00:00:04: Ja, einen schönen guten Tag.

00:00:05: Ganz herzlich willkommen zu einer neuen Folge unseres FZ-Podcasts zur künstlichen Intelligenz.

00:00:10: und für sie wissen oder wie ihr wisst sprechen wir in dem Podcast mit unseren Gästen aus der Wirtschaft, aus der Wissenschaft und aus der Politik ganz konkret über den Einsatz von Künstlicher Intelligenzen was heute alles geht, was morgen vielleicht möglich sein wird aber auch darüber wo es vielleicht ein bisschen gefährlich werden könnte.

00:00:29: Wir das sind

00:00:30: Peter Buchsmann

00:00:32: Und Holger Schmidt für Beschäftigung uns an der TU Darmstadt, am Fachgebiet Wirtschaftsinformatik und in der FAZ Digitalwirtschaft mit dem Einsatz der künstlichen Intelligenz und deren Auswirkungen auf Wirtschaft oder Arbeit.

00:00:43: In unserer heutige Folge berufen wir gleich zwei Gäste und

00:00:46: damit zwei Seiten

00:00:47: der sogenannten physical AI also der kündlichen Intelligenz die eben nicht auf den Bildschirm bleibt sondern in Maschinen gereift läuft und arbeitet.

00:00:55: David Riecker hat Neural Robotics aus dem Jahr two and nineteen in Metzingen bei Stuttgart gegründet.

00:00:59: Das Unternehmen entwickelt kognitive Roboter vom kollaborierenden Industrie-Roboter bis zum humanoiden Roboter, baut dafür eigene KI-Modelle Sensorik und Steuerung.

00:01:11: Und im Juni hat das Unternehmen eine Finanzierungsrunde für bis zu µf Milliarden Dollar eingesammelt unter Beteiligungen von lustigen Unternehmen wie Nvidia, Amazon, Qualcomm, Bosch und Schäffler.

00:01:23: Der zweite ist sehr hochhalte, er ist Professor an der Johannes Keppler Universität in Linz und leitet dort das Institut für Machine Learning.

00:01:30: In den neunzig Jahren hat er LSTM mit erfunden, das Long-Shirt Term Memory.

00:01:35: Er ist über viele Jahre Spracherkennung und maschinelle Übersetzung auf Milliarden

00:01:38: von Snats

00:01:39: für Smartphones angetrieben.

00:01:40: Im Jahr zwanzig vierundzwanzig hat er mit XLSTM eine Weiterentwicklung vorgestellt die er mit dem Unternehmen NXAI in der Industrie bringt.

00:01:50: Und anders unseres Gesprächs heute.

00:01:52: Die beiden Unternehmen Neura und NXAW wollen zusammenarbeiten Roboter ein Gedächtnis zu geben oder wie die beiden das formulieren.

00:01:59: Ein Roboter ist eben kein Chat und wir freuen uns sehr lieber David, lieber Seb dass wir heute mit euch darüber sprechen können.

00:02:06: Hallo!

00:02:09: Ja David dann darf ich vielleicht mal mit dir anfangen?

00:02:11: Nimm uns doch mal ein bisschen mit was ist denn deine eure Version?

00:02:15: und auch so aus Kundenperspektive.

00:02:17: Was bietet ihr denn euren Kunden an was andere Roboterherstelle vielleicht nicht können?

00:02:23: also Wir sprechen eigentlich seit dem Jahr zwei tausend neunzehnten von nichts anderem, wie KI angetriebene Roboter oder Roboter die sozusagen einmal die Sinne haben.

00:02:36: Also sie können hören und sehen.

00:02:38: Und wir haben das Feingefühl und diese Sinne brauchen ein Gehirn um dann wirklich autonom sag ich mal... Entscheidungen zu treffen, wirklich, ich sag mal Dinge zu verstehen.

00:02:56: Aber im anderen Sinne auch sozusagen in dieser realen Welt agieren und reagieren zu können.

00:03:04: Und das sind genau die Dinge, die wir in unserem Roboter finden an denen wir arbeiten seit zwei Neunzehnten.

00:03:12: Nimm doch mal oder nimm uns noch ein bisschen weiter mit.

00:03:14: hast du vielleicht eins-zwei Anwendungsbeispiele?

00:03:17: Können auch gerne einen Wow Effekt haben.

00:03:22: Also im Endeffekt, was wir machen?

00:03:24: Wir bauen Roboter für den Industriebereich.

00:03:28: Das heißt dort wo uns bis zu zwanzig dreißig einige Mitarbeiter fehlen werden.

00:03:33: Dort sehen wir Roboter als eine mögliche sozusagen Ergänzung für die Menschen.

00:03:38: das heißt Wir haben nicht mehr genügend Menschen, die wirklich physische Arbeiten ausführen können und wollen.

00:03:45: Und unsere Roboter sollen genau diese Tätigkeiten auswinden.

00:03:48: Das heißt wirklich die einfachsten, also den nennen wir Low-Hanging-Fruits.

00:03:52: Also Roboter, die einfach nur Knöpfe drücken können, Schalter umlegen können und Bauteile in Maschinen einlegen wird schon eine große Hilfe sein.

00:04:02: Da stapel ich jetzt klein.

00:04:04: natürlich bis in alle Bereiche des Lebens.

00:04:08: Und daran arbeiten wir.

00:04:12: Könnt ihr eure Zusammenarbeit mal ein bisschen beschreiben, was habt ihr konkret vereinbart?

00:04:17: In welche Richtung geht das und was sind sozusagen die beiden Punkte oder die beiden Kompetenzen, die ihr an der Stelle sozusagen zusammenbringt?

00:04:27: Sepp Magstuhl oder soll ich?

00:04:29: Weiß nicht okay dann fange ich mal an und dann gehst du rein.

00:04:35: Ne muss man sagen das ist ein perfekter Match weil Neura mit David voran in die Zukunft denkt, wie

00:04:44: man ein

00:04:45: Roboter einsetzen kann.

00:04:48: Wie wir Roboter die Intelligenz sind und vor allem auch Roboter, die sich was merken können vernünftig einsetzt um uns Menschen zu unterstützen.

00:05:01: Um Arbeit, die sonst nicht gemacht wird weil so wenig Arbeitskraft da ist, wegzuarbeiten sozusagen.

00:05:10: Also ein perfekter Match.

00:05:12: Wir sind die KI-Firma NXEI.

00:05:17: wir haben immer schon die Vision gehabt KI einen Roboter zu bringen größer KI eine Maschine zu bringen.

00:05:25: aber in Zukunft sehen wir bei den Robotern.

00:05:29: unsere Spezialität ist Gedächtnis Memory Memory an den Roboter zu bringen.

00:05:37: Und da ist einerseits das Working Memory, kann ich später noch darauf eingehen und andererseits die Erfahrung des Episodik-Memories.

00:05:47: Das ist eine Zukunftsvision – es gibt's noch nicht!

00:05:51: Das können die jetzigen Modelle noch nicht.

00:05:53: Wir werden das zusammen bauen.

