Von Filip Grządkowski, VP Engineering
Im Wettlauf um die Automatisierung der physischen Welt ist Intelligenz nicht gleich Intelligenz.
Jahrelang wurde die Robotik durch bahnbrechende Fortschritte in KI-Laboren vorangetrieben: Modelle, die anhand von Simulationen, synthetischen Daten und kontrollierten Umgebungen trainiert wurden. Diese Fortschritte sind beeindruckend, aber sie haben eine entscheidende Schwäche: Sie werden weit entfernt von dem Ort entwickelt, an dem sie später zum Einsatz kommen müssen.
Lagerhallen sind keine kontrollierten Systeme. Sie sind dynamisch, unvorhersehbar und voller Sonderfälle – Artikel verschieben sich, Verpackungen verformen sich, Kartons kleben fest, Barcodes verschwinden.
Diese Diskrepanz zwischen den im Labor gewonnenen Erkenntnissen und der tatsächlichen Leistungsfähigkeit hat die großflächige Automatisierung bisher verhindert. Es handelt sich um die Zuverlässigkeitslücke der physikalischen KI, und deren Schließung erfordert Produktionserfahrung.
Realweltdaten sind der Vorteil
Jede Aktion eines Roboters in einem laufenden Lagerbetrieb erzeugt umfangreiche, multidimensionale Daten. Die Roboterinteraktionen von Nomagic erfassen mehr als ein Dutzend solcher Dimensionen – von der Objektgeometrie und den Bewegungspfaden bis hin zu den Ausführungsergebnissen und Fehlermodi.
Mit der Zeit entsteht so etwas weit Wertvolleres als synthetische Datensätze: ein sich ständig weiterentwickelndes Abbild der Realität. Dies ist die Grundlage der “Bibliothek des Chaos” von Nomagic – Millionen realer Grenzfälle aus Produktionsumgebungen. Versteckte Barcodes, sich verschiebende Artikel und beschädigte Verpackungen.
Das sind die Momente, in denen die Automatisierung ausdrücklich versagt. Aber genau hier findet auch das Lernen statt. Und zunehmend sind es diese Momente, die die nächste Generation der KI prägen.
Eine grundlegende Chance
Nomagic nutzt diesen Datensatz, um ein Robotics Foundation Model (RFM) zu entwickeln. Dieses neue KI-Modell ist darauf ausgelegt, sich auf verschiedene physikalische Aufgaben zu übertragen. Im Gegensatz zu herkömmlichen Robotersystemen, die für eng begrenzte Anwendungsfälle konzipiert sind, werden RFMs mit umfangreichen, realen Interaktionsdaten trainiert. Ziel ist nicht nur die Leistungsfähigkeit, sondern auch die Anpassungsfähigkeit – Systeme, die mit Variabilität umgehen, sich von Fehlern erholen und sich im Laufe der Zeit verbessern können.
In der Lagerautomatisierung definiert sich Erfolg nicht durch durchschnittliche Leistung, sondern dadurch, wie Systeme mit unerwartetem Verhalten umgehen. Genau hier werden Daten aus der Praxis zu einem echten Wettbewerbsvorteil.
Spezialisierte Autonomie vs. Allzweckroboter
Die Fulfillment-Branche setzt zunehmend auf Allzweckroboter – Systeme, die für vielfältige Aufgaben in unterschiedlichsten Umgebungen konzipiert sind. Das ist eine überzeugende Vision. Doch im Lagerbetrieb stößt sie auf ein grundlegendes Problem: Effizienz erfordert Spezialisierung.
Der Ansatz von Nomagic basiert auf Spezialisierter Autonomie – KI-Systeme, die für spezifische, hochwertige Aufgaben entwickelt und auf Geschwindigkeit, Präzision und Zuverlässigkeit optimiert sind.
Die Auftragsabwicklung im Lager erfordert höchste Leistung: kontinuierlicher Betrieb, nahezu perfekte Genauigkeit und Hunderte von Kommissionierungen pro Stunde. Um diese Leistung zu erbringen, sind sogenannte “übermenschliche Verkörperungen” oder speziell für diese Aufgabe entwickelte Systeme physikalischer KI erforderlich.
Humanoide Systeme bieten Flexibilität und eignen sich möglicherweise gut für einige bestehende Projekte. Diese Flexibilität hat jedoch ihren Preis: geringerer Durchsatz, höhere Komplexität und reduzierte Effizienz bei großem Umfang. In neuen Umgebungen sind speziell entwickelte Systeme im Vorteil. Sie sind schneller, zuverlässiger und besser skalierbar.
Universalroboter sind zwar vielseitig einsetzbar, spezialisierte Autonomie führt jedoch zu Ergebnissen.
Vision, Lernen, Handeln – und Anpassung
Kern des Ansatzes von Nomagic ist ein einheitliches Framework für physische KI, das auf Bildverarbeitung, Spracherkennung und Aktionserkennung (VLA) basiert. Traditionelle Systeme des maschinellen Lernens eignen sich hervorragend für die Abwicklung von Standardprozessen im Lager: die Identifizierung von Artikeln, die Auswahl von Greifpunkten und die Optimierung der Platzierung mit höchster Geschwindigkeit und Effizienz. Diese hochspezialisierten Modelle sind entscheidend für die Erreichung des Durchsatzes und der operativen KPIs, die in modernen Fulfillment-Umgebungen erforderlich sind.
Doch Lagerhallen sind nicht allein durch vorhersehbare Szenarien definiert. Ständig treten Sonderfälle auf: Artikel verschieben sich unerwartet, Verpackungen verformen sich, Barcodes verschwinden und Objekte werden teilweise verdeckt. Hier liegt der entscheidende Vorteil der realen Produktionsdaten von Nomagic. Durch das Training mit Millionen von Interaktionen aus dem laufenden Lagerbetrieb hat Nomagic VLA-Modelle entwickelt, die Anomalien erkennen, unerwartete Situationen analysieren und sich in Echtzeit anpassen können.
Das Ergebnis ist eine Hybridarchitektur, die optimierte ML-Systeme für die Hochgeschwindigkeitsausführung mit adaptiver VLA-Intelligenz für die Ausnahmebehandlung kombiniert. Anstatt sich ausschließlich auf generalisierte Modelle zu verlassen, nutzt Nomagic spezialisierte Autonomie für den Großteil der sich wiederholenden Arbeitsabläufe und greift nur bei ungewöhnlichen Situationen auf VLA-basierte Schlussfolgerungen zurück.
Dieser duale Ansatz ermöglicht etwas, das in der Robotik historisch gesehen schwierig war: die Erzielung eines sehr hohen Durchsatzes und einer sehr hohen Zuverlässigkeit in großem Maßstab.
All dies geschieht vor dem Hintergrund eines grundlegenden Wandels in der Logistikbranche. Der E-Commerce wächst rasant, während Lagerhäuser mit einem strukturellen Arbeitsmangel zu kämpfen haben. Es gibt schlichtweg nicht genügend Arbeitskräfte, um das bestehende Modell in diesem Umfang aufrechtzuerhalten. Dies ist kein vorübergehendes Phänomen, sondern ein systembedingtes Problem. Für viele Betriebe stellt es einen potenziellen Wendepunkt dar.
Der Mensch ist nicht für Lagerarbeit geschaffen. Monotone Aufgaben, schweres Heben und gleichbleibendes Tempo bringen ihn an seine Grenzen. Roboter sind stattdessen speziell für diese Umgebung entwickelt. Und wenn sie mit künstlicher Intelligenz ausgestattet sind, erreichen sie nicht nur die menschliche Leistungsfähigkeit, sondern übertreffen sie sogar.
