KI und die Zukunft von Robotik und Automatisierung

KI wird voraussichtlich unser Leben stark verändern. Wir denken, die erzielten Fortschritte werden unsere Produktivität erheblich verbessern und grosse Marktchancen für Robotik- und Automatisierung schaffen.

von Zins24 Wissen 18. Okt. 2024 12 Minuten Lesedauer

Künstliche Intelligenz (KI) hat sich seit ihren Anfängen in den 1950er Jahren rasant weiterentwickelt. Während frühe Systeme vor allem regelbasiert funktionierten und für Analysen sowie Vorhersagen genutzt wurden, haben moderne Technologien wie maschinelles Lernen und tiefe neuronale Netzwerke den Weg für kreative und generative Anwendungen geebnet. Heute ist KI leistungsfähiger denn je und eröffnet vielversprechende Möglichkeiten in verschiedenen Branchen.

In den kommenden Jahren wird KI voraussichtlich unser Leben grundlegend beeinflussen – und möglicherweise die gesamte Welt verändern. Experten sind sich jedoch uneinig darüber, wie genau diese Transformation aussehen wird. In dieser Ausgabe von Thematic Insights werfen wir einen Blick darauf, wie KI die Zukunft von Robotik und Automatisierung gestalten könnte, welche Wachstumschancen und Herausforderungen sie bietet und warum sie langfristig als treibende Kraft für Innovationen angesehen werden kann.

Wichtigste Erkenntnisse:

Auch wenn wir noch Jahrzehnte von einer allgemeinen künstlichen Intelligenz (General Artificial Intelligence, GAI) entfernt sind: Die bereits erzielten Fortschritte im Bereich schwacher KI-Lösungen (Narrow AI) ermöglichen Robotik- und Automatisierungssysteme mit einem höheren Grad an Autonomie.
Mit zunehmender Autonomie werden Roboter immer nützlicher und benutzerfreundlicher, und ihr Zielmarkt wächst beträchtlich.
Im Zuge der Weiterentwicklung der KI werden die Marktchancen für die Robotik- und Automatisierungsbranche weiter zunehmen.

Roboter: “Mute and Brute”

Fabrikroboter sind Hochleistungswerkzeuge, die mit beeindruckender Präzision und Geschwindigkeit arbeiten. Sie können oft über zehn Jahre lang nahezu ohne Ausfall rund um die Uhr eingesetzt werden, was sie besonders nützlich für die Massenproduktion macht. In solchen Anwendungen können sie programmiert werden, um wiederholt und effizient dieselbe Aufgabe zu erledigen, oft bei enormem Produktionsvolumen. Für menschliche Arbeitskräfte wären solche Aufgaben monoton, körperlich anstrengend und wenig ansprechend.

Am häufigsten findet man diese Roboter in Branchen wie der Automobil- und Flachbildschirmherstellung sowie in der Lebensmittel- und Chemieindustrie. Speziellere Modelle werden in der Halbleiterproduktion eingesetzt. In vielen anderen Branchen ist der Einsatz von Robotern jedoch überraschend gering. Die durchschnittliche Roboterdichte in der verarbeitenden Industrie liegt lediglich bei 14,1 Robotern pro 1.000 Mitarbeitenden.

Ein Grund dafür ist die begrenzte Flexibilität vieler Roboter und Automatisierungssysteme, die meist einem starren, vorprogrammierten Befehlssatz folgen. Es kann Wochen oder sogar Monate dauern, einen Roboter für eine neue Aufgabe umzuprogrammieren – ein Aufwand, der für viele Hersteller nicht praktikabel ist. Besonders Unternehmen, die häufig zwischen verschiedenen Produkten wechseln müssen, verfügen oft nicht über die Zeit oder das technische Know-how, um solche Systeme anzupassen. Daher sind Fabrikroboter bislang auf Branchen mit hohem Produktionsvolumen und geringer Variabilität beschränkt.

Andrea Thomaz, Associate-Professorin an der University of Texas und CEO von Diligent Robotics, beschreibt solche vorprogrammierten Roboter als „stumm und grob“. Sie können Aufgaben mit höchster Effizienz und Präzision ausführen, sind jedoch nicht in der Lage, ihre Umgebung wahrzunehmen. Dies macht sie potenziell gefährlich für Menschen in ihrer Nähe. Deshalb werden sie oft in physischen oder virtuellen Sicherheitskäfigen eingesetzt, um Unfälle zu vermeiden. Diese Einschränkung reduziert jedoch ihre Nützlichkeit, da sie alle Aufgaben eigenständig bewältigen müssen. In vielen Fabriken bleibt der Mensch daher aufgrund seiner Anpassungsfähigkeit und Vielseitigkeit den Robotern überlegen.

Eine Evolution in der Robotik

Die Robotik- und KI-Landschaft verändert sich rapide durch technologische Fortschritte. In den letzten zwei Jahrzehnten hat die Leistung von Computerprozessoren exponentiell zugenommen, während Skaleneffekte und das Moore’sche Gesetz die Kosten erheblich gesenkt haben. Parallel dazu hat die Verfügbarkeit von Plattformtechnologien wie Cloud-Computing stark zugenommen. Anbieter wie AWS, Azure, Google Cloud und Alibaba ermöglichen flexible und kostengünstige Datenverarbeitung und -speicherung.

Der Fortschritt bei Internetgeschwindigkeit und -abdeckung – sowohl mobil als auch stationär – hat die Grundlage geschaffen, um KI-Systeme global einsatzfähig zu machen. Obwohl die Ursprünge der Künstlichen Intelligenz mehr als 70 Jahre zurückliegen, haben diese jüngsten Entwicklungen KI auf ein neues Leistungsniveau gebracht. Besonders die Verarbeitung enormer Datenmengen sowie der Zugriff auf skalierbare Rechenressourcen haben KI-Anwendungen revolutioniert und neue Einsatzmöglichkeiten geschaffen, die in der Vergangenheit undenkbar waren.

KI / AI als Gehirn des Roboters

In der Robotik und Automatisierung kann man sich KI als das Gehirn des Systems vorstellen. Vor der Einführung von KI waren Roboter Automaten, die einen vorgegebenen Satz codierter Anweisungen ausführten. Mit der KI-Technologie werden Robotersysteme zunehmend autonom – sie können auf Veränderungen in ihrer Umgebung reagieren und daraus lernen. Autonomere Roboter können auch einfacher eingerichtet und benutzt werden und sie sind sicherer. Jeder dieser Vorteile erweitert die Einsatzmöglichkeiten der Robotik erheblich und vergrössert ihr Zielmarktpotenzial.

Dynamische Autonomie:

In Kombination mit Sensoren und maschineller Bildverarbeitung kann KI-Robotern die Fähigkeit verleihen, schnell zu lernen und sich an neue Situationen anzupassen. Mit anderen Worten: Sie können Entscheidungen auf der Grundlage ihrer Umgebung treffen und ihr Verhalten entsprechend anpassen.

Beispielsweise kann ein Roboter, der in einem Logistikzentrum Artikel sortiert, lernen, wie er ein unbekanntes Objekt am besten aufnimmt. Ein autonomes Fahrzeug kann lernen, Hindernisse auf seinem Weg unter verschiedenen Fahrbedingungen korrekt zu erkennen und angemessen darauf zu reagieren, und kann diese Informationen mit allen anderen Fahrzeugen auf der Strasse teilen.

Eine grössere Autonomie kann es Robotern ermöglichen, selbstständig an Orten zu arbeiten, an denen sich keine Menschen aufhalten, oder in Umgebungen, die für Menschen gefährlich sein können. ANYmal zum Beispiel, der vierbeinige autonome Roboter für industrielle Inspektionsaufgaben von ANYbotics, einem Spin-off der ETH Zürich, wird kommerziell in Kraftwerken und Chemieanlagen eingesetzt³. Er führt Inspektionen durch, sammelt Daten von Systemen in den Anlagen4 und kann auch massgeschneiderte Tests wie Thermografie durchführen, um sicherzustellen, dass kritische Teile nicht überhitzen.

