Physical AI: Die nächste Stufe der Industrie 4.0

Physical AI erweitert Industrie 4.0 um Produktionssysteme, die nicht nur automatisierte Abläufe ausführen, sondern wahrnehmungs-, lern- und entscheidungsfähig sind. Digitale Zwillinge ermöglichen es, neue Strategien virtuell zu erproben, bevor sie auf reale Maschinen und Anlagen übertragen werden. Wie Physical AI in der Industrie eingesetzt werden kann und welche Voraussetzungen dafür erfüllt sein müssen, zeigt die dritte Ausgabe der Reihe „Industrie 4.0 ForschungInKürze“ des Forschungsbeirats Industrie 4.0.
20. November 2026

Physical AI:

Die nächste Stufe der Industrie 4.0

 

 

 

Der Schritt zur adaptiven Produktion

Industrielle Produktion ist heute in hohem Maße automatisiert. Steuerungen halten Prozessgrößen in vorgegebenen Bereichen, Roboter führen programmierte Bewegungen aus und Leitsysteme überwachen komplexe Abläufe. Solange Zustände bekannt und Reaktionen eindeutig festgelegt sind, arbeitet diese Automatisierung schnell, präzise und zuverlässig.

Schwieriger wird es, wenn sich mehrere Bedingungen gleichzeitig verändern oder Situationen eintreten, für die keine passende Reaktion hinterlegt ist. Eine Anlage soll beispielsweise weniger Energie verbrauchen, ohne dass Durchsatz oder Produktqualität leiden. Gleichzeitig müssen schwankende Energieangebote, veränderte Kundenaufträge oder Störungen einzelner Anlagenteile berücksichtigt werden. Solche Wechselwirkungen lassen sich nicht für jede denkbare Betriebslage im Voraus programmieren.

 

Hier setzt Physical Artificial Intelligence, kurz Physical AI, an. Im Kontext von Industrie 4.0 bezeichnet der Begriff den Einsatz Künstlicher Intelligenz in cyber-physischen Systemen, die mit ihrer realen Umgebung interagieren. Maschinen, Roboter und Produktionsanlagen erfassen Informationen über Sensoren und weitere Datenquellen, interpretieren sie mithilfe von KI-Modellen, leiten daraus Handlungen für die physische Welt ab und setzen diese um.

Vernetzte Produktionssysteme stellen Daten damit nicht mehr nur für Auswertungen bereit, sondern nutzen sie als Grundlage für Reaktionen auf veränderte Bedingungen. Anlagen können so flexibler auf neue Produkte und Prozessbedingungen reagieren, Energie und Ressourcen effizienter nutzen und Störungen besser bewältigen. Eine zentrale Rolle spielt dabei der Digitale Zwilling.

 

Der Digitale Zwilling als Trainingsumgebung

Ein Digitaler Zwilling bildet eine Maschine, Anlage oder einen Prozess digital ab. Dafür führt er physikalische Modelle und Prozesswissen mit aktuellen Betriebsdaten zusammen. Diese digitale Repräsentation wird fortlaufend aktualisiert. Sie bildet den aktuellen Zustand des Systems und relevante Wechselwirkungen ab. Auf dieser Grundlage lassen sich mögliche Reaktionen auf Veränderungen simulieren.

Für Physical AI kann der Digitale Zwilling zugleich als Trainings- und Testumgebung dienen. Mithilfe von KI können am Digitalen Zwilling mögliche Eingriffe simuliert und deren Auswirkungen sichtbar gemacht werden. Mess- und Betriebsdaten halten das Modell auf dem aktuellen Stand. Erkenntnisse aus Simulation und Optimierung können umgekehrt als Handlungsempfehlungen oder Steuerungsparameter in den Betrieb zurückfließen.

Eine weitere Entwicklungsstufe sind ausführbare Digitale Zwillinge, sogenannte Executable Digital Twins. Sie sind direkt mit Steuerungs- und Regelungssystemen verbunden und können Modellergebnisse in Echtzeit für den Anlagenbetrieb bereitstellen. Je enger diese Verbindung zur realen Anlage wird, desto wichtiger sind zuverlässige Modelle und klar abgesicherte Eingriffe.

 

Von Betriebsdaten zu Steuerungsoptionen

Wie die Bestandteile zusammenspielen, zeigt der im Kurzformat beschriebene Anwendungsfall einer Prozessanlage, etwa in der Chemie- oder Pharmaindustrie. Reaktoren, Tanks, Wärmetauscher und Rohrsysteme sind dort über komplexe Energie- und Materialflüsse miteinander verbunden. Sensoren erfassen Temperaturen, Drücke, Füllstände und Stromflüsse, während Steuerungen einzelne Teilsysteme regulieren. Viele dieser Vorgänge laufen bereits automatisiert ab. Maßnahmen wie das vorsorgliche Drosseln der Energiezufuhr oder das Umschalten zwischen verschiedenen Energiequellen erfordern bislang jedoch häufig einen menschlichen Eingriff.

Solche Entscheidungen betreffen selten nur eine einzelne Komponente. Wird die Energiezufuhr reduziert, kann das den Verbrauch senken, zugleich aber Temperatur, Durchsatz oder Produktqualität beeinflussen. Hinzu kommen äußere Faktoren wie Strompreise, Wetterprognosen, verfügbare Energiequellen oder Kundenaufträge. Welche Reaktion sinnvoll ist, lässt sich deshalb nur mit Blick auf das Gesamtsystem beurteilen.

Im Digitalen Zwilling fließen Echtzeitdaten der Anlage mit Modellwissen, historischen Prozessdaten und relevanten externen Informationen zusammen. Eine eingebundene KI-Komponente untersucht daraufhin mögliche Eingriffe: Wie verändert sich der Betrieb, wenn die Anlage hoch- oder heruntergefahren, die Temperatur angepasst oder eine andere Energiequelle genutzt wird? Die Simulation macht sichtbar, wie sich die jeweiligen Optionen auf Energieverbrauch, Kosten oder Durchsatz auswirken.