00:05:55: Ich glaube, es ist sehr wichtig, weiter nach vorne zu schauen wie

00:06:01: ein

00:06:01: intelligenter Robot der Zukunft aussehen.

00:06:05: Und da ist David und Neura für uns der ideale Partner, die idealen Partner weil sie auch innovativ denken und sehen was möglich ist und das mit uns bauen möchten.

00:06:20: wir wie gesagt bauen eher das Gehirn des meint zusammen mit David und Team die dann auch besonders runter zur Mechanik das umsetzen können, was wir auf sehr abstrakten Hall-Level uns ausgedacht haben.

00:06:42: Wir hatten vor zwei Wochen in der vorletzten Folge, glaube ich, hatten wir Christoph Schell den CEO von KUKA hier, der von ähnlichen Visionen erzählt hat, sagt doch vielleicht noch mal ein bisschen, was das mit dem Gedächtnis, was du gerade SEP angesprochen hast... Was vielleicht das dazu führt, was ihr könnt und was ein Konkurrent wie Kuka nicht kann oder vielleicht ist es ja auch gar kein Konkurrenz?

00:07:09: Also vielleicht ganz kurz nochmal zusammengefasst.

00:07:11: Was wir gemeinsam machen.

00:07:12: Wir bündeln Kräfte.

00:07:16: Das sagt ja jeder!

00:07:18: Einfach nur die Arbeit von Seb.

00:07:21: Mal anschaut, dir schon länger macht, wie das ist neibisch.

00:07:26: Sag mal so... Dann ist es schon beeindruckend, was er seine Technologie und die entwickelte Technologie eigentlich in der Welt schon alles verrichtet hat.

00:07:35: Und ich glaube... dass das vor allem in Europa jetzt eins entscheidend sein wird, dass sich das Europa nicht gegeneinander kämpft sondern miteinander weil's hier um den größten Markt der Zukunft geht, den eigentlich physical labour-Markt.

00:07:53: also wenn man über physische Intelligenz spricht, also Dann ist es nun mal der größte Beitrag des Global GDPs.

00:08:03: Also und wenn man hier wirklich gewinnen möchte weltweit, dann sollte man jetzt endlich... Und das freut mich hier so extrem!

00:08:11: Das ist letztlich auch wirklich hier Unternehmen wie auch Professoren gibt die wirklich mit uns denken anstatt gegen uns und sagen hey wir haben hier etwas was vielleicht extrem relevant sein könnte auf eurem Weg.

00:08:29: Und lass uns doch mal die Kräfte binden und so ist auch Seb zugekommen, das ist unglaublich!

00:08:34: Also erst einmal, was wir hier schaffen... Wir haben jetzt im Foundation-Modell gerade gelauncht, Frau Gestern oder so.

00:08:40: Das ist unsere zweite Generation wo wir wirklich stolz drauf sind weil es wenn man es zu anderen Modellen gerade vergleicht die existieren sie wirklich in in drei bis vier X sozusagen überbieten, also im Benchmarkt wirklich deutlich besser ist und man sieht hier eine kleine Frucht davon von dem was wir eigentlich vorhaben.

00:09:04: Warum?

00:09:05: Weil wir hier eigentlich schon natürlich die Multimodalität dazu genommen haben aber auch natürlich vor allem der Memory-Part ein bisschen mehr beleuchtet haben wie wahrscheinlich meine andere.

00:09:20: Lass mich mal kurz nachhaken.

00:09:22: David, das klingt toll und in Kräftebündeln ist auch immer gut.

00:09:27: Das machen wir überall.

00:09:28: Jetzt habe ich verstanden ihr stellt Roboter her Und die Forschung Die jahrelange Forschung von SEP Hochreiter hilft euch sozusagen Gedächtnis da reinzubringen.

00:09:40: Was für coole Anwendungsbeispiele gibt es denn da wo ihr dann sagt?

00:09:44: Das könnt ihr euren Kunden anbieten was andere nicht können?

00:09:48: Das wäre die normale betriebswirtschaftliche Frage.

00:09:55: Ja, kann ich wieder anfangen!

00:09:57: Ich fange erst mal an... Was ist die große

00:10:00: Vision?!

00:10:00: Wie denke ich...?

00:10:01: Wie kann man Europa, wie kann man Deutschland in dem Bereich nach vorne kriegen?

00:10:08: Ich möchte einen Roboter bauen.

00:10:10: Der ist in einer kleinen Firma, vor zehn Leuten und der Meister zeigt dem Roboter, was er machen soll.

00:10:17: Tut die Teile hier rüber sortieren und tue sie ein Ölen Weil später muss man das Ding zusammenbauen.

00:10:23: Das macht es in Leerburg oder macht ein Geselle, aber das könnte den Roboter auch machen!

00:10:28: Oder er muss was entgraden?

00:10:30: Oder er mußt einen Rost wegkruxen?

00:10:32: Das sind Sachen... Oder vielleicht ein Holz erst so streichen bevor's verbaut

00:10:36: wird?!

00:10:38: Das sind jetzt einfache Arbeiten.

00:10:39: die werden vom Leerbogen und von Gesellen gemacht Aber die haben wir nicht mehr.

00:10:43: Uns fehlen die Leute,

00:10:45: d.h.,

00:10:45: in jeder kleinen Firma muss so'n Robot stehen.

00:10:47: Aber was ist das Entscheidende?

00:10:50: Ich zeig dem Robot was und er kann es.

00:10:53: Und das kann die jetzige KI nicht!

00:10:55: Die jetzigen KI muss etwas tausendmal, hunderttausend mal trainieren... ...und dann kann sie.

00:11:01: Was ist der Unterschied bei den Menschen?

00:11:04: Wenn ich einen Leerbuben habe, dem zeige ich es einmal.

00:11:07: Tu vorne beim Schutzblech die zwei Schrauben raus,... ...mach Sie sauber zu sich mit den anderen.

00:11:14: Das kann er für hunderte Fahrrädern machen.

00:11:16: Ihr habt es ihm einmal gezeigt.

00:11:17: Vielleicht muss ich ihn auch zweimal zeigen.

00:11:20: Aber das soll jetzt auch für ein Robot möglich sein und es geht nur, wenn das Gedächtniskonzept des Robots komplett neu gedacht wird.

00:11:33: Wir müssen das anders machen!

00:11:34: Das ist Episode-Memory, das ist Auserfahrung lernen.

00:11:38: Ich zeige ihm was und der Roboter erinnert sich.

00:11:43: Das habe ich schon mal gemacht.

00:11:44: Die zweite Art von Gerechnis ist das Working Memory.

00:11:47: Wenn ich die Schrauben rausdrehe, muss er vielleicht wissen, habe ich sie schon locker gemacht?

00:11:51: Habe ich die schon sauber gemacht?

00:11:53: Wenn ich was zusammenbaue, hab' ich schon ein Gratid oder nicht?

00:11:56: Ich muss dieses Working Memory wenn ich eine Aufgabe löse, wissen.

00:12:01: wo steh' ich gerade?

00:12:03: Ich mache mir zum Beispiel wieder Kaffeemaschine.

00:12:06: Wir haben einen Robert der soll Kaffee mit einer Kaffeemaschine machen.

00:12:11: Jetzt muss es sich merken, habe ich die Kaffeetasse schon runtergestellt und habe den Knopf schon gedrückt.

00:12:17: Das ist Working Memory um die Aufgabe zu lösen.

00:12:20: Wenn ihr mir das nicht merkt drücke ich immer

00:12:22: wieder

00:12:23: oder die Kaffee läuft daneben weil vergessen habt die Kaffentasse darunterzustellen.

00:12:27: also Working Memory ist um eine Aufgabe zu Lösen.

00:12:30: jetzt aber bei der Kaffeemaschine passiert etwas anderes.

00:12:32: Die Kaffe Maschine sagt bitte den Filter wechseln.

00:12:36: Naja jetzt kann sich der Roboter erinnern ja wo liegen die neuen Filter?

00:12:42: Wie baue ich einen Filter ein?

00:12:44: Oder wie baue es den alten aus?

00:12:45: und wie bauch die neuen Filter ein.

00:12:47: Und wie tue ich spülen?

00:12:50: Das ist Episodikmemory, das ist schon länger zurück.

00:12:53: Das hat mir mal jemand gezeigt wo die neuen Filters sind, wenn man Filter einen ausbaut?

00:12:57: Ich habe mir das gemerkt weil mir das jemand gezeigt hat.

00:13:00: Vielleicht hat's mir mein Vater gezeigt vielleicht hat's meinen Bruder gezeigt, beim Robot hat's vielleicht irgendein Mitarbeiter gezeigt Arten von Memory, mit denen wir arbeiten möchten.

00:13:13: Working Memory um eine Aufgabe zu lösen muss ich wissen was habe ich schon gemacht?

00:13:18: Was ist Fähigeschlagen?

00:13:19: Wo bin ich bei der Aufgabenlösung?

00:13:21: in welchen Schritt?

00:13:22: Schritt drei oder Schritt vier?

00:13:24: und dann Aufgaben lösen aus Erfahrung und das ist neu.

00:13:28: Das kann noch keiner und es werden wir bauen.

00:13:30: Es werden wir weltweit als Erste bauen Und das ist für Robotik essentiell.

00:13:36: In der Robotik kann man nicht alles lernen Weil es gibt so viele mögliche Aufgabenstellungen.

00:13:41: Soviel mögliche Objekte, Tools wo ich was machen können.

00:13:45: Auch Menschen können das nicht lernen.

00:13:47: Mensch muss sich auch sagen bei dem Auto musst du das so machen oder hier bei dem Fahrrad oder bei dem Stuhl musst du der Sohn so machen.

00:13:56: Das kann nicht alles auswendig gelernt werden.

00:13:58: Deswegen muss man manchmal etwas zeigen Oder muss Erfahrung sammeln und sich erinnern wie das gemacht wurde.

00:14:05: Und

00:14:07: Working

00:14:07: Memory Arbeitsgedächtnis, das sind wir mit der LSTME schon weit vorein.

00:14:12: Mit Ex-LSTEM nochmal.

00:14:14: Dafür hat jetzt gerade was vorgestellt und da ist schon ein Teil davon drin.

00:14:17: aber deswegen haben wir noch viel mehr Aufwand.

00:14:19: Wir brauchen Gedächtigungen um eine Aufgabe zu lösen.

00:14:21: wo bin ich in der Aufgabenstellung?

00:14:22: Aber dann geben wir einen riesen Schritt voran der die Roboterrobotik glaube ich komplett umstülpen wird weil... Ich kann im Roboter nicht alles auswendig lernen weil es die Aufgaben einfach zu variabel sind.

00:14:35: Der muss sich erinnern, was er schon gemacht hat.

00:14:38: Vielleicht habe ich ihm beigebracht Heliumdicht zu schweißen.

00:14:41: Helium-Dicht-Schweiß ist eine ganz spezielle Aufgabe bei Tanks damit das nicht rausläuft.

00:14:47: Irgendwer Meister zeigt ihm das der Robot macht selber und speiert es dann aus Erfahrungen als Episodikmemory weg.

00:14:55: Und wenn er es wieder braucht des Helium Dichtschweiches wird das rein.

00:14:57: Das ist komplett neu!

00:14:59: Das kann kein Transformer, das kann keine jetzige Architektur aber wir werden's bauen.

00:15:03: ... wird das Key sein.

00:15:06: Für Robotik wird es... ... komplett entscheidend sein, ... ... wird es ein Paratigma-Wechsel

00:15:11: einzuleiten.".

00:15:12: Das ist spannend was du sagst.

00:15:14: Vielleicht noch eine Rückfrage dazu?

00:15:16: Ich versetze mich jetzt mal in die Situation eines Kunden und ich möchte von euch einen Roboter kaufen.

00:15:22: Jetzt nehme ich mal genau deine beiden Anwendungsbeispiele.

00:15:25: Das eine war das Helium-Beispiel und das andere war das Kaffeekochen.

00:15:31: Habe ich dann als Kunde kaufe ich zweimal sozusagen die gleiche Hardware, den gleichen Roboter und kann ihm einmal das Kaffeekochen beibringen oder Helium Schweißen beibringen.

00:15:42: Oder sind es unterschiedliche Hardwares?

00:15:44: David, ich sehe dich!

00:15:45: Du würdest auch gerne antworten.

00:15:48: Gerne!

00:15:49: Nein also im Endeffekt ist er... Also was wir ja derzeit tun, ist er dem Roboter sozusagen einzelne Aufgaben beibbringen.

00:15:58: Aber wie bringen wir sie bei?

00:16:01: wirklich separat voneinander.

00:16:03: Das heißt jede einzelne Aufgabe wird einmal trainiert, der Roboter hat es mal gesehen, versteht's und führt dann weiter aus.

00:16:12: Und im Endeffekt was wir dann tun ist... Wir haben ja eine Plattform darüber und das ist glaube ich das Entscheidende hier jetzt auch.

00:16:20: nicht nur ein Modell sozusagen On the Edge gibt's, sondern in unserem Fall jetzt sage ich mal noch einen zweiten Layer darüber.

00:16:27: Das sozusagen der Orchestration-Layer nennen wir das.

00:16:31: dort werden sozusagen verschiedene Skills.

00:16:34: dann es gibt eine Skill Datenbanks und er ruft natürlich auch im richtigen Moment die richtige Datenbank ab und es hat eher mit dem ist einmal environmental und einmal situational awareness zu tun.

00:16:46: also das heißt verfügt über viel Wissen ist derzeit nun mal aufgrund der Größe, der Modelle und daran arbeiten wir halt auch.

00:16:56: Sag ich mal nicht möglich alles an die Ärzte haben.

00:16:59: dementsprechend haben wir ein Layer darüber und dieser Layer verfügt alles Wissen und fügt sie dann zusammen.

00:17:05: Ich stehe vor einer Kaffeemaschine, erholt sich das Wissen der Kaffe Maschine runter.

00:17:10: Also ich komme in eine Küche rein und er holt natürlich schon mal die richtige Erfahrung für die Küche runter und steht da plötzlich ne CNC-Maschine dann darf er halt ne Sekunde länger denken, sagen wir so wenn plötzlich eine CNC Maschine in der Küche steht.

00:17:24: aber man hat diesen diesen Schatz an Wissen in dieser großen Datenbank.

00:17:31: und das ist ja auch mit eins unserer größten Vision, dass man sagt okay über diese Gyms die wir jetzt gerade haben im München da trainieren wir natürlich.

00:17:40: Das sind die verschiedensten Unternehmen.

00:17:42: die einen wirklich bringen dem Roboter bei wie man so saugnossel sozusagen eine Kuh anbringt.

00:17:49: Die anderen arbeiten daran Bauteile zu entgraten, zu polieren, zu verpacken und so weiter.

00:17:58: Und diese Vielfalt, das ist genau das Entscheidende... Also die bringt einem was!

00:18:04: Das heißt wir brauchen nicht für jedes einen einzelnen Roboter sondern mit einem Klick Kann man alles, was man einem beigebracht hat auf alle anderen applizieren.

00:18:13: und das macht in der Zukunft natürlich unser AgentiGiTool Aura.

00:18:18: Also ein Modell darüber welches dann im richtigen Moment die richtigen Skills sozusagen auf on the edge deployt.

00:18:25: Aber ihr müsst quasi dem Robotart das einmal beibringen.

00:18:29: Also der sagt das dann seinen Kollegen, damit ihr das auch wissen.

00:18:32: Das habe ich schon verstanden aber im Endeffekt muss es ihm einmal beigebracht werden weil das ist ja das große Problem der der physical AI dass die Sprachmodelle hatten das nicht.

00:18:41: sie haben das Internet gelesen und hatten dann das Wissen.

00:18:44: Die Roboter müssen erst mal sozusagen Die Daten müssen bereitgestellt werden.

00:18:49: Dafür habt ihr eure Gyms jetzt oder nehmt ihr den Betrieb, dass ihr genau sagt hier lernt der Roboter was er zu tun hat.

00:18:55: aber wie bringe ich denen das bei?

00:18:57: Guckt ihr mit dem Nächsten, guckt ihr demnächst dem Meister an der Werkbank über die Schulter und merkt sich alles was der tut?

00:19:04: Wie funktioniert das?

00:19:04: weil wir könnt ja nicht alles im Gym theoretisch trainieren es muss ja irgendwie glaube ich im täglichen Leben in der Fabrik Halle muss der Robot da ja eigentlich daneben stehen und zugucken und lernen.

00:19:15: ist das eure Vision?

00:19:16: Also natürlich wenn er jetzt nur zuschaut, es hört sich nur so cool an und das verkauft auch gerade die Welt einem so dass das dann funktioniert.

00:19:24: Man hat einfach eine Kamera am Kopf und man näht und irgendwie kann der Roboter das natürlich nicht.

00:19:30: also im Endeffekt der Ford sozusagen.

00:19:33: deswegen auch die Multimodalität.

00:19:37: Ich mache mir gerne ein Beispiel mit dem mit dem schwimmen.

00:19:41: oder das heißt selbst wenn also wenn ich euch einfach mal im video zeige was ihr ein jahr lang anschaut, wo jemand schwimmt werdet ihr kein schwimmer.

00:19:49: Selbst wenn ihr euch das echt gut vorstellen könnt aber ihr werdet keinen schwimmen.

00:19:53: Also warum?

00:19:54: weil ihr dann auch natürlich ein paar andere Dinge mittrainiert?

00:19:57: Also einmal brauchst du die modalität zum Beispiel des fühlen zwar sonst wird man kein schwimmen und dann braucht man natürlich auch die sozusagen also die schneller die schnelleren Reflexe, die dann natürlich entscheidend sind in diesem Bereich als Nervensystem.

00:20:13: Und so ist es auch mit der physischen Welt also an sich.

00:20:16: Es bewegt sich alles um einen herum und es verschiebt sich was wenn ich irgendwas drauf setze und nicht fest montiert ist.

00:20:24: Genau dort sind Menschen heute natürlich die einzigen, die es wirklich selbstständig lösen können und leicht schnell genug beigebracht werden kann.

00:20:33: Und hier kommt der entscheidende Punkt.

00:20:35: Alles das wir dem beibringen wird, also wenn man es mal gemacht hat kann sich dann natürlich merken und darauf wird es heute und jetzt komme ich mal ganz kurz zu heute und zudem was Zepp und wir sozusagen jetzt gerade entwickeln.

00:20:49: Also heute muss man den wirklich jeder einzelnen Task mal beibringen und es ist sozusagen ein Fine Tuning des Foundation Models und dann bekommt man sozusagen einen Skill dazu wie so eine Image Nism Und das holt man natürlich im richtigen Moment runter.

00:21:03: Jetzt was wie jetzt gerade, man ist wirklich die Working Memory.

00:21:10: Was dann aber entscheidend sein wird?

00:21:11: Ist es auch selbst vorhin auch immer wieder erklärt, wie man diese ganzen verschiedenen Erinnerungen miteinander kombiniert und daraus wirklich eine Sache komplett neu sieht.

00:21:22: Auch wenn sie sich wirklich unterscheidet... Man weiß, wie man was putzt und plötzlich muss man etwas schleifen.

00:21:28: Und das sind ähnliche Dinge, sind aber komplett verschieden!

00:21:31: Und man kann aber was von beiden lernen... ...und das ist das Entscheidende und das funktioniert heute noch nicht sauber.

00:21:37: Das heißt, wenn man heute den Putzen beibringt wird er putzen.

00:21:39: Wenn man dem Schleifen beibregen wird er schleifen.. ..aber die zu kombinieren, das wäre die Lösung an der wir jetzt gerade arbeiten.

00:21:47: Dass man sagt, man hat das Wissen mit drüber gehen.

00:21:50: Diesmal muss da was entfernt werden, beim anderen muss vielleicht einfach nur drüber gewischt werden.

00:21:56: Vielleicht von meiner Seite noch dazu, genau wie David sagt, genauso denke ich ist.

00:22:03: es aber muss unterscheiden zwischen diesen Basic Skills irgendwas greifen, eine Kaffeetasse greifen einen Schraubenzieher greifen.

00:22:12: Da muss sich lang üben.

00:22:13: oder kann ich erst anfangen an Simulationen und jetzt noch der Reality Gap?

00:22:17: Ich muss dann in einer realen Welt das machen.

00:22:20: Je abstrakter es wird, umso besser.

00:22:23: kann ich auch jemand zuschauen.

00:22:25: Also wenn's nur geht der hat erst gereinigt aus nächstes hat er rausgeschraubt und als nächstes das auseinander genommen.

00:22:36: Da kann ich eher von Zuschauern zu mir absturieren.

00:22:40: Ich muss die Handgriffe aus Robot anders machen wie der Mensch.

00:22:43: Das sind auch ganz andere Motorkontrollen.

00:22:45: Die muss sich durch hartes Lernen, wir trainieren in den Robot Chimps.

00:22:50: Muss ich ganz oft hingreifen, ganz oft was machen?

