Humanoid Robots in der Fabrikhalle – Was tatsächlich eingesetzt wird
Den größten Teil des vergangenen Jahrzehnts traten humanoide Roboter auf Pressekonferenzen und Keynotes mit sorgfältig choreografierten Aufgaben auf – Getränke einschenken, Liegestütze machen, vorsichtig auf ebenen Flächen gehen. Die implizite Verheißung war stets noch ein paar Jahre entfernt. Diese Verheißung beginnt sich nun zu erfüllen – selektiv und in kleinerem Maßstab, als der Hype suggerierte, aber auf eine Weise, die zeigt, welche Anwendungen in unkontrollierten Industrieumgebungen tatsächlich funktionieren.
BMW: Figure's erste echte Produktionsbereitstellung
BMWs Werk in Spartanburg, South Carolina, wurde zum Schauplatz einer der ersten echten Produktionsbereitstellungen humanoider Roboter, als Figure 01-Einheiten Anfang 2025 begannen, Blechteile zu handhaben. Die spezifische Aufgabe: Metallkarosserieteile von einem Förderband nehmen, visuell prüfen und präzise in Vorrichtungen für den nächsten Fertigungsschritt einlegen. Dies ist genau die Art von Aufgabe, für die humanoide Roboter theoretisch geeignet sind – sie erfordert geschickte Handhabung, visuelle Inspektion und präzises Platzieren in einem für Menschen gestalteten Raum – aber es ist auch eine Aufgabe, bei der Toleranzen entscheidend sind und Fehler teuer.
BMWs öffentliche Aussagen waren eher abgewogen als triumphierend. Die Roboter laufen in begrenzten Produktionsbereichen mit umfassender Überwachung. Die Cycle Times sind bei den meisten Aufgaben langsamer als bei menschlichen Arbeitern. Das Wertversprechen in dieser Phase ist nicht Geschwindigkeit – es ist Lernen. BMW sammelt reale Manipulationsdaten in einer authentischen industriellen Umgebung, Daten, die verwendet werden, um die Roboter über nachfolgende Generationen hinweg nachzutrainieren und zu verbessern.
Die Figure 01-Bereitstellung nutzt ein OpenAI-Figure-Gemeinschaftsmodell für das übergeordnete Reasoning und die Aufgabenplanung, während die niederstufige Motorsteuerung durch benutzerdefinierte Learned Policies erfolgt. Die geteilte Architektur – ein „Gehirn“-Modell für das „Was tun“ und spezialisierte „Muskel“-Modelle für das „Wie physisch tun“ – hat sich als übliches Muster bei Entwicklern humanoider Roboter herausgebildet.
Amazon: Agility Robotics' Digit im Lager
Amazons Beziehung zum Digit-Roboter von Agility Robotics geht dem Erwerb einer Minderheitsbeteiligung an dem Unternehmen voraus. Digit ist für Lagerumgebungen konzipiert und wurde in Amazon-Einrichtungen für den Transport von Behältern eingesetzt – leere Behälter von einem Standort aufnehmen und zu einem anderen transportieren. Dies wurde bewusst als Startaufgabe gewählt: Sie umfasst Fortbewegung und Manipulation, aber mit relativ verzeihenden Toleranzen, und die Folgen eines Fehlers (Herunterfallen eines Behälters) sind gering im Vergleich zur Handhabung von Inventar oder zum Einsatz in der Nähe menschlicher Arbeiter.
Amazon macht explizit klar, dass der Digit-Einsatz ein Pilotprogramm und keine skalierte Ausrollung ist. Das Unternehmen betreibt etwa 75 robotergestützte Fulfillment-Center mit Hunderttausenden traditioneller Roboter, und humanoide Roboter stellen derzeit einen winzigen Bruchteil dieser Flotte dar. Das aktuelle Ziel ist operationelles Lernen: zu verstehen, wie zweibeinige Roboter echte Lagerböden navigieren, wie sie mit bestehender Infrastruktur interagieren und wo die Fehlermodi in Produktionsbedingungen im Gegensatz zu Laboreinstellungen auftreten.
Die wirtschaftliche Rechnung für humanoide Roboter in Lagern ist bei den derzeitigen Preisen und Zuverlässigkeitsniveaus noch nicht günstig. Automatisierte Lager- und Bereitstellungssysteme (ASRS), traditionelle Roboterarme und mobile Roboter erledigen die meisten Lageraufgaben heute günstiger und zuverlässiger als humanoide Roboter. Der Fall für Humanoide wird überzeugend bei Aufgaben, die das Navigieren in für Menschen gestalteten Räumen erfordern, die nicht wirtschaftlich für spezialisierte Roboter umgestaltet werden können – Be- und Entladen von LKWs, Arbeiten in gemischten Mensch-Roboter-Umgebungen oder das Handhaben von Artikeln an Orten, die herkömmliche feststehende Roboterarme nicht erreichen.
Tesla Optimus: Die ambitionierteste Bereitstellung
Das Optimus-Programm von Tesla ist das bekannteste humanoid Roboterprojekt und auch am schwierigsten objektiv zu bewerten, da Teslas öffentliche Kommunikation zu diesem Thema echten Fortschritt mit werblichem Optimismus vermischt. Was überprüfbar ist: Optimus-Einheiten führen in Teslas Werken in Fremont und Giga Texas Aufgaben aus, darunter das Bewegen von Teilen zwischen Arbeitsstationen, das Sortieren von Komponenten und einige Kabelverlegearbeiten. Tesla hat angegeben, dass die Roboter bei diesen spezifischen Aufgaben autonom – ohne ferngesteuerte menschliche Kontrolle – arbeiten.