Welche Zielgröße Vorrang hat, hängt von der Betriebssituation ab. Zu einem Zeitpunkt kann ein möglichst geringer Energieverbrauch im Vordergrund stehen, zu einem anderen eine hohe Anlagenverfügbarkeit oder möglichst geringe Betriebskosten. Das jeweilige Optimierungskriterium muss von Menschen gesetzt werden.

Auf dieser Grundlage kann ein agentisches KI-System (Agentic AI) eine geeignete Steuerungsoption auswählen. Es bewertet die verfügbaren Alternativen anhand des aktuellen Systemzustands, äußerer Randbedingungen und formal festgelegter Ziele. Das Physical-AI-System setzt die gewählte Maßnahme in der realen Anlage um, deren Reaktion erzeugt wiederum neue Betriebsdaten. So entsteht ein Kreislauf zwischen physischer Anlage, Digitalem Zwilling und KI-basierter Steuerung.

Sicherheitsvorgaben, Zielwerte und zulässige Eingriffe bestimmen weiterhin den Handlungsraum. Innerhalb dieses Rahmens muss aber nicht jede konkrete Reaktion vorprogrammiert sein. Das System kann jene Option auswählen, die unter den aktuellen Bedingungen am besten zu den festgelegten Zielen passt.

 

Mensch und Maschine im Zusammenspiel

Mit zunehmender Autonomie verändert sich die Aufgabenverteilung zwischen Mensch und Maschine. Der Mensch verschwindet dadurch nicht aus der Produktion. Er legt fest, welche Ziele das System verfolgt, wie diese gewichtet werden und innerhalb welcher Grenzen es handeln darf. Ebenso entscheidet er, welche Aufgaben eine Anlage eigenständig übernehmen kann und wann eine Freigabe oder ein Eingriff erforderlich ist.

Künstliche Intelligenz kann berechnen, wie sich unterschiedliche Steuerungsoptionen auf Energieverbrauch, Kosten, Durchsatz oder Anlagenverfügbarkeit auswirken. Welche Zielgrößen in einer konkreten Situation Vorrang haben und welches Risiko vertretbar ist, bleibt jedoch eine betriebliche Entscheidung. Autonomie bedeutet deshalb die Übertragung klar umrissener Entscheidungskompetenzen – nicht einen unbegrenzten Handlungsspielraum.

Unternehmen müssen prüfen können, welche Daten, Modellstände und Kriterien einer Entscheidung zugrunde lagen. Protokollierung, Audit Trails und KI-Monitoring können diese Nachvollziehbarkeit unterstützen. Ebenso wichtig sind eindeutige Zuständigkeiten für Freigaben, Überwachung und unerwartete Systemreaktionen.

Auch das Erfahrungswissen der Beschäftigten bleibt wichtig. Fachkräfte kennen typische Grenzfälle und frühe Anzeichen von Störungen, die sich nicht vollständig aus Datenbeständen ableiten lassen. Dieses Wissen muss in die Entwicklung und Verbesserung der Modelle einfließen. Umgekehrt benötigen Beschäftigte verständliche Informationen über Vorschläge und Handlungen der KI, damit sie diese einordnen und bei Bedarf korrigieren können.

Routinehandlungen können dadurch stärker automatisiert werden, während Überwachung, Interpretation, Prozessgestaltung und Problemlösung an Bedeutung gewinnen. Die Qualität des Zusammenspiels von Menschen, realem Prozess, Daten, Modellen und KI wird damit zu einem wichtigen Erfolgsfaktor für Physical AI.

 

Wo Physical AI heute steht

Physical AI steht in der Industrie noch am Anfang. Datenerfassung und Vernetzung werden bereits umfassend eingesetzt, auch dynamische Digitale Zwillinge sind in der Praxis angekommen. Das KI-Training mit Digitalen Zwillingen wird dagegen vor allem in Prototypen und Modellfabriken erprobt. Die aktive, eigenständige Steuerung von Anlagen und Prozessen durch KI-Systeme gehört allerdings noch nicht zum industriellen Regelbetrieb.

Für skalierbare Anwendungen müssen die Modelle robust, adaptiv und auf unterschiedliche Anlagen- und Prozesskontexte übertragbar sein. Sie müssen zudem mit dem Sim-to-Real-Gap, also der Abweichung zwischen simulierten Trainingsumgebungen und dem Verhalten realer Anlagen im Betrieb, umgehen und mithilfe realer Betriebsdaten fortlaufend verbessert werden. Außerdem erforderlich: eine hohe Datenqualität, leistungsfähige Daten-, Rechen- und Simulationsinfrastrukturen, offene Schnittstellen und Standards sowie verlässliche Leitplanken für Agentic AI. Sicherheit, Erklärbarkeit und eine kosteneffiziente Integration entscheiden darüber, ob Physical AI über Demonstratoren hinaus und auch in kleinen und mittleren Unternehmen zum Einsatz kommt.

Prof. Dr.-Ing. Matthias Weigold leitet seit 2019 das PTW der TU Darmstadt und ist Mitglied des Forschungsbeirats Industrie 4.0. Nach Maschinenbaustudium und Promotion am PTW war er bis 2018 bei der Heidelberger Druckmaschinen AG sowie bei der SAP SE in führenden Funktionen tätig.

Um einen Kommentar zu hinterlassen müssen sie Autor sein, oder mit Ihrem LinkedIn Account eingeloggt sein.

55561

share

Artikel teilen

Top Artikel

Ähnliche Artikel