00:22:54: viele Sachen rutschen mir raus.

00:22:55: aber stellen wir sich vor es gibt einen Roboter kann schon ein Loch bohren der kann schon Schaumzieher nehmen er kann auch schon die Schraube hier rausnehmen.

00:23:03: wenn ich dem denn aber zeig mach das dann das.

00:23:06: dann des auf der abstrakten Ebene kann er dann die verschiedenen einfachen Skills so zusammensetzen dass was wird.

00:23:15: Vielleicht muss ich ihm noch an der Hand nehmen und die Hand hinführen.

00:23:20: Da gibt es verschiedene Sachen, da kennt sich dafür besser aus.

00:23:23: Da gibts Menschen, die den Robot steuern damit er nicht die Menschenbewegung machen muss.

00:23:30: Das ist ja super schwer!

00:23:32: Die Bewegungen von Menschen auf meinen Robot-Ding zu übertragen.

00:23:35: Das sind sogar für uns Menschen, das ist bei mir im Spiegelneuron, also das wäre eine neue Sache.

00:23:40: Das würde ich gern später machen aber ist am Anfang zu schwierig.

00:23:43: Jetzt muss man erstmal einen Robot, Basic Skills, einfach nur greifen.

00:23:49: Einfach nur irgendwas in die Hand zu nehmen über das Rüberlegen beibringen.

00:23:52: Später kann ich abstrakte Abläufe, Prozesse, Workflows sozusagen im Sagen und ich hoffe dass dann das

00:24:04: funktioniert.".

00:24:05: Und das heißt der Kunde bekommt dann praktisch einen bereits trainierten Roboter?

00:24:10: Habe ich das richtig verstanden?

00:24:12: Beides, also das ist ja genau das.

00:24:14: Also man hat wie bei den Menschen.

00:24:17: auch wenn ihr jetzt jemand so einen Menschen einstellt in den Bereich dann handelt natürlich ab und zu eine gewisse Ausbildung

00:24:23: usw.,

00:24:24: aber egal auch wenn man im besten sozusagen Manufacturing-Expert also ein Produktionsexperten einställt kann man nicht von dem jetzt vom einen Tag auf dem anderen verlangen dass er unseren Roboter montiert, egal wie gut der ist.

00:24:38: Ich muss nach wie vor natürlich mit diesem Prozess nochmal durchgehen und sagen, hier machen wir es ein bisschen anders aus dieser Erfahrung.

00:24:46: Das ist jetzt genau dieser Punkt wieder.

00:24:48: Und in diesem Fall aber die Basic Skills – das ist das Foundation oder was wir jetzt ja gerade bauen.

00:24:54: Das heißt, das Modell wie greif ich etwas?

00:24:59: Das ist ein Basic Skill!

00:25:01: Wie lege ich das irgendwo hin?

00:25:04: Aber wenn ich das jetzt speziell irgendwie einfügen muss... einen gewissen dessen Dinge die brauche ich meistens schon ein bisschen Erfahrung mit sozusagen und das ist so es unterscheidet sich vor allem.

00:25:16: also ich finde man sieht es auch sehr stark so ähnlich wie beim Menschen.

00:25:19: Also, man hat gewisse Basic Skills und das nennen wir das Foundation Modell und dann haben wir natürlich hier den Wert nicht darauf gelegt dass der Roboter alles kann weil es gibt es nun mal nicht, dass auch Mensch alles kann aber im Endeffekt was er kann und was entscheidend in unseren Augen ist Wie lange braucht er, um was Neues zu erlernen?

00:25:40: Und das ist die Main KPI, sage ich immer an der wir uns messen.

00:25:44: Also wenn jetzt ein Mitarbeiter kommt und sagt hey guck mal!

00:25:47: Ich habe dir den Roboter das und was beigebracht und guckt verrückt oder?

00:25:51: Der macht dann etwas ganz Komplexes.

00:25:52: Dann freut der Mitarbeiter sich.

00:25:54: aber die erste Frage, die für mir kommt, da kommt es.

00:25:57: Wie lang hast du dafür gebraucht?

00:25:58: also wie... Wenn das ein Jahr lang gebraucht hat, interessiert sich nichts erwähnlich.

00:26:03: Weil es nicht reproduzierbar und skalierbar ist.

00:26:05: Und das ist genau die entscheidende in diesem Physikalbereich auf was fokussiert man sich?

00:26:11: Jetzt erst mal das Verrückte zu zeigen oder geht man hin und arbeitet an den Werkzeugen und so sagen wie kriegen wir's hin dem Roboter so schnell wie möglich etwas neues beizubringen?

00:26:21: weil hier vielleicht noch eine Erkenntnis, worauf das Ganze basiert also In der Industrie an sich, wenn man jetzt mal einer unsere Partner nimmt die über drei hundert Fabriken weltweit haben.

00:26:33: Einfach mal fragt okay gut was sind die einfachsten Arbeiten die ihr habt die eigentlich jedes Kind tun könnte?

00:26:38: wo wir aber Kinder nicht für einsetzen können?

00:26:41: dann kommen sie mit einer riesen Liste so sagen wir brauchen keine großen.

00:26:45: Ausbildung dafür, da brauchen wir keine große Education Requirements.

00:26:49: Dann fragt man als nächstes und dann komme ich auch genauso wieder mit der Frage, wie lange braucht ihr einen neuen Mitarbeiter dazu einzulernen?

00:26:56: Weißt du was daraus kommt?

00:26:57: Das ist spannend!

00:27:00: Es gibt kaum... es gibt eigentlich keine so wie weit ich weiß kalkuliert zumindest keine Arbeit die man unter drei Stunden Instruktions- und Einarbeitungszeit sozusagen ausführen kann.

00:27:14: Was beinhaltet das Ganze?

00:27:15: natürlich ein bisschen mehr wie nur, sag ich mal, dass die Mitarbeiter das ganze tut.

00:27:21: Mitarbeiter muss man natürlich auch immer wieder... Man muss im Toilette zeigen, man muss Mitarbeiter natürlich auch vielleicht diesen Dining-Bereich also Küche zeigen und die Mitarbeiter vorstellen.

00:27:32: Das zählen die natürlich heute in der Kalkulation als Einarbeitungszeit.

00:27:37: Und da gibt es keine unter drei Stunden.

00:27:38: dementsprechend und wir sehen heute in unseren Laps Wir sehen auch in den Gyms, dass wir ganz nah dran sind.

00:27:47: Dass wir ganz nach dran sind eigentlich weit unter diese Zeit zu kommen.

00:27:51: Also wirklich mal hier eine Prediction, dass man das mittelechtiges Jahr da wahrscheinlich ein paar Minuten zeigen können und der Roboter ist schon selbstständig versteht und dann ausführen kann.

00:28:01: Und das wird natürlich genau dazu führen, dass sich plötzlich überlegt wird es überhaupt noch Sinn machen, für den Menschen einzusetzen.

00:28:09: Also vielleicht einen Menschen beizubringen weil man mit einem Klick kann man das wissen natürlich auf alle anderen oder auf tausend andere weiter transferieren.

