KI entwirft Transformator-Roboter: UC Berkeley Methode

UC Berkeley-Ingenieure trainieren KI, um Transformer-Roboter automatisch zu entwerfen

Forscher haben ein KI-Framework entwickelt, das den Entwurf modularer, formwandelnder Roboter optimiert. Das System kann automatisch Maschinen erstellen, die beispielsweise die Form eines Helms ändern oder sich auf allen Vieren fortbewegen können.

---

'Metatransformer' aus Berkeley: Warum der KI-Architekt, der Roboter entwirft, wichtiger ist als der Roboter selbst

[Das Wesentliche]: Was wirklich passiert

Am 11. Mai 2026 veröffentlichte ein Team unter der Leitung von Professorin Linin Yao von der University of California, Berkeley (unter Beteiligung von Carnegie Mellon und Georgia Tech) ein Framework für den automatischen Entwurf von 'Metatransformer'-Robotern.

Die Medien schreiben über 'Roboter, die ihre Form wie Oktopusse ändern'. Schlagzeilen schreien von einem Wunder-KI, die Roboter selbst entwirft. Das stimmt, aber es ist nur die Spitze des Eisbergs.

Hier ist, was wirklich passiert: Die Forscher haben den Fluch der Dimensionalität im modularen Roboterdesign geknackt. Sie haben ein Problem gelöst, das dieses Feld seit Jahrzehnten plagt – das exponentielle Wachstum der Steuerungskomplexität mit jedem zusätzlichen beweglichen Element.

Roboter aus Metatruss-Strukturen (Metallfachwerke mit Hunderten von Balken und Drehgelenken) können theoretisch jede Form annehmen: sich wie eine Ziehharmonika zusammendrücken, von einem Vierbeiner zu einer schlangenähnlichen Form mutieren, die Konturen eines Helms an den Kopf des Benutzers anpassen. Aber die praktische Steuerung ist ein Albtraum. Wenn man 200 Gelenke hat, jedes mit mehreren Positionen, explodiert der kombinatorische Zustandsraum auf astronomische Zahlen.

Der übliche Ansatz besteht darin, Aktoren manuell in steuerbare Netzwerke zu gruppieren. Wie Professor Yao sagt, ist dies 'mühsam und arbeitsintensiv'. Das Berkeley-Team sagte einfach: 'Vergiss es. Die KI findet die optimale Gruppierung selbst.' Und das tat sie.

Zeitstrahl und Kontext

Um zu verstehen, warum dieses Ereignis im Mai 2026 nicht gewöhnlich, sondern tektonisch ist, müssen wir uns Berkeleys frühere Arbeiten in der Robotik ansehen:

• März 2025: Sergey Levine (der renommierte Berkeley-Professor, Mitbegründer von Physical Intelligence) hält einen Vortrag an der University of Toronto über 'Foundation Models für Roboter', bei dem das Hauptproblem die Datenerfassung ist. Ohne Daten kein Lernen; ohne Lernen keine Autonomie.
• Januar 2026: Berkeley veröffentlicht Fanchen Lius Dissertation über skalierbares Roboterlernen, in der die Systeme MOKA und OTTER vorgestellt werden, die versuchen, Sprachmodelle mit Steuerung zu verbinden.
• Februar 2026: NVIDIA Research veröffentlicht zusammen mit Berkeley Arbeiten zu 'Weltmodellen' für Roboter – die KI lehrt, Physik durch Video vorherzusagen.
• April 2026: Shankar Sastry (ein weiterer Berkeley-Pfeiler) hält einen Vortrag über 'vertrauenswürdige autonome Systeme' und erinnert an Moravecs Paradoxon: 'Einen humanoiden Roboter zu programmieren, um eine unbekannte Tür zu öffnen, ist eine der schwierigsten Ingenieursaufgaben.'
• 11. Mai 2026: Und hier ist es – ein funktionierendes System, das einem Roboter keine einzelne Aufgabe beibringt, sondern den Roboter selbst für die Aufgabe entwirft.

Wichtiges Detail: Die Arbeit findet an der Schnittstelle von Maschinenbau und Informatik statt. Nicht 'nur ein weiterer Steuerungsalgorithmus', sondern eine systemische Lösung von Hardwareherstellern, die es leid sind, mit Controllern zu kämpfen.