2. Schnellere Einrichtung:

Herkömmliche Robotersysteme erfordern eine umfangreiche Programmierung, die zeitaufwändig und teuer sein kann. Mit KI können Roboter anhand von Daten trainiert und eingerichtet werden. Simulationssoftware übernimmt dann das Debugging. Eine Methode ist die Programmierung durch Vorführung (Programming by Demonstration, PbD), bei der dem Roboter die von einem Menschen ausgeführte Aufgabe gezeigt wird und er diese dann nachahmt.

Die meisten kollaborativen Roboter, sogenannte Cobots, können mit PbD konfiguriert werden, wodurch sie sich für kleine Batch-Aufgaben eignen, bei denen häufige Einstellungsänderungen erforderlich sind. In einigen Systemen wird KI eingesetzt, um die Steuerung des Systems per Sprachbefehl zu ermöglichen, was die Einrichtung und den Betrieb weiter vereinfacht.

3. Sicherer und sauberer:

Mit Sensor-Arrays ausgestattete Roboter können mithilfe von KI-Technologie Objekte in ihrer Umgebung erkennen und angemessen reagieren, indem sie ihre Bewegung verlangsamen oder unterbrechen. Sie können auch so programmiert werden, dass sie sich im Falle einer Fehlfunktion oder eines Notfalls abschalten. Diese Fortschritte können das Unfallrisiko am Arbeitsplatz verringern. Natürlich können Roboter, mit denen Menschen sicher arbeiten können, ein breiteres Spektrum an Aufgaben ausführen; und da der Sicherheitskäfig möglicherweise nicht mehr erforderlich ist, können Menschen bei Bedarf eingreifen, um den Roboter zu unterstützen.

KI kann auch zu höherer Präzision und Effizienz und damit zu einem geringeren Energieverbrauch (siehe Beispiel unten: Rolls-Royce), weniger Materialabfällen und Produktionsfehlern sowie zu nachhaltigeren Herstellungsverfahren führen.

4. Big Data in Echtzeit

Bei Robotik denken wir oft an physische Aufgaben wie die Handhabung von Objekten in einer Fertigungsstrasse, das Sortieren von Paketen in einem Logistikzentrum oder den autonomen Warentransport. Im rein digitalen Bereich, wo das System nicht durch die physischen Eigenschaften des Robotersystems eingeschränkt ist, ist KI jedoch oft noch effektiver.

Eine besondere Stärke der KI ist die Mustererkennung – die Fähigkeit, grosse Datenmengen zu erfassen und Beziehungen und Anomalien sehr schnell und genau zu identifizieren. Die US-amerikanische Post nutzt inzwischen maschinelles Sehen und ein Edge-KI-System, um die über 100 Millionen Briefe und Pakete, die täglich eingehen, zu identifizieren und zu verfolgen, wobei jeder Server des Systems mehr als 20 Terabyte Bilddaten pro Tag verarbeitet.⁴Zwei weitere Beispiele für den Einsatz von KI bei der Analyse von Big Data werden im Folgenden beschrieben:

AlphaFold ist ein KI-Programm, das von DeepMind entwickelt wurde, einem britischen Start-up-Unternehmen, das 2014 von Google übernommen wurde und auch AlphaGo entwickelt hat. Das Programm wurde entwickelt, um eine der grundlegenden Herausforderungen in der Biologie zu bewältigen: die Vorhersage der 3D-Struktur von Proteinen. Das Team trainierte die Software mit den 170’000 in öffentlichen Repositorys verfügbaren Proteinen und veröffentlichte 2021 eine kostenlose Datenbank mit 200 Millionen Proteinen, um die wissenschaftliche Forschung zu beschleunigen und die Anzahl bekannter Proteinstrukturen um ein Tausendfaches zu erhöhen.

