Inmitten des hektischen Treibens in San Francisco hat Physical Intelligence, ein von Stripe-Ex-Mitarbeiter Lachy Groom gegründetes Startup, eine der aufregendsten Entwicklungen im Bereich künstlicher Intelligenz für Roboter aufgelegt. Das Unternehmen, das sich auf die Entwicklung allgemeiner Roboter-Grundmodelle konzentriert – vergleichbar mit ChatGPT, aber für physische Systeme – arbeitet an der Schaffung von Robotern, die komplexe, alltägliche Aufgaben wie das Falten von Hosen, das Umstülpen von T-Shirts oder das Schälen von Zucchini lernen können. Die Laborräume wirken chaotisch, mit überfüllten Tischen voller Kabel, Monitore und Roboterarmen, die in verschiedenen Stadien der Experimentierung stehen. Die Technologie basiert auf einer kontinuierlichen Lernschleife: Daten aus realen Umgebungen – von Lagerhäusern bis zu Küchen – werden gesammelt, um allgemeine Intelligenzmodelle zu trainieren, die dann an neuen Plattformen getestet werden. Die Hardware selbst ist bewusst unauffällig und kostengünstig, was zeigt, dass die Intelligenz der Roboter, nicht die Qualität der Maschinen, entscheidend ist. Groom, der mit 13 sein erstes Unternehmen gründete und später bei Stripe eine Schlüsselrolle spielte, suchte jahrelang nach dem richtigen Projekt – zunächst als Investor, dann als Gründer. Als er die Forschung von UC-Berkeley-Professor Sergey Levine und Chelsea Finn entdeckte, erkannte er die Chance. Mit Co-Founder Quan Vuong, ehemaliger DeepMind-Forscher, gründete er 2022 Physical Intelligence. Das Unternehmen hat mittlerweile über 1 Milliarde US-Dollar gesammelt, vor allem von Khosla Ventures, Sequoia Capital und Thrive Capital, und ist mit 5,6 Milliarden Dollar bewertet. Im Gegensatz zu vielen Startups verzichtet es jedoch auf ein klares Zeitplan für Monetarisierung – ein Risiko, das Investoren nur tolerieren, weil das Team überzeugend ist und die Vision überzeugt. Der Kern des Ansatzes: Cross-Embodiment-Lernen. Modelle sollen so flexibel sein, dass sie auf neuen Roboterplattformen ohne Neutrainings schnell funktionieren. Dies könnte die Einführung von Autonomie in neue Branchen wie Logistik, Lebensmittelproduktion oder Haushaltsrobotik beschleunigen. Obwohl Konkurrenten wie Skild AI bereits kommerzielle Anwendungen vermarkten, setzt Physical Intelligence auf reine Forschung und Datenvielfalt, um eine tiefe physische Intelligenz zu erreichen. Industriebeobachter sehen in diesem Wettlauf eine entscheidende Frage: Ist es besser, sofort mit kommerziellen Anwendungen zu starten und durch Datenflüsse zu lernen – oder zuerst die Grundlagen zu perfektionieren, um langfristig überlegen zu sein? Groom bleibt unbeeindruckt: „Wir arbeiten mit Menschen, die dieses Problem seit Jahrzehnten lösen wollen. Wenn jetzt der Moment gekommen ist, dann ist er gekommen.“ Die Herausforderungen sind groß – Hardware ist teuer, bricht oft, verzögert Tests. Doch die innere Klarheit des Teams bleibt. Die Roboter falten weiterhin Hosen, die Shirt-Handlung bleibt ungelöst, die Zucchinischalen stapeln sich. Doch hinter diesem scheinbar trivialen Tun verbirgt sich eine Vision: eine Welt, in der Roboter nicht nur spezialisiert, sondern allgemein intelligent sind. Ob das gelingt, bleibt offen – aber in Silicon Valley wird solche Ambition bis heute mit viel Kapital und Vertrauen belohnt.