00:28:17: Ja ja, ich habe als Beispiel eine Tätigkeit hier.

00:28:21: Ich greife meinen Smartphone jetzt.

00:28:24: was wäre denn mal so ein Beispiel für eine Tättigkeit wo diese KPIs dauert lange bis der Robi das endlich kapiert hat?

00:28:32: Was war denn so ein Ding, wo ihr gesagt habt?

00:28:33: Oh da haben wir uns aber die Zähne dran ausgebissen.

00:28:38: Das ist das Spannende.

00:28:40: Manchmal unterschätzen wir es komplett und manchmal denken wir bei einem ganz einfachen Aufgaben so, dass kann doch auch was sein.

00:28:47: Das zeigen wir ihm fünfmal und danach kann er das.

00:28:51: Und dann kann er's überhaupt nicht weil es dann halt diesen entscheidenden Griff gibt.

00:28:54: Weil es dann Falschrumm greift, Anderschrummen wie auch immer.

00:28:58: also man zeigt ja eigentlich mit dem Trainieren eigentlich nur die Wege, die funktionieren.

00:29:07: Das haben wir bis jetzt auch falsch gemacht weil wir haben dem nicht gezeigt wie es nicht funktioniert.

00:29:14: und das ist genau das.

00:29:14: also ist ja auch nach wie vor so und habe ich erst mal kurz in meinem Team gesagt hey Leute wir machen einen Riesenfehler Wir zeigen jetzt gerade ein Roboter nur wie's funktioniert.

00:29:24: was wäre wenn wir die Daten die wir immer löschen wie es nicht funktioniert nehmen und sagen, dass das nicht funktioniert.

00:29:30: Dann würde ich mehr Erfahrung haben.

00:29:33: Und das sind so... Also um kurz zu beantworten, was ultra komplex ist, ist dann zum Beispiel zwei Bauteile, die eine sehr eng Toleranz haben, ineinanderzustecken und sie dann wirklich zu Ende zu stecken.

00:29:49: Das ist wirklich komplex weil man dann eigentlich so viele Datenpunkte braucht, weil sich das Bauteil in jeder Verkippung ... hängen bleiben würde sozusagen in dieser Passung.

00:30:00: Das ist halt unglaublich.

00:30:01: viele Datenpunkte sind, um das perfekt hinzubekommen.

00:30:05: Beim... Also jetzt bei so einem einfachen Click-Ding, zum Beispiel jetzt gerade vor Kurzem habe ich vielleicht gesehen auch von dem Gartenschlauch dieses Teile einzuklicken.

00:30:14: Ist einfach weil es da halt groß toleriert und dann nur warten muss bis zum Click!

00:30:19: Und das kann man dem Roboter sehr einfach beibringen wenn man multimodal vorgeht.

00:30:22: aber im Endeffekt Sobald die Passungen, so ein bisschen längere Passung und ich stecke aus innen, daran beißen wir uns diese Zähne aus ist aber ein sehr großer Teil.

00:30:34: Die meisten der Aufgaben sind nun mal so toleriert in der Assembly-Bereich und so weiter dass man genau daran die Zähnen ausbeißt

00:30:41: klingt total spannend.

00:30:42: Jetzt habe ich aber noch mal eine Basisfrage.

00:30:44: so, ich stelle mir vor, ich bin jetzt ein mittelständisches Unternehmen.

00:30:48: Ich komme zu euch hin und bin begeistert von den Lernfähigkeiten und allem das was ihr macht.

00:30:53: Was kaufe ich denn jetzt eigentlich genau bei euch?

00:30:55: Kaufe ich einen antrainierten Roboter oder kaufe sich einen Service der so aller Software-Service abgerechnet wird.

00:31:06: wie es sieht da euer Geschäftsmodell aus?

00:31:09: Also derzeit ist beides also Wir verließen sie, wir tun es ja aber auch direkt verkaufen.

00:31:16: Aber was wir derzeit zum Beispiel bei humanoiden Roboter ziemlich hart sind... ...wir verkaufen keinen wenn man nicht vorher einen Gymplatz gebucht hat bei uns und eine Roboter wird... Warum?

00:31:28: Weil man damit eigentlich das ganze skalierfähig macht.

00:31:30: Also es gibt nichts Schlimmeres wie dass man sagt Es hängt alles um unserer Expertise ab.

00:31:38: Das ist so einfach gebaut.

00:31:39: Es ist einfach möglich, dass man sagt okay jeder kann diesem Gerät etwas neues beibringen.

00:31:46: Jedoch sehen wir auch also das selbst.

00:31:52: dann natürlich ... die Erfahrung dann fehlt.

00:31:55: Was kann ich im Schnellwahl bringen?

00:31:56: Was dauert ein

00:31:57: bisschen?".

00:31:58: Und dafür ist halt schon entscheidend, also wenn man sich einfach so einen Gym-Zelle hat... ...den anderen auch zugeschaut hat.

00:32:03: Also wie beim Training!

00:32:03: Wie bei dem Fitness-Training.

00:32:05: Wenn ich jetzt noch nie trainiert habe und mir einfach nur die Geräte kaufe... ...und dann ins Haus stelle,... ...dann wird es wahrscheinlich nicht so gut sein.

00:32:12: Da hat man natürlich viele Betriebsanleitungen dafür... ...wie man trainiert aber im Realfall trainiert man deutlich schneller... ...weil man andere auch

00:32:20: sieht.".

00:32:21: Man sagt, man sieht wie es andere tun und man schaut eben so ein bisschen was ab.

00:32:24: Gleichzeitig ist das auch motivierender weil alle natürlich gewissermaßen durch die gleichen Schmerzen gehen, so hart es klingt.

00:32:33: Aber man lernt deutlich schneller mit anderen... Also um was man von uns bekommt?

00:32:38: eigentlich das was man braucht.

00:32:39: also man bekommt eine Plattform mit einer Hardware also jegliche Formfaktor das heißt ob vier Beine zwei Beine auf Rollen Es ist nicht entscheidend, sondern das Entscheidende sind immer ein oder zwei Arme.

00:32:54: Man kann auch mehr in der Zukunft wünschen und die werden dann von einem und demselben Gehirn angetrieben.

00:33:01: Und dieses Gehirnen kann hören sehen fühlen... Also das Gehirne kann es nicht.

00:33:05: aber bekommt verarbeitet die Daten des Hörens, des Sehens, des Fühlens und reagiert auch.

00:33:13: Wenn ihr eure Robis trainiert, Seb Wird man das jetzt wissenschaftlich in den Bereich des maschinellen Lernens irgendwie einsortieren?

00:33:23: Oder ist das separiert davon?

00:33:26: Natürlich, die jetzige KI, das haben wir früher Maschinelles Lernen genannt und die Maschinellen lernen speziell auch noch.

00:33:35: neuronale Netze also so diese Language-Language-Models usw.

00:33:40: Das sind die Technologien.

00:33:41: was wir speziell jetzt zusammen mit neuer und dafür machen wollen, ist speziell auch recurrente neuronelle Netze herzunehmen.

00:33:54: Es hat mehrere Vorteile.

