OpenAIs neuestes Modell, GPT-6 Astra, zeigt beeindruckende Fortschritte bei der Steuerung von Roboterarmen für grobe Manipulationsaufgaben. Aktuelle Tests belegen eine Erfolgsquote von 95 Prozent bei einfachen Platzierungsaufgaben. Dies markiert einen wichtigen Schritt in der Entwicklung von KI-gesteuerten Robotern. Doch bei Aufgaben, die submillