Auf den Punkt: Claude und andere Sprachmodelle können einfache Robotik-Aufgaben bewältigen, wenn sie über vordefinierte Controller arbeiten, scheitern aber bei direkter Motorensteuerung ohne zusätzliche Abstraktion.
Anthropic hat untersucht, ob Sprachmodelle wie Claude Roboter direkt kontrollieren können. Erste Tests zeigen: Die Fähigkeit hängt stark davon ab, wie das Modell mit dem Roboter verbunden ist.
Anthropic hat mehrere Sprachmodelle auf Roboterkontrolle getestet, darunter ein echtes vierbeiniges Unitree-Go2-Roboter-System (das in Project Fetch verwendet wird) sowie Simulationen eines humanoiden Roboters und eines Roboterarms. Die Kontrollmethoden variierten in ihrer Abstraktion: von direkter Motorendrehmoment-Steuerung über Python-Controller bis zu verstärktem Lernen und Anleitung vordefinierter Richtlinien durch Sprachmodelle.
Die zentrale Erkenntnis lautet: Die Robotik-Leistung hängt ebensosehr von der Kontrollfunktion und dem Robotertyp ab wie vom Modell selbst. Beim direkten Steuern von Motorentorques schlugen die Modelle fehl. Wenn sie jedoch einen vortrainierten Controller überwachen oder einfache Orientierungswerkzeuge nutzen, gelangen ihnen echte Navigations- und Manipulationsaufgaben. Die Tests umfassten klassische Kontrollaufgaben (Pendeln-Balancierung), Lokomotion (vierbeinige und humanoide Roboter beim Gehen) und Manipulation (Greifen und Verschieben von Objekten mit einem Roboterarmen).
Der Fortschritt zwischen Modellgenerationen verteilt sich ungleichmäßig: Die konsistentesten Verbesserungen treten bei abstrakteren Schnittstellen auf, wo vordefinierte Richtlinien die Tiefenphysik-Simulation übernehmen. Aktuelle Modelle können begrenzte, aber aussagekräftige Ganzkörper-Kontrollaufgaben wie das Balancieren und Gehen legged robots ausführen, allerdings mit schwächeren Fortschritten bei humanoiden Robotern auf niedriger Ebene.
Anthropic betont die Sicherheitsimplikation: Heutige Spitzensysteme können humanoide Roboter nicht ohne vordefinierte Richtlinie kontrollieren, aber neuere Modelle zeigen greifbare Fortschritte. Ein allgemeines Chat-Modell ohne spezialisiertes Robotik-Training kann praktischen Aufgaben ausführen, etwa einen vierbeinigen Roboter durch ein Labyrinth oder einen Teller vom Zähler auf den Herd bewegen – die Zuverlässigkeitslücke schließt sich mit jeder Modellgeneration.
Quelle: www.anthropic.com · Erschienen 9. Juli 2026
Lumi AI News — KI-assistierte Kuratierung gemaess Art. 50 EU AI Act. Paraphrase und Klassifikation durch Lumi News Pipeline v1.7.3.