Wer gewinnt und wer verliert

Gewinner:

• DARPA und Rüstungskonzerne (Lockheed Martin, Raytheon). Ein Roboter, der je nach Aufgabe seine Form ändert, ist ein taktischer Aufklärungstraum: wie ein Wurm durch ein Rohr kriechen, als Spinne austreten, eine Last heben und sich in einen Kran verwandeln. Berkeleys KI-Framework ermöglicht es, solche Roboter ohne Milliarden von Arbeitsstunden für das Debugging zu entwerfen.
• Weltraumagenturen (NASA, ESA, SpaceX). Der Start in die Umlaufbahn erfordert minimales Gewicht. Ein Fachwerk aus hundert Aktoren kann in einen einzigen Würfel gepackt werden, dann entfaltet werden, um eine Antenne zu montieren oder einen Satelliten zu reparieren. Der KI-Designer optimiert nicht nur die Form, sondern auch die Anzahl der 'Gehirne' (Controller).
• Medizinrobotik. Der vom Team gebaute 'Tentakel'-Prototyp könnte die Grundlage für zukünftige Endoskope werden, die selbst entscheiden, wie sie sich am besten durch den Darm schlängeln.
• Das Berkeley-Team selbst (Yao und Koautoren). Dies ist ein garantierter Best Paper Award auf jeder führenden Robotikkonferenz (ICRA, RSS 2026) und Millionen in Zuschüssen für die nächsten 5 Jahre.

Verlierer:

• Unternehmen, die 'Werkzeuge für manuelles Roboterdesign' verkaufen (SolidWorks mit Plugins, MSC Adams). Die manuelle Arbeit des Gruppierens von Aktoren, die derzeit Tausende von Dollar an Ingenieurszeit kostet, wird automatisiert. Add-ons für 'dynamische Optimierung' werden überflüssig.
• Alle Startups, die stationäre, nicht formwandelnde Roboter für enge Nischen bauen. Angenommen, Ihr Roboter kann nur durch Rohre kriechen. Ein Berkeley-Roboter, der in dieselbe API geladen wird, könnte kriechen, laufen und greifen. Ihre Nische wird verschwinden, sobald die Technologie billig genug für den kommerziellen Einsatz ist.

Was die Medien nicht sagen

Einsicht #1: Dies ist kein 'universeller Roboter-Konstrukteur', sondern ein 'Neuronales Netz zum Festpreis'.

Das System generiert nicht einfach ein Design. Es optimiert gleichzeitig zwei Ebenen: Geometrie (wo welche Balken hinkommen) und Steuerbarkeit (wie viele Controller benötigt werden). Die Forscher fanden einen 'Sweet Spot': Die Erhöhung der Anzahl der Steuerungsnetzwerke bringt nur bis zu einer bestimmten Schwelle Leistungssteigerungen, danach setzen abnehmende Erträge ein.

Was bedeutet das in der Praxis? Designer müssen nicht mehr denken: 'Ich werde 50 Mikromotoren für mehr Präzision einbauen.' Das System selbst wird sagen: 'Für die Aufgabe "ein Helm werden und den Kopf zusammendrücken" benötigst du 4 Steuerungsgruppen. Die anderen 46 Motoren sind nur totes Gewicht.' Dies ist automatische Bekämpfung übermäßiger Komplexität – die Hauptkrankheit der modernen Robotik.

Einsicht #2: Wo ist die Verbindung zu Physical Intelligence (PI)?

Sergey Levine, der ebenfalls in Berkeley arbeitet, ist Mitbegründer von Physical Intelligence – einem Startup, das ein Foundation Model für jeden Roboter baut. Seine These: 'Ein Gehirn für alle Körper.' Linin Yaos Arbeit liefert ein Werkzeug zur Erstellung optimaler Körper für bestimmte Aufgaben. Wenn man beides kombiniert, erhält man ein System, das sowohl den Körper (Metatruss) als auch das Gehirn (PI-Policy) von Grund auf entwirft. Im Wesentlichen – eine Roboterfabrik von Null.

