Die zehnseitige Publikation „Industrie 4.0 Forschung in Kürze: Physical AI in der Industrie“ ist kostenlos zum Download verfügbar.

Die deutschsprachige Studie des Forschungsbeirats Industrie 4.0 beschreibt, wie durch Physical AI insbesondere mithilfe digitaler Zwillinge von Produktionssystemen und Prozessen autonome Anlagen entwickelt werden können. Das Papier demonstriert anhand eines Anwendungsfalles, wie Physical AI in der Industrie sinnvoll eingesetzt werden kann. Es beleuchtet den Status quo der Technologie und ihrer Anwendung sowie offene Fragen zu Forschung und Entwicklung.

Was ist Physical AI?

Physical AI bezeichnet den Einsatz von Künstlicher Intelligenz (KI) in cyber-physischen Systemen, die mit der physischen Umwelt interagieren. Sie erfassen Umgebungsinformationen und Daten anderer Systeme, werten diese mithilfe von KI aus, leiten daraus eigenständig Handlungen ab und setzen diese um. Entscheidend ist die Verbindung mit dem digitalen Zwilling, also dem virtuellen Abbild von Maschinen, Anlagen oder Prozessen. So verknüpfen Physical-AI-Systeme Simulationen und Realität durch einen kontinuierlichen Datenfluss und passen ihre Entscheidungen an reale Bedingungen an.

Wozu braucht man das?

Aktuell befindet sich die Einbindung von KI in physische Systeme noch im Forschungsstadium. Demonstratoren und Modellfabriken verdeutlichen die Potenziale. Ein exemplarischer Use Case demonstriert in der Publikation, wie bei einer Prozessanlage ein digitaler Zwilling und agentische KI zusammenarbeiten: Mit Echtzeitdaten aus der Anlage werden Simulationen durchgeführt, die beste Strategie berechnet und anschließend mithilfe von agentischer KI die Steuerung der Anlage optimiert. Durch die Kombination von Digitalem Zwilling und agentischer KI kann die Anlage zunehmend eigenständig Entscheidungen über ihre Betriebsführung treffen.

Damit solche Anwendungen in realen Produktionsumgebungen funktionieren, müssen die zugrunde liegenden KI-Modelle flexibel auf neue Situationen reagieren können. Ein lernfähiger Roboter sollte beispielsweise nicht für jede einzelne Schraube oder jedes Werkstück vollständig neu trainiert werden müssen. Spezielle Trainingsverfahren wie Continuous Learning oder Transfer Learning sollen KI-Anwendungen anpassungsfähiger machen, damit sie in komplexen Produktionssystemen funktionieren. 

Die Publikation kann kostenlos über den angefügte Link heruntergeladen werden.