00:33:56: Sie sind schneller sie haben nicht diesen großen KV-Cache wie die Transformer und wenn ein Roboter Zuckel anfängt usw oder sekundlang nicht reagiert.

00:34:10: das ist nicht gut.

00:34:10: man möchte schon dass der einfach kontinuierlich die Bewegungen macht Was wichtig ist für die Hardware dieser kleines Memory, wenn ich so einen growing KV-Cache habe weiß ich nicht.

00:34:24: geht mir der aus wie beschränke ich den mit ein recurrenten Netz z.B.

00:34:29: LSDM oder XLSDM?

00:34:31: kann ich im Vorhinein sagen wie groß das Memory ist?

00:34:35: es kann zwar überfüllt sein ja mag sein aber ich kann's besser designen.

00:34:38: also recurrente Netze sind schneller energieeffizienter und haben einen geringeren Memory Fund brennt Und das hat riesen, riesen Vorteile für die Robotik.

00:34:50: Aber der größte Vorteil – den haben wir gerade genannt – ist das Memory.

00:34:55: Das Memory sieht man jetzt schon.

00:34:57: Rekorrente Netze können was, dass wir State Tracking nennen?

00:35:03: Im welchen Zustand ist der Robotselber?

00:35:07: In welchem Zustand sind die Umgebungen?

00:35:11: Zum Beispiel wenn ich irgendwie einen Schaumseer hinter ein Ort bergt liegt, muss ich mir merken, ihr legt einen Schraubenzieher oder die Schraube oder irgendein Teil das sich gerade auseinander genommen habe und am besten merk' ich mir dass es dort liegt.

00:35:28: Und das ist in Zustand des Systems.

00:35:32: Und da sind die recurrenten Netze gut.

00:35:34: Es gibt aber auch wenn ich irgendwas bearbeite z.B.

00:35:37: beim Schweißen wie lang hab ich schon geschweißt?

00:35:40: Wo dann weiß ich wie heißtes Bauteil ist ist vielleicht wichtig.

00:35:45: Beim Blech schneiden, sofern wir Trumpf oder Laser schneiden die müssen auch wissen was wurde geschnitten wie lange weil das Blech mit der Zeit sich sonst verbliegt mit der Hitzeentwicklung.

00:35:59: Das sieht man nicht gleich wenn man da keine Sensoren hat.

00:36:02: aber ich kann es mal merken Und ich kann für die Aufgabenlösung sagen, naja, ich fange jetzt da auf der linken Seite oder mache auf der Linkenseite weiter.

00:36:11: Weil die rechte Seite mir zu heiß wird wenn ich da weiter ausschneide.

00:36:16: und das geht schon gut mit recurrenten Netzen LSDM XLSDM und da haben wir mit der Technologie ist ein Glücksfall, ist ein super Glücks fall dass sich schon mein Leben lang wieder Technologie arbeitet.

00:36:33: gebaut ist, wie gemacht es für die Robotik?

00:36:36: Und diese Technologie, die supergut ist für Text, diese Transformer-Technologie.

00:36:41: Die ist sehr, sehr mächtig!

00:36:43: Super gut.

00:36:44: aber für die Robotik ist glaube ich die rekorrente Netztechnologie besser geeignet und da habe ich ganz große Hoffnung dass wir dann einen riesen Vorteil haben zusammengehen mit Neura, wieder tolle Sachen machen

00:37:04: können.

00:37:05: Wo seht ihr denn die Anwendungsgebiete?

00:37:09: Also ist das Industrie, Produktionenumgebung, Logistikumgebungen und Pflege.

00:37:14: Es gibt ja ganz viele Anwendungen wo man jetzt eigentlich händeringt auch Roboter wartet die funktionieren weil die Arbeitskräfte ausgehen.

00:37:21: Die demokratische Entwicklung fängt jetzt an.

00:37:23: in Japan ist sie schon viel länger dabei.

00:37:25: die müssen sehr viel schneller damit zu einem Ergebnis kommen dass die Roboter ihnen helfen oder es ist egal wer stellt den Roboter hin?

00:37:33: Und dann lernt er einfach was da gerade zu tun hat.

00:37:36: Also hier ist natürlich entscheidend, also einmal genau dieser demografische Wandel.

00:37:40: Der bringt uns erst schon bis zu zwanzig, dreißig, hundertzwanzig Millionen weniger Arbeitskräfte.

00:37:44: und was ich das mal kurz vorstellt.

00:37:47: Das ist Wahnsinn!

00:37:47: Es sind hundert zwanzi Millionen weniger Arbeitskräfte bis jetzt vier Jahren.

00:37:52: Also es gerechnet von zwanzivundzwanziger.

00:37:55: Und wenn man... Das sind die vor allem wirtschaftlich sozusagen führenden Länder, das sind natürlich Südkorea, Japan, China und Europa gesehen.

00:38:08: Und die USA also diese Arbeitsplätze zu füllen ist jetzt entscheidende.

00:38:15: Also wenn man mal genau reinschaut dann ist die Kluft natürlich wo am allergrößten in der physischen Arbeitswelt weil das natürlich jetzt deutlich um beliebter wird mit der Zeit.

00:38:26: Die Menschen Skills sozusagen in die Rente gehen sind deutlich mehr im physischen Bereich, wie das neue mit physischen Skills nachkommen und das ist noch mal somit damit größer.

00:38:39: Welche Industrien peilen wir an?

00:38:41: Also einmal grundsätzlich erstmal fokussieren wir uns sehr stark auf diesem B-Tubibereich also wirklich schon auch mit der Industrie angefangen wo halt auch einzelne Arbeiten einen großen Mehrwert bringen.

00:38:54: stellen wir uns einen Haushalt vor, da reicht es uns nicht wenn man so ein Gerät kauft was dann noch bisschen was kostet und dann nur die Wäsche machen kann.

00:39:02: Da denkt mal zehnmal drüber nach und muss sich holen.

00:39:07: Und dann vor allem mit dem menschlichen Körper der eigentlich für alles gebaut wurde.

00:39:13: Aber wenn wir jetzt in die Industrie denken, dann reicht das schon aus.

00:39:18: wenn dieses Gerät vorne Anlage steht und sagt ich mache jetzt das Händeln von diesen Bauteilen, und das mache ich jetzt halt, dann bringt es schon eine riesen Mehrwert.

00:39:28: Und deswegen natürlich auch auf diesem Bereich als erstes fokussiert.

00:39:32: Gleichzeitig vielleicht noch weiter... Wir glauben natürlich an den Plattformgedanken!

00:39:37: Das heißt wir wollen gar nicht so stark auf einen Bereich einschießen sondern wir sagen, wir bauen ein multifunktionales Gerät Und eine Plattform dazu, der man alles beibringen kann.

00:39:52: Wo es hier noch sitzt wo dann auch drin und wir legen auch die Werkzeuge dazu dass man dieser Plattform alle möglichen sozusagen Skills beibringen kann.

00:40:02: und damit erhoffen wir uns vor allem eins das natürlich auch den größten Markt der Zukunft sozusagen als gesamt übertrifft und natürlich auch einnehmen wird.

