Fortschritte in der Robotik durch simulationsbasierte Trainingsmodelle von Ai2

Revolution in der Robotik: Ai2 präsentiert simulationsbasierte Modelle für den Zero-Shot Transfer

Das Allen Institute for AI (Ai2) hat mit der Veröffentlichung neuer Robotik-Modelle einen signifikanten Fortschritt in der Entwicklung intelligenter Maschinen erzielt. Diese Modelle wurden vollständig in virtuellen Umgebungen trainiert und demonstrieren die Fähigkeit, Aufgaben in der realen Welt ohne jegliche zusätzliche Datenerfassung oder Feinabstimmung in physischen Umgebungen auszuführen. Dieser Ansatz, bekannt als "Zero-Shot Sim-to-Real"-Transfer, stellt eine potenzielle Beschleunigung in der Robotikforschung dar und könnte die Kosten sowie den Zeitaufwand für die Entwicklung neuer Robotikanwendungen erheblich reduzieren.

Ein Paradigmenwechsel im Robotik-Training

Traditionell erforderte das Training von Robotern, selbst nach umfangreichen Simulationen, eine oft monatelange Phase der Kalibrierung und Datenerfassung in der realen Welt, um eine zuverlässige Funktionalität zu gewährleisten. Dies stellte einen erheblichen Engpass im Entwicklungsprozess dar. Die von Ai2 vorgestellten Systeme, MolmoSpaces und MolmoBot, zielen darauf ab, diesen Engpass zu beseitigen, indem sie die Notwendigkeit manuell gesammelter realer Daten oder einer aufgabenspezifischen Feinabstimmung eliminieren.

MolmoSpaces: Die umfassende virtuelle Trainingsumgebung

MolmoSpaces bildet das Fundament dieser Neuentwicklung. Es handelt sich um eine umfangreiche Simulationsumgebung für die Forschung im Bereich der verkörperten KI. Diese Plattform umfasst:

• Über 230.000 Innenszenen, die eine breite Palette von Umgebungen abbilden, von privaten Haushalten bis zu Büros und Museen.
• Mehr als 130.000 kuratierte Objekte, deren physikalische Eigenschaften wie Gewicht, Material und Artikulation für die robotische Interaktion modelliert sind.
• Über 42 Millionen physikbasierte Annotationen für Robotergriffe, die eine detaillierte Interaktion mit Objekten ermöglichen.

Die Architektur von MolmoSpaces ermöglicht es Forschenden, eine enorme Vielfalt an Szenarien zu generieren. Dies beinhaltet unterschiedliche Anordnungen, Lichtverhältnisse, Objektplatzierungen, Kameraperspektiven und physikalische Interaktionen. Die Annahme dahinter ist, dass ein Modell, das in einer ausreichend vielfältigen virtuellen Welt trainiert wurde, die reale Welt als eine weitere Variation dieser Erfahrungen wahrnehmen und sich entsprechend anpassen kann. MolmoSpaces ist zudem so konzipiert, dass es mit gängigen Simulatoren wie MuJoCo, ManiSkill und Nvidia Isaac Lab/Sim kompatibel ist, was seine Zugänglichkeit und Nutzung in der breiteren Forschungsgemeinschaft fördert.

MolmoBot: Die manipulationsfähige KI

Aufbauend auf der Grundlage von MolmoSpaces wurde MolmoBot entwickelt. Dieses Open-Source-Manipulationsmodell wurde ausschließlich mit synthetischen Daten trainiert. In Tests konnte MolmoBot erfolgreich eine Reihe von grundlegenden Manipulationsaufgaben ausführen, darunter:

• Das Aufnehmen und Platzieren von Objekten.
• Die Manipulation von artikulierten Objekten wie Schubladen und Schränken.
• Das Öffnen von Türen.

Diese Aufgaben wurden auf zwei verschiedenen Roboterplattformen, dem Franka FR3-Arm und dem mobilen Manipulator RB-Y1, erfolgreich durchgeführt. Entscheidend ist, dass dies ohne jegliche reale Feinabstimmung oder die Notwendigkeit, zuvor reale Trainingsdaten für diese spezifischen Aufgaben gesehen zu haben, gelang. Dies untermauert die Wirksamkeit des "Zero-Shot Sim-to-Real"-Ansatzes. Die Erkenntnisse von Ai2 deuten darauf hin, dass die Diversität der simulierten Umgebungen und Assets entscheidender ist als die bloße Wiederholung desselben Szenarios in großem Maßstab.

Die Bedeutung von Diversität und Skalierbarkeit

Ranjay Krishna, Direktor des PRIOR-Teams bei Ai2, betont, dass die Kluft zwischen Simulation und Realität schrumpft, wenn die Vielfalt der simulierten Umgebungen, Objekte und Kamerabedingungen drastisch erhöht wird. Der Ansatz von Ai2 verlagert den Engpass in der Robotik von der manuellen Datenerfassung hin zur Gestaltung besserer virtueller Welten – ein Problem, das sich durch Rechenleistung und offene Infrastruktur skalieren lässt.

