Weitem nicht immer alles glatt. Und in unserer alltäglichen Umwelt mit all ihren Tücken und Unvorhersehbarkeiten, hätten es die Roboter noch einmal um ein Vielfaches schwerer.
Und woran liegt das? Beim Menschen heißt es: „Der Geist ist willig, aber das Fleisch ist schwach.“ Bei den Robotern ist es dagegen genau umgekehrt: Während die Hardware mittlerweile vergleichsweise weit entwickelt ist, stellt die Software die Entwickler immer noch vor große Herausforderungen. Denn für das Training einer Roboter-KI, durch die sich die Blechbüchsen in einer alltäglichen Umgebung zuverlässig einsetzen ließen, gibt es nicht annähernd genug Trainingsdaten.
Stellen Sie sich beispielsweise vor, sie wollten einen Serviceroboter trainieren, der sich selbstständig in einem beliebigen Haushalt zurechtfinden kann. Dieser Roboter müsste nicht nur durch die Wohnung navigieren und unvorhergesehene Hindernisse überwinden können. Sondern er müsste auch in der Lage sein, verschiedenste Arten von Einrichtungs- und Haushaltsgegenständen zu erkennen, und wissen, was damit zu tun ist und wie man damit unter allen möglichen Umständen umgeht. Mit all diesen Dingen müsste die Roboter-KI zuvor vertraut gemacht werden.
Und wie macht man das? Zum einen kann man versuchen, Videoaufnahmen von menschlichen Bewegungen und Handlungen zu verwenden, um die KI zu trainieren. Allerdings sind Roboter keine Menschen und die Videos – im Gegensatz zur realen Welt – zweidimensional, weshalb sich solche Daten nur bedingt übertragen lassen. Eine weitere Option ist es, die Roboter einfach in einer realen Trainingsumgebung durch Versuch und Irrtum lernen zu lassen. Doch das dauert sehr lange, und selbst dann würde sich der Roboter nur in dieser einen, ganz bestimmten Umgebung zurechtfinden. In allen anderen Situationen wäre er immer noch aufgeschmissen. Was in den Marketing-Videos zu sehen ist, sind letztlich genau solche Fälle: Die Roboter wurden speziell für die gezeigte Aufgabe entwickelt, und genau diese Aufgabe dann lange Zeit an genau diesem Ort mit ihnen trainiert. Ich bezweifle beispielsweise, dass der Roboter Atlas von Boston Dynamics in einer ihm fremden Umgebung in der Lage wäre, ebenso beeindruckend herumzuspringen wie auf seinem bekannten Trainingsparcours.
Um den Lernvorgang zu beschleunigen, gehen die Roboter-Entwickler in vielen Fällen einen anderen Weg: Sie bilden eine alltägliche Umgebung am Computer nach und lassen digitale Zwillinge des Roboters millionenfach darin trainieren. Allerdings kommt man dabei irgendwann an einen Punkt, an dem das Erschaffen einer realistischen virtuellen Umgebung noch arbeitsintensiver wird als das Training an Beispielen in der realen Welt. Einige Unternehmen erzeugen daher Trainingsdaten, indem sie Menschen alltägliche Aufgaben in ihrem Haushalt erledigen lassen. Statt ihrer Hände müssen sie dafür jedoch beispielsweise so etwas wie Sensor-Greifzangen verwenden, mit denen ihre Bewegungen aufgezeichnet werden. Wirklich große Datenmengen lassen sich aber auch mit dieser Methode nur schwer erzeugen.