00:40:11: Also wir glauben natürlich begonnen mit dem BtB-Bereich, vor allem in der Industrie erweitert.

00:40:17: Natürlich da wo der Bedarf am größten ist, das wird wahrscheinlich auch in einem Bereich Pflege sein weil natürlich auch dort ja auch heute schon natürlich den Bedarf existiert und deutlich größer wird.

00:40:29: aber dann natürlich erweitern bis in den Haushalt eines Tages

00:40:32: Wenn uns jetzt einen Mittelschändler zuhört hat und gesagt so einen Robot will ich haben.

00:40:38: Was müsst ihr denn dafür bezahlen?

00:40:40: Also, wir haben natürlich verschiedene Formfaktoren.

00:40:43: Dementsprechend kann ich da jetzt nicht einen pauschalen Preis geben um so ein humanoiden weil das ist wahrscheinlich heute ja jeden interessiert.

00:40:50: Da spricht man ungefähr von so sechzigtausend Euro derzeit und wir haben auch andere Geräte auf Rollen die deutlich günstiger sind.

00:40:58: also wie geht runter?

00:40:59: bis zu fünfzehntausend Euro.

00:41:02: Aber es sind sozusagen Geräte, die in verschiedenen Ranges sind und verschiedene Formfaktoren haben.

00:41:12: Und ihr habt ja diese Kooperation gerade erst verkündet?

00:41:17: Wann seid ihr denn quasi lieferfähig?

00:41:19: Dass ihr sagt es funktioniert so gut dass ihr die Geräthe, also die Roboter mit der Memory tatsächlich dann auf den Markt anbieten könnt und sagen wir sind bereit.

00:41:30: Also wir haben hier natürlich große Ambitionen.

00:41:32: Also, dass ich vielleicht ganz kurz... Wir wollen natürlich und das ist ja das Tolle.

00:41:36: Man muss nicht die... also wir werden ja durchgehen an diese Technologie arbeiten, dass man es vielleicht... Wir haben jetzt schon die ersten Effekte.

00:41:42: aber es geht natürlich zu den großen Durchbrüchen werden wahrscheinlich vor allem im nächsten Jahr stattfinden durch unsere Kooperationen.

00:41:49: Und dann genau das Entscheidende hier Wir sind am Markt aktiv, wir verkaufen schon Roboter.

00:41:55: Die Geräte sind heute schon trainierbar.

00:41:56: das ist keine Visionen plus.

00:41:59: jeder wird merken plötzlich erinnert sich der Roboter deutlich mehr und wird deutlich einfacher in der Bedienung wie auch ich sag mal indem dass es der Robote sich halt an viel mehr erinnern wird und genau.

00:42:12: aber ansonsten selbst vielleicht auch deine Einschätzung dazu also wann du die Du siehst

00:42:20: muss man sagen, David hat jetzt gerade ein Modell vorgestellt.

00:42:25: Das schon sehr viel kann wo es schon Fortschritte gibt PLA wo schon bei Neuras sehr viel entwickelt wurde.

00:42:35: also wir sind schon sehr weit aber das reicht mir natürlich nicht.

00:42:41: wie beeilen möchte ich Weltspitze sein, möchte mir die besten nicht nur in Deutschland sein, nicht nur Europa sein sondern auf der Welt.

00:42:50: Und das ist ein guter Startpunkt und es wird auch laufen weiterentwickelt.

00:42:56: Aber die Roboter mit Memory,

00:42:58: Wirkungmemory

00:42:59: usw.,

00:43:00: unsere Teams arbeiten schon zusammen.

00:43:03: Das ist Excel-System nur reinzubauen.

00:43:06: Ich glaube, da sind wir sehr schnell, können wir vorankommen?

00:43:10: Dann die Skills reinzubauern!

00:43:12: Es dauert, ich muss ja trainieren, muss ich machen... Da möchte ich im nächsten Jahr schon Dinge sehen.

00:43:21: Diese große Mission mit dem Episodik-Memory, oder dass sich ein Menschenzuschauen des Übertrags auf Achstrakt der Ebene... Wir haben es sogar schon mal gezeigt, da kann ich z.B.

00:43:33: ein paar Beispiele sagen.

00:43:35: Das funktioniert so aber das Ausdruck dauert länger!

00:43:39: Wir haben für Planen was gemacht.

00:43:43: Es hat ein paar beispiele gegeben.

00:43:45: Da wurden Weltmodelle, also Weltmodell ist jetzt ein anderer Ansatz wie

00:43:50: L.A.,

00:43:50: Zwischen Language Action Models.

00:43:53: und da ist man durch die Welt gegangen Schritt für Schritt und hat geschaut wo man landet.

00:43:59: Natürlich bin ich das weltmodelle nicht perfekt, dass ich gehe in meinem Kopf Durch die Welt Bin ich wegdividiert.

00:44:08: Jetzt mit dem episodic memory.

00:44:09: was haben wir gemacht?

00:44:11: und es funktioniert super super gut.

00:44:13: Ich schaue, wenn ich den Robotarm von hier nachher bewegen möchte.

00:44:17: Habe ich was eigentlich jetzt schon gemacht?

00:44:19: Hab ihn vielleicht von hier oben hier nach unten schon bewegt?

00:44:22: Ich nehme das als Rohentwurf für meinen Plan... ...was war schon funktioniert hat und adaptiere nur noch.

00:44:29: Sag, ich muss jetzt manche Motorsteuerung anders machen.

00:44:33: Okay!

00:44:33: Das war jetzt nur in der Simulationsumgebung.

00:44:36: Waren mir viel besser, als die Leute, die gerade Planungen gemacht haben.

00:44:40: indem ich mir erinnere, habe ich eine ähnliche Aufgabe schon gelöst.

00:44:44: Nimm dann das Weltmodell nur her um das alte auf das neue umzusetzen und es funktioniert viel viel viel besser!

00:44:53: Und deswegen bin ich sehr optimistisch dass man solche Sachen planen mit David und Neura demnächst in einer super verbesserten Form umsetzen kann weil wir mit dieser Memory-Sache einfach so gut liegen.

00:45:15: Ja, klingt alles sehr, sehr spannend!

00:45:17: Wir drücken die Daumen, dass die Pläne funktionieren – ich glaube einen schlauen Roboter aus Deutschland und Österreich der sich Dinge merken kann und viel, viel schneller lernt als Roboter heute lernen.

00:45:30: Das wäre eine super Sache.

00:45:31: Wir alle wissen das wir mit der demvokabischen Entwicklung stark darauf angewiesen sind, dass diese Roboter möglichst schnell funktionieren und uns ein Stück weit entlasten.

00:45:44: Ich glaube das ist ein Riesenthema, das uns die nächsten Jahre sehr intensiv begleiten wird.

00:45:49: Lieber David, lieber Sepp!

00:45:50: Herzlichen Dank für eure Zeit und für das Projekt und Peter Buchsmann und ich.

00:45:54: Wir melden uns im November wieder mit einem spannenden Thema rund um die künstliche Intelligenz.

00:45:58: Vielen Dank und

00:45:59: bis dahin.