Physical AI braucht mehr als Intelligenz: Vertrauenswürdigkeit muss im Betrieb überprüfbar werden

Mit diesem Satz brachte André Loesekrug-Pietri, Chairman der Joint European Disruptive Initiative JEDI, beim The Autonomous Main Event 2026 in Wien eine zentrale Herausforderung von Physical AI auf den Punkt. Seine Keynote trug entsprechend den Titel „Verify, Don’t Trust“.

Leistungsfähige AI-Modelle werden zunehmend verfügbar. Schwieriger wird die Frage, wie ihre Entscheidungen zuverlässig mit einer realen Maschine und einer sich ständig verändernden physischen Umwelt verbunden werden.

Denn ein autonomes System kann noch exakt dieselbe Software ausführen wie am ersten Tag, während sich der physische Körper darunter längst verändert hat: Motoren altern, Reibung verändert sich, Sensoren driften, Werkzeuge verschleißen, Lasten und Umgebungsbedingungen wechseln.

Physical AI braucht deshalb mehr als Rechenleistung und intelligente Entscheidungen. Sie braucht eine Repräsentation ihrer Umwelt – und ihres eigenen physischen Zustands darin.

Europa baut den Physical-AI-Stack

Wie konkret dieser Stack bereits wird, zeigten die Beiträge in Wien.

Infineon stellte mit „The Future of Physical AI is Built on Chips“ die physische Basis in den Mittelpunkt: Halbleiter, Leistungselektronik, Motor Control, Sensorik sowie Safety und Security. Die Botschaft dahinter: Halbleiter unterstützen Physical AI nicht nur, sie bestimmen wesentliche Eigenschaften des physischen Systems.

Im gemeinsamen Panel „From Cars to Robots: Shared Foundations for Safe and Trusted Autonomy“ diskutierten NXP, Infineon, Bosch, NEURA Robotics und NVIDIA darüber, wie Compute, Power, Kommunikation, Aktuation, Safety und Security zu skalierbarer und vertrauenswürdiger Autonomie zusammenfinden.

NXP verbindet Sensorik und Aktuation mit Edge Compute und zentraler AI-Verarbeitung. TTTech steht für deterministische Kommunikation in verteilten Systemen. TTControl rückte in seinem Panel die Skalierung von Physical AI und autonomen Maschinen im Off-Highway-Bereich vom Pilotbetrieb bis zum realen Deployment in den Mittelpunkt. Bosch verbindet Sensorik, Embedded-Technologie, AI und industrielle Skalierung.

Auch die Software- und Deployment-Seite wurde intensiv diskutiert. Das von TrustMotion gehostete Panel „Building Secure and Scalable Edge AI Frameworks for Autonomous Systems“ zeigte eine Architektur, in der On-Device Edge AI mit großen Data Lakes, Cloud-basierter Modellentwicklung, Over-the-Air-Updates und kontinuierlicher Datenerfassung zusammenspielt. Diese Infrastruktur soll über Autonomie hinaus auch Anwendungen wie Predictive Maintenance, virtuelle Sensoren und Performance Monitoring ermöglichen.

Damit sind viele entscheidende Bausteine für Physical AI vorhanden.

Eine Ebene entsteht daraus jedoch nicht automatisch:

eine kontinuierlich vergleichbare Repräsentation des physischen Gesamtzustands.

Wie repräsentiert eine Maschine ihre physische Welt?

In welchem Zustand befindet sich eine Maschine als Gesamtsystem – in genau diesem Kontext?

Ein identischer Motorstrom kann unter hoher Last völlig normal sein und unter anderen Betriebsbedingungen auf einen veränderten Zustand hinweisen. Temperatur, Drehmoment, Vibration oder Bewegung erhalten ihre Bedeutung deshalb nicht allein durch ihren einzelnen Wert, sondern durch ihr Zusammenspiel.

Auch ein autonomes System existiert nie losgelöst von seiner Umgebung. Last, Werkzeug, Untergrund, Geschwindigkeit, Temperatur und Aufgabe bestimmen mit, wie seine Signale zu interpretieren sind.

Wahrnehmung braucht Sensor Fusion. Sensor Fusion braucht Kontext. Und Kontext braucht eine Repräsentation, in der Zusammenhänge vergleichbar werden.

Hier setzt SF2 mit Representation Learning und Semantic Folding Sensor Fusion an.