Ein anschauliches Beispiel für die Robustheit der Modelle ist die Fähigkeit von MolmoBot, Aufgaben auch bei erheblichen Kamerabewegungen fortzusetzen. Dies adressiert ein häufiges Problem in Robotersystemen, bei denen bereits geringfügige Verschiebungen der Kamera zu einem Zusammenbruch der Leistung führen können, da das Modell zu stark von einer festen visuellen Perspektive abhängig ist.

Offene Wissenschaft und zukünftige Perspektiven

Ai2 stellt MolmoSpaces und MolmoBot als offene Infrastruktur zur Verfügung, was bedeutet, dass nicht nur die Modelle, sondern der gesamte Stack – Daten, Generierungspipelines, Assets, Benchmarks und Tools – der Öffentlichkeit zugänglich gemacht wird. Diese Verpflichtung zu Open Source soll die Reproduzierbarkeit fördern und die Forschungsgemeinschaft befähigen, auf diesen Fortschritten aufzubauen.

Obwohl Ai2 einen bedeutenden Schritt in Richtung "Zero-Shot Sim-to-Real"-Transfer gemacht hat, räumt Ranjay Krishna ein, dass die Kluft zwischen Simulation und Realität noch nicht vollständig geschlossen ist. Die bisherigen Erfolge beziehen sich auf eine begrenzte Anzahl von Manipulationsaufgaben in relativ kontrollierten Umgebungen. Komplexere Aufgaben, die dynamische Bewegungen oder präzisere Manipulationen erfordern, sowie Aufgaben, die ein logisches Denken in unübersichtlichen Räumen voraussetzen, bleiben weiterhin Herausforderungen.

Das Team arbeitet bereits an einer Weiterentwicklung von MolmoBot, um komplexere, mehrstufige Aufgaben zu bewältigen, die beispielsweise das Auffinden und Abrufen eines Gegenstandes in einem Haushalt oder das Aufräumen eines Raumes durch Zerlegung in kleinere Aktionen umfassen. Hierbei wird die Simulation allein nicht ausreichen; Roboter müssen weiterhin kontinuierlich aus realen Erfahrungen und Demonstrationen lernen.

Die Kernbotschaft von Ai2 ist, dass der "Sim-to-Real"-Transfer möglich ist und reproduzierbare Ergebnisse liefert. Dies könnte zu besseren und gerechteren Modellen führen, die von jedem entwickelt werden können, und somit die Entwicklung praktischer, flexibler Roboter beschleunigen, die in verschiedenen Umgebungen, von Haushalten über Arbeitsplätze bis hin zu Forschungslaboren, eingesetzt werden könnten.

Implikationen für B2B-Anwendungen

Für Unternehmen im B2B-Sektor eröffnen diese Entwicklungen neue Perspektiven. Die Möglichkeit, Roboter in Simulationen zu trainieren und sie dann direkt in realen Produktionsumgebungen oder Dienstleistungsszenarien einzusetzen, ohne umfangreiche und kostspielige reale Trainingsphasen, kann zu erheblichen Effizienzsteigerungen führen. Dies betrifft Bereiche wie:

• Automatisierung von Logistik und Lagerhaltung: Roboter könnten schneller für komplexe Greif- und Platzierungsaufgaben in variablen Umgebungen trainiert werden.
• Fertigungsindustrie: Die Anpassung von Robotern an neue Produktlinien oder flexible Produktionsprozesse könnte beschleunigt werden.
• Dienstleistungsrobotik: Roboter für den Einsatz in Hotels, Krankenhäusern oder in der Pflege könnten effizienter entwickelt und adaptiert werden.
• Forschung und Entwicklung: Unternehmen können neue Robotik-Anwendungen schneller prototypisieren und testen, was Innovationszyklen verkürzt.

Die Open-Source-Verfügbarkeit der Tools fördert zudem die Kollaboration und ermöglicht es Unternehmen, eigene Lösungen auf einer etablierten und validierten Basis aufzubauen.

Die Forschungsarbeit von Ai2 unterstreicht das Potenzial von Simulationen als primäres Trainingsfeld für physische KI. Dies könnte die Robotikforschung schneller, reproduzierbarer und zugänglicher machen, was nicht nur für die Robotik selbst, sondern auch für die breitere wissenschaftliche und industrielle Entwicklung von Bedeutung ist.

Bibliography - Ai2. "Ai2 Introduces Open, Simulation-First Stack for Physical AI, Achieving Zero-Shot Transfer to Real Robots." Allen Institute for AI, 12. März 2026. - Ai2. "Latest research." Allen Institute for AI. - Bastian, Matthias. "Ai2 releases new robotics models trained entirely in simulation to skip real-world data collection." The Decoder, 14. März 2026. - Edwards, David. "Ai2 claims breakthrough in training robots entirely in simulation." Robotics & Automation News, 12. März 2026. - Hampton, Jaime. "New Ai2 Robotics Models Aim to Bridge the Sim-to-Real Gap." AIwire, 13. März 2026. - Shi, Liangzhi et al. "[2602.12628v2] Beyond Imitation: Reinforcement Learning-Based Sim-Real Co-Training for VLA Models." ArXiv, 16. Februar 2026. - Yeung, Ken. "Ai2 Advances Physical AI With Simulation-Trained Robots." The Letter Two, 12. März 2026. - Yeung, Ken. "Ai2 Shows Robots Can Learn Without Real-World Data." The AI Economy, 12. März 2026.