Warum Physical AI jetzt Aufmerksamkeit bekommt – und was diesmal anders ist

• Im Bereich Physical AI nehmen VC-Investitionen spürbar zu; aufeinanderfolgende Ereignisse wie NVIDIA GTC, Bessemer Robotics Day, der Unitree-IPO, Amazons Übernahme von Fauna Robotics und der Auftritt eines Figure-Humanoiden im Weißen Haus erzeugen derzeit Momentum in der Branche
• Das Trauma früherer Fehlschläge bei Robotics-Investments wirkt zwar nach, doch dieser Zyklus ist grundlegend anders, weil die zentralen Katalysatoren nicht nacheinander, sondern parallel und gleichzeitig in komplexer Wechselwirkung wirken
• Mit dem Aufkommen physikalische Welt spezialisierter Foundation-Modelle wie Vision-Language-Action-Modelle, Modelle für autonomes Fahren und World Models eröffnet sich die Möglichkeit eines universellen „Robotics Brain“
• Der Flaschenhals bei der Erhebung von Robotik-Trainingsdaten wird durch Fortschritte bei Simulation, Teleoperation und egozentrischen Videos gelockert; zugleich kommen Makrofaktoren wie Edge-Inference, sinkende Hardwarekosten und Arbeitskräftemangel hinzu
• In Big Tech und bei Startups findet derzeit ein massiver Zustrom an Talenten statt, der an die Anfangsphase des LLM-Booms erinnert; der „ChatGPT-Moment“ von Physical AI könnte näher sein als erwartet

---

Das aktuelle Momentum von Physical AI

• In der Keynote der NVIDIA GTC vergangene Woche trat der Olaf-Roboter auf, gefolgt von Meldungen zum Bessemer Robotics Day und zum Unitree-IPO
• In derselben Woche sorgten zusätzlich die Nachricht von Amazons Übernahme von Fauna Robotics und der Auftritt eines Figure-Humanoiden im Weißen Haus für Aufmerksamkeit
• Die VC-Finanzierung im Bereich Physical AI zeigt zuletzt einen bedeutenden Aufwärtstrend; einsehbar ist das im Bericht von Morgan Stanley (Dezember 2025)
• In Prognosen für 2026 könnte der Embodied-AI-Wettbewerb heftigere und wichtigere Ergebnisse als der LLM-Krieg hervorbringen

Warum es diesmal anders ist: das gleichzeitige Zusammenwirken paralleler Katalysatoren

• Robotik war nicht immer eine „heiße“ Kategorie, und viele Investoren tragen noch die Narben früherer Misserfolge (scar tissue) aus vergangenen Zyklen
  • Im Bericht von Bessemer Venture Partners (November 2025) lassen sich die Höhen und Tiefen früherer Robotics-Investmentzyklen nachvollziehen
• Der zentrale Unterschied diesmal ist, dass die Katalysatoren von Physical AI nicht sequenziell, sondern parallel zusammenwirken (compounding in parallel)
• Dadurch entsteht eine Konvergenz, die sich grundlegend von jedem früheren Zeitpunkt unterscheidet

Die rasante Entwicklung von Physical-AI-Foundation-Modellen

• Es entstehen neue Arten von KI-Modellen, die speziell für die physische Welt entwickelt wurden
  • Dazu zählen Vision-Language-Action-Modelle, Modelle für autonomes Fahren und World Models
• Es beginnt sich eine „Foundation-Model-Layer“ für die Robotik zu bilden, die ein „Robotics Brain“ ermöglicht, das über verschiedene Aufgaben, Umgebungen und Formfaktoren hinweg denken und schlussfolgern kann
• Gegenüber den bisherigen fragilen regelbasierten Ansätzen oder nur in engen Bereichen trainierten, nicht generalisierbaren Policies bedeutet das eine sprunghafte Verbesserung (step-function improvement)

Der Datenflaschenhals entspannt sich

• Über Jahre war der begrenzende Faktor an der Robotics-Frontier nicht die Intelligenz, sondern Daten
  • Die für das Training von Robotermodellen nötigen Daten (motorische Fähigkeiten, Druck, Manipulation usw.) lassen sich nicht aus dem Internet sammeln
  • Physical-AI-Daten sind unstrukturiert und multimodal; ihre Erhebung in realen Umgebungen ist teuer und langsam
• Diese Einschränkung wird durch folgende technische Fortschritte gelockert:
  • skalierbare Teleoperation, ein simulation-first-Ansatz, egozentrische Videos, World Models und Haptik
• Zugehörige Methoden und Tools reifen schnell heran (siehe Material von Emily Yu bei Boost VC)
• Das Datenproblem ist zwar nicht vollständig gelöst, aber es ist nicht länger die unüberwindbare Barriere wie in der Vergangenheit

Die Inferenz-Infrastruktur ist zur richtigen Zeit ausgereift

• Robotische Intelligenz ist nur dann nützlich, wenn sie Handlungen in Echtzeit ausführen kann
• Im Bereich Edge Inference gab es Durchbrüche
  • Effizienteres Computing, das komplexe Modelle lokal und in Echtzeit On-Device ausführen kann
• In Umgebungen, in denen Latenz und Konnektivität harte Einschränkungen darstellen (Fabrikhalle, Baustelle usw.), ist sofortiges Handeln essenziell; daher ist diese Art der Inferenz für Physical-AI-Systeme zentral

Hardware ist bereit für Skalierung – und wird günstiger

• Verbesserungen bei der Hardware, Kommoditisierung und fallende Kostenkurven machen skalierbare und vielseitige Roboter wirtschaftlich realisierbar
• Das ist eine notwendige Voraussetzung, um vielversprechende Demos in tatsächlich ausrollbare Produkte zu verwandeln

Makroökonomischer Rückenwind

• Technologischer Wandel und ein günstiges Makroumfeld laufen gleichzeitig zusammen
  • Arbeitskräftemangel, Schwächen in Lieferketten und geopolitischer Druck rund um Reshoring machen Automatisierung von einer Wette auf die Zukunft zu einer strategischen Notwendigkeit der Gegenwart
• Auch in der öffentlichen Wahrnehmung wird Autonomie zunehmend Mainstream
  • etwa durch autonome Fahrzeuge auf den Straßen oder humanoide Roboter, die Gäste in Restaurants bedienen

Massiver Talentzufluss

• Das aussagekräftigste Signal ist die Bewegung von Talenten
• Forscher, Entwickler und Gründer wechseln in Big Tech und in Startups derzeit in die Robotik
• Das Ausmaß erinnert an die Anfangsphase des LLM-Booms (siehe Bericht von Lazard, September 2025)

Wann kommt der „ChatGPT-Moment“?

• Die jüngsten Fortschritte sind bemerkenswert, doch die zentrale Debatte verlagert sich auf das Timing: Wann kommt der „ChatGPT-Moment“ von Physical AI?
• Echte Generalisierbarkeit im großen Maßstab in realen Umgebungen ist noch nicht erreicht
• Doch weil viele Katalysatoren parallel zusammenwirken, wird die Entwicklungslinie immer klarer, die darauf hindeutet, dass der Wendepunkt näher sein könnte als erwartet