Aus multivariaten Sensor- und Betriebsdaten entsteht eine semantische Repräsentation des physischen Systemzustands. „Semantisch“ bedeutet dabei nicht Sprache, sondern Bedeutung durch Zusammenhang und Kontext: Ein Signal erhält seine Aussagekraft durch seine Beziehung zu anderen Signalen und zur jeweiligen Betriebssituation.

SF2 überführt solche Zustände in kompakte, spärliche binäre State Fingerprints. Ähnliche Zustände erzeugen ähnliche Repräsentationen. Verändert sich das Zusammenspiel der Signale, werden Drift, Übergänge und neue Zustände vergleichbar.

Vereinfacht:

Sensing → Sensor Fusion → Representation Learning → State Fingerprint → Comparison → Action

„Autonomie beginnt nicht erst bei der Entscheidung, sondern bei der Repräsentation“, sagt Francisco Webber, CEO von SF2 Systems. „Eine Maschine muss ihren eigenen physischen Zustand und den Kontext, in dem er entsteht, in einer Form repräsentieren können, die sich mit bereits Bekanntem vergleichen lässt. Genau diese Repräsentationsschicht bauen wir mit SF2.“

Verstehen beginnt mit Vergleich

Ein aktueller State Fingerprint wird mit bekannten Zuständen verglichen.

Hoher Overlap bedeutet hohe Ähnlichkeit. Sinkender Overlap zeigt, dass sich ein System von einem bekannten Zustand entfernt. Ein bislang unbekanntes Muster kann als neuer Zustand aufgenommen und später wiedererkannt werden.

SF2 benötigt dafür keine großen gelabelten Fehlerdatensätze und kein klassisches überwachtes Fault Training. Abhängig vom Use Case kann die semantische Struktur aus historischen Betriebsdaten gelernt werden.

Ist ein Modell anschließend fixiert und versioniert, arbeitet die Laufzeitauswertung reproduzierbar:

gleicher Input → gleiche Transformation → gleicher Fingerprint → gleiches Vergleichsergebnis.

Keine Theorie: 52 Kanäle zeigen das Prinzip

Dass dieser Ansatz nicht nur konzeptionell ist, hat SF2 bereits an industriellen Daten demonstriert.

In einem realen Wasserpumpensystem mit 52 Sensorkanälen und mehr als 220.000 Messpunkten wurde in einer analysierten Sequenz eine relevante Veränderung des Gesamtzustands rund vier Tage vor einem dokumentierten Pumpenausfall sichtbar. Die Modellbildung aus den vorliegenden Daten benötigte dabei weniger als 15 Minuten auf einem Standard-Notebook.

Das ist kein universelles Prognoseversprechen und noch kein Robotik-Beleg.

Es zeigt aber das zugrunde liegende Prinzip: Das Zusammenspiel vieler Signale kann eine Zustandsveränderung sichtbar machen, die sich aus einzelnen Messwerten allein nicht unmittelbar erschließt.

Genau dieses Prinzip soll nun auch mit realen Physical-AI- und Robotikdaten validiert werden.

„Europa hat viele der entscheidenden Bausteine für Physical AI bereits“, sagt Christoph Gretzmacher, Business Development bei SF2 Systems. „Die spannende Frage ist jetzt, wie diese Ebenen zusammenspielen. Wir wollen mit realen Daten zeigen, welchen zusätzlichen Wert eine gemeinsame Repräsentation des physischen Zustands zwischen Sensorik, Edge, Kommunikation und Anwendung schaffen kann.“

Vertrauen ist das Ergebnis – Vertrauenswürdigkeit muss überprüfbar sein

Damit bekommt JEDIs „Verify, Don’t Trust“ eine konkrete technische Dimension.

Vertrauen selbst ist kein Messwert. Überprüfbar sind vielmehr Eigenschaften, aus denen Vertrauenswürdigkeit entstehen kann: Safety, Security, deterministische Kommunikation – und die Frage, ob sich ein physisches System weiterhin so verhält wie bekannte Referenzzustände.

SF2 ist dabei weder Functional-Safety-System noch Security-Lösung oder Robotersteuerung.

Die Technologie beantwortet eine andere Frage:

Verhält sich die physische Maschine noch wie erwartet – oder beginnt sich ihr Verhalten zu verändern?

Auch die Robotikseite des Events machte deutlich, wie entscheidend diese Frage im realen Betrieb wird. ANYbotics stellte in seiner Keynote zu industriell eingesetzten autonomen Robotern Vertrauen entlang von Safety, Consistency, Transparency und Security in den Mittelpunkt – gerade dort, wo autonome Systeme vom Pilotbetrieb in den täglichen Einsatz übergehen.