Warum schweigen die Medien über diese Synergie? Weil es das Verständnis der internen Abläufe in Berkeley erfordert. Es ist, als hätte man den Erfinder des Verbrennungsmotors und den Erfinder des Rades an derselben Universität. Aber sie schreiben Pressemitteilungen getrennt.

Einsicht #3: Moravecs Paradoxon schlägt wieder zu – und hier wird es umgangen.

Shankar Sastry erinnerte im April 2026 daran, dass '40% der menschlichen Großhirnrinde nur für Hände und Gesicht zuständig sind'. Die Steuerung der Form ist noch schwieriger als die Steuerung einer Hand. Aber Yaos Team fand einen Ausweg: Sie steuern nicht jedes Gelenk einzeln in Echtzeit. Sie steuern Makrozustände (Aktornetzwerk A aktiviert den 'Geh'-Modus, Netzwerk B den 'Greif'-Modus). Das ist technische Genialität: Anstatt einem Roboter Tausende von Mikrobewegungen beizubringen, haben sie einen 'Gangschalter' direkt in die neuronale Netzwerkarchitektur eingebaut, die den Roboter entwirft.

Prognose: Nächste 30 Tage und 90 Tage

Nächste 30 Tage (Juni 2026):

• Das Code-Repository des Frameworks wird auf GitHub geöffnet (Berkeley-Tradition – Open Source). Teams aus China und Deutschland werden die Idee innerhalb eines Monats für ihre 22FDX-Knoten und FPGAs kopieren.
• Linin Yao wird eingeladen, einen Plenarvortrag auf der IEEE International Conference on Robotics and Automation (ICRA 2027) zu halten, aber sie wird wahrscheinlich im Juli auf der RSS 2026 sprechen.

Nächste 90 Tage (August 2026):

• Boston Dynamics wird eine zurückhaltende Erklärung abgeben, dass sie 'bereits ähnliche Methoden für Atlas verwenden', aber in Wirklichkeit – nein. Ihre Hydraulik ist zu träge für Metatransformer. Sie werden dringend Partner unter den Herstellern elektrischer Aktoren suchen.
• NVIDIA wird einen Simulator für Metatransformer auf Basis von Omniverse mit Unterstützung für dieses Framework veröffentlichen. Sie arbeiten bereits mit Berkeley an 'Weltmodellen', daher wird die Integration nahtlos sein.
• Der erste kommerzielle Skandal wird auftauchen: Ein Startup wird behaupten, einen 'intelligenten Airbag' entwickelt zu haben, der bei einem Aufprall seine Form ändert – in Wirklichkeit kopiert es nur den Helmprototypen aus dem Berkeley-Papier. Und das wird legal sein, weil die Patentierung von Optimierungsalgorithmen schwierig ist.

Hauptrisiko: Skalierbarkeit. Das Papier arbeitete mit Hunderten von Balken. Was ist, wenn es Tausende sind? Oder Zehntausende? Die Komplexität wächst immer noch, wenn auch langsamer. Irgendwann wird das Finden der optimalen Gruppierung von Controllern selbst für KI zu einem NP-schweren Problem, und das Framework wird an eine Rechenkomplexitätsgrenze stoßen. Aber für 90% der praktischen Aufgaben (Helme, Gliedmaßen von Rettungsrobotern, modulare Manipulatoren) ist dies ausreichend.

Fazit: Berkeley-Forscher haben nicht nur einen 'Transformer-Roboter' gebaut. Sie haben ein 'AutoCAD für die Physik' geschaffen. Sie haben den Teil des Ingenieurwesens automatisiert, der als 'nicht automatisierbar' galt – das intuitive Gespür dafür, wie viele Aktoren wohin gehören. Dadurch wird der Entwurf formwandelnder Roboter von einer Elitekunst zu einem Routinevorgang: Anforderungen hochladen, KI laufen lassen, Baupläne erhalten. In 5 Jahren werden Metatransformer nicht mehr in Laboren sein, sondern in Kinderbaukästen: 'Baue deinen eigenen Roboter, und das neuronale Netz bringt ihm bei, ein Auto oder ein Flugzeug zu werden.' Auf Wiedersehen, Lego Mindstorms; hallo, Metatruss-KI.

— Editorial Team