Der Computerbiologe und Mitbegründer von Critical Assessment of Structure Prediction (CASP), John Moult, berichtete, dass er mit AlphaFold in einer halben Stunde die Struktur eines Proteins bestimmen konnte, an dem er sich zuvor zehn Jahre lang vergebens versucht hatte.⁵

Rolls Royce und andere Hersteller kommerzieller Flugzeugtriebwerke überwachen den Zustand ihrer Triebwerke während des Fluges von Operationszentren am Boden aus. Das Engine Health Management System von Rolls-Royce überwacht rund 8’000 Flüge pro Tag, indem es Tausende von Parametern in Echtzeit misst, die von in den Triebwerken eingebauten Sensoren geliefert werden, und sie mit der Leistungshistorie des Triebwerks, mit anderen Triebwerken in der Flotte und im Kontext der Betriebsumgebung vergleicht, um Anomalien und Unregelmässigkeiten zu erkennen. Diese Informationen werden verwendet, um den Treibstoffverbrauch zu verbessern, Triebwerksverschleiss zu verringern, Wartungsbedarf vorherzusagen und den Pilotinnen und Piloten wichtige Flugwarnungen zu geben.

Von der schwachen bis zur allgemeinen KI in Robotik und Automatisierung

Bereits anhand der wenigen Beispiele oben wird deutlich, wie aktuelle KI-Technologien der Robotik- und Automatisierungsindustrie in einer Vielzahl von Bereichen erhebliche Verbesserungen und Wachstumschancen bieten. Dies sind jedoch alles Beispiele für die schwache KI, die sogenannte Narrow AI. Hierbei handelt es sich um KI, die eine bestimmte Aufgabe erfüllen soll, wie z. B. zu lernen, wie man etwas aufnimmt, wie man Hindernisse umgeht oder wie man einen Menschen imitiert. Im Gegensatz dazu wäre die allgemeine KI viel leistungsfähiger, aber auch viel schwieriger zu entwickeln.

John McCarthy, der Vater der künstlichen Intelligenz, theoretisierte, dass, wenn alles auf der Welt so beschrieben werden könnte, dass ein Computer es verstehe, dass dann jede Aufgabe automatisiert werden könnte, sofern die physischen Fähigkeiten des Systems ausreichten.⁶ In der Praxis ist dies jedoch extrem schwierig, da dem Algorithmus erklärt werden müsste, wie die Welt in Bezug auf Physik, gesellschaftliche Normen usw. funktioniert. Stuart Russell, Professor für Computerwissenschaften an der University of California in Berkeley, erklärt:⁷ «Wenn Sie einen Menschen bitten, Ihnen eine Tasse Kaffee zu bringen, heisst das nicht, dass dies die Mission seines Lebens sein sollte und nichts anderes im Universum zählt. […] Natürlich müssen alle anderen Dinge, die uns beiden wichtig sind, in sein Verhalten einfliessen. [Und] die Algorithmen verlangen von uns, dass wir alles im Ziel angeben.»

Professor Russell merkte auch an, dass sich die Schätzungen für das Erreichen der allgemeinen KI um das Jahr 2045 einpendeln, er ist jedoch der Ansicht, dass dies eher gegen Ende des Jahrhunderts der Fall sein wird. McCarthy kam zu dem Schluss⁸, dass «KI auf menschlichem Niveau [allgemeine KI] 1,7 Einsteins, 2 Maxwells und 5 Faradays erfordern könnte.»

“KI auf menschlichem Niveau wird erreicht werden, aber es sind mit grosser Wahrscheinlichkeit neue Ideen erforderlich, sodass es nicht möglich ist, ein Datum zuverlässig vorherzusagen – vielleicht in fünf Jahren, vielleicht in fünfhundert Jahren. Ich würde auf das 21. Jahrhundert setzen.”

John McCarthy, ehemaliger Professor, Standford University

Gefahr für unsere Lern- und Innovationsfähigkeit?

Auf den Schultern von Riesen stehen¹⁰ – diese Metapher steht für die Idee, dass wir auf dem Wissen aufbauen, das von unseren Vorgängerinnen und Vorgängern an uns weitergegeben wurde. Wir lernen von ihrer Weisheit, wir lernen von ihren Entdeckungen und wir bauen auf ihrer Arbeit auf. KI kann diesen evolutionären Innovationsprozess jedoch gefährden. Die Ergebnisse von KI-Systemen basieren inzwischen auf einem so grossen Datenpool und können so komplexe Beziehungen und Interdependenzen enthalten, dass es für uns immer schwieriger wird, die Logik zu verstehen. Wenn wir nicht verstehen können, wie die Maschine denkt, uns aber immer mehr auf ihre Ergebnisse verlassen, könnten wir vielleicht unsere Lern- und Innovationsfähigkeit verlieren.

Auf dem Weg in eine goldene Ära der Innovation bei digitalen Technologien

Auch wenn wir noch Jahrzehnte von der allgemeinen KI entfernt sind, werden die Fortschritte bei der schwachen KI – zusammen mit den unterstützenden Plattformtechnologien und dem ständig wachsenden Datenstrom – wahrscheinlich eine grössere Autonomie in der Robotik und Automatisierung ermöglichen und der Industrie sehr grosse Marktchancen eröffnen. Und diese Chancen werden mit der Entwicklung hin zur allgemeinen KI noch weiter zunehmen.

Wir sind überzeugt, dass wir in ein goldenes Zeitalter der Innovation in der Robotik und bei digitalen Technologien im weiteren Sinne eintreten und dass diese Innovationen bedeutende Fortschritte bei der wirtschaftlichen Produktivität und Nachhaltigkeit ermöglichen und Anlagechancen für geduldige Anlegerinnen und Anleger bieten werden.

Die dargestellten Unternehmen dienen ausschliesslich zu Illustrationszwecken und sind weder als Aufforderung noch als Angebot zum Kauf oder Verkauf einer Beteiligung oder einer Anlage zu verstehen. Soweit die vorliegenden Unterlagen Aussagen über die Zukunft enthalten, haben diese Aussagen Prognosecharakter und unterliegen verschiedenen Risiken und Unsicherheiten. Daher stellen sie keine Garantie für zukünftige Ergebnisse/Performance dar.

¹ «World Robotics 2022 – Industrial Robots.» Statistics, Market Analysis, Forecasts and Case Studies. International Federation of Robotics. 2022 (kein Datum). Seite 16.
² Zitiert in «The robot revolution has arrived» von David Berreby, National Geographic Magazine, Sept. 2020. Vergleiche Fussnote 1 für Erklärung des Begriffs.
³ ANYbotics (n.d). Automate inspection across industries. Link; abgerufen am 10. August 2023.
⁴ «USPS gets ahead of missing packages with AI edge computing», Federal News Network, Mai 2021. Abgerufen am 3. August 2023.
⁵ «Reflecting on DeepMind’s AlphaFold AI success», Paul Workman, August 2021, www.icr.ac.uk, abgerufen am 3. August 2023.
⁶ «From here to human-Level AI», John McCarthy, Stanford University, Oktober 2007. Artikel veröffentlicht in “Artificial Intelligence” (Science Direct), Elsevier. Abgerufen am 14. August 2023.
⁷ «What is AI?» Professor Stuart Russell, Juni 2022, WEF-Interviewserie, veröffentlicht unter World Economic Fo-rum. Abgerufen am 11. August 2023. World Economic Forum. Abgerufen am 11. August 2023.
⁸ «Optimism as Artificial Intelligence Pioneers Reunite», John Markoff. Veröffentlicht in The New York Times, December 7, 2009. Abgerufen am 14. August 2023.
⁹ «From here to human-Level AI», Professor John McCarthy, Stanford University, Oktober 2007. Artikel veröffentlicht in «Artificial Intelligence» (Science Direct), Elsevier. Abgerufen am 14. August 2023.
¹⁰ Die Metapher wird Bernard Chartres zugeschrieben (zitiert in «Metalogicon» von John Salisbury, 1159).