Der technische Ansatz unterscheidet sich in wichtigen Punkten von Figure und Digit. Tesla trainiert Optimus hauptsächlich mit Videodaten, die von seinen menschlichen Arbeitern bei der Ausführung derselben Aufgaben gesammelt wurden, und verwendet eine ähnliche Data-Flywheel-Strategie wie bei der Autopilot-Entwicklung. Die Roboter beobachten Menschen, das Modell lernt die Aufgabe, und dann versuchen die Roboter sie – mit menschlicher Aufsicht und Korrektur in frühen Phasen. Dieser Ansatz ist ambitioniert, weil er versucht, aufgabenübergreifend zu generalisieren, anstatt spezialisierte Policies für jede einzelne Operation zu trainieren.
Teslas Produktionsziele für Optimus wurden gegenüber den ursprünglichen Ankündigungen nach unten korrigiert – das Unternehmen prognostizierte ursprünglich die Produktion von 1.000 Optimus-Robotern im Jahr 2024, eine Zahl, die leise zurückgenommen wurde. Aktuelle Schätzungen gehen von einigen hundert Einheiten aus, die in Tesla-Einrichtungen im Einsatz sind, wobei der externe Verkauf an Automobil- und Fertigungspartner in begrenzten Mengen beginnt.
Was diese Bereitstellungen gemeinsam haben
Über BMW, Amazon und Tesla hinweg zeichnen sich mehrere Muster bei den aktuellen Humanoid-Roboter-Bereitstellungen ab:
Strukturierte Umgebungen. Jede Produktionsbereitstellung erfolgt in sorgfältig definierten Zonen mit kontrollierter Beleuchtung, vorhersehbaren Bodenbedingungen und spezifischen Aufgabenparametern. Humanoide Roboter navigieren noch nicht wirklich unstrukturierte Umgebungen. Die scheinbare Flexibilität der humanoiden Form wird genutzt, um Roboter in für Menschen gestaltete Räume einzufügen, nicht um beliebige Räume zu navigieren.
Langsame Cycle Times. Aktuelle humanoide Roboter sind bei jeder Produktionsaufgabe langsamer als trainierte menschliche Arbeiter. Der Vorteil liegt in der Konsistenz (keine Ermüdung, keine Ablenkung) und in spezifischen Anwendungen, bei denen die menschliche Ergonomie die Aufgabe unangenehm oder unsicher macht. Heiße, schwere oder sich wiederholende Aufgaben, die zu Verletzungen führen, sind bessere Ziele als Aufgaben, bei denen Geschwindigkeit zählt.
Datenerhebung als primärer Wert. Jede größere Bereitstellung wird ehrlich als Lernphase beschrieben. Die Roboter erzeugen reale Manipulationsdaten, die im Labor unmöglich zu sammeln wären – die unvorhersehbaren Variationen echter Teile, echter Beleuchtung, echter Umgebungen – und diese Daten sind das eigentliche Produkt der aktuellen Bereitstellungsphase.
Menschliche Aufsicht auf Aufgabenebene. In jeder Produktionsbereitstellung sind Menschen an der Überwachung, Fehlerkorrektur und der Handhabung der Ausnahmen beteiligt, die die Roboter nicht bewältigen können. Vollautonomer Betrieb über ganze Arbeitsschichten hinweg ist derzeit nicht der Stand der Dinge.
Der Ausblick für 2-3 Jahre
Die Unternehmen, die am besten positioniert sind, um die Bereitstellung humanoider Roboter zu skalieren, sind solche mit großen proprietären Trainingsdatensätzen aus realen Betrieben, robuster Simulationsinfrastruktur für schnelle Iterationen und bestehenden Beziehungen zu Herstellern, die bereit sind, fortlaufende Lern-Bereitstellungen zu hosten. Tesla, Figure/OpenAI und Agility/Amazon haben hier glaubwürdige Positionen.
Die Aufgaben, die im Zeitraum 2027-2028 voraussichtlich eine sinnvolle Automatisierung erfahren werden, sind solche mit hohem wirtschaftlichem Wert und schlechter menschlicher Ergonomie: Be- und Entladen von Lastkraftwagen (was eine hohe Rate an Rückenverletzungen verursacht), wiederholtes Teilehandhaben in Automobilwerken und Logistikaufgaben in Lagern, die nicht effizient für herkömmliche Automatisierung umstrukturiert werden können. Dies sind keine glamourösen Anwendungen, aber sie repräsentieren Milliarden von Dollar an Arbeitskosten und erhebliche Verletzungsrisiken für Arbeiter.
Der Allzweck-Haushaltsroboter – derjenige, der die Spülmaschine ausräumt und Wäsche faltet – ist noch Jahre von der kommerziellen Realität entfernt. Die unstrukturierte Variabilität häuslicher Umgebungen, die Anforderung eines sicheren Betriebs in der Nähe von Kindern und Haustieren und die Notwendigkeit einer Fehlertoleranz, die in aktuellen Systemen nicht existiert, machen dies zu einem um Größenordnungen schwierigeren Problem als den Fabrikeinsatz. Die Unternehmen, die das Gegenteil behaupten, verkaufen Aktien, nicht Technologie.
Was jetzt in BMWs Werk in Spartanburg und in Amazons Fulfillment-Centern geschieht, ist real und bedeutsam – nur nicht das, was die Pressekonferenzen versprachen.