Infineon betonte zugleich die Bedeutung von Safety als grundlegender Designanforderung für Physical AI. Neben Safety by Design entsteht damit eine ergänzende Perspektive:

State Awareness at Runtime.

Und genau hier wird die Verbindung zu den anderen Ebenen des Stacks interessant:

Infineon liefert mit Motor Control und Sensorik wesentliche Signale des physischen Systems – genau jene Daten, aus deren Zusammenspiel sich eine Zustandsrepräsentation ableiten lässt.

NXP bringt Rechenleistung nahe an Sensoren und Aktuatoren – dorthin, wo aus hochaufgelösten Signalen kompakte State Fingerprints entstehen können.

TTTech schafft deterministische Kommunikationspfade; verdichtete Zustandsinformation kann dabei eine zusätzliche Informationsebene zwischen verteilten Komponenten bilden.

TTControl bringt Edge Compute, Sensorfusion und autonome Funktionen in reale mobile Maschinen, deren physischer Zustand sich unter wechselnden Lasten und Umgebungsbedingungen kontinuierlich verändert.

Bosch bringt die Erfahrung ein, Sensorik, Embedded-Technologie und AI unter realen industriellen Bedingungen zu integrieren und zu skalieren – genau dort, wo eine zusätzliche Zustandsrepräsentation auf Basis bestehender Daten praktischen Mehrwert schaffen kann.

SF2 verbindet diese physische Datenwelt auf einer anderen Ebene: Aus dem Zusammenspiel der Signale entsteht eine semantische und reproduzierbar vergleichbare Repräsentation des Gesamtzustands.

Aus hochfrequenten Daten muss Zustand werden

Mit Physical AI wachsen Datenmenge und zeitliche Auflösung gleichzeitig. Motor Control, Strom- und Positionsmessung, Vibration, Radar oder akustische Sensorik erzeugen hochfrequente und hochaufgelöste Datenströme, die nicht dauerhaft durch jede Ebene eines Systems transportiert und zentral ausgewertet werden müssen.

Hier passen Edge Computing und SF2 strukturell zusammen.

Nahe an der Datenquelle kann aus multivariaten Signalen ein kompakter State Fingerprint entstehen. State Fingerprints sind spärliche binäre Repräsentationen und lassen sich über effiziente bitweise Operationen vergleichen. Damit eignet sich der Ansatz grundsätzlich für ressourcenschonende Edge-Verarbeitung.

SF2 setzt bei der Zustandsrepräsentation dabei näher an der Datenquelle an: ohne große gelabelte Fehlerdatensätze und ohne verpflichtende Cloud-Infrastruktur. Das schließt Cloud-, Data-Lake- oder OTA-Architekturen nicht aus, sondern ergänzt sie um eine lokal erzeugbare Zustandsinformation.

Höhere Ebenen können dadurch mit verdichteten Informationen über Zustand, Ähnlichkeit, Drift oder Übergang arbeiten, anstatt permanent sämtliche Rohdaten zu verarbeiten.

Je mehr Physical AI wahrnimmt, desto wichtiger wird es, aus Daten einen Zustand zu machen.

Diese Logik lässt sich perspektivisch hierarchisch skalieren:

Komponente → Subsystem → System → Flotte

Ein State Fingerprint einer unteren Ebene kann Teil der Repräsentation der nächsthöheren Ebene werden. Gerade mit Industrial IoT sowie stärker vernetzten 5G- und künftig 6G-Infrastrukturen wird eine solche Verdichtung zunehmend relevant.

Mehr Konnektivität allein erzeugt noch kein Verständnis.

Die fehlende Ebene ist vielleicht keine weitere AI

Physical AI verfügt bereits über leistungsfähige Sensorik, Halbleiter, Aktuation, Edge Computing, Kommunikation, Safety und AI.

Die offene Frage lautet:

Wie wird aus Wahrnehmung und Kontext eine gemeinsame Repräsentation des tatsächlichen physischen Systemzustands?

Genau für diese Lücke entwickelt SF2 eine leichte, Edge-fähige und reproduzierbare Representation Layer, die multivariate physische Signale in eine semantische Zustandsrepräsentation überführt – und damit eine zusätzliche technische Grundlage für das schafft, was JEDI mit „Verify, Don’t Trust“ beschreibt.

Autonomie braucht Repräsentation. SF2 repräsentiert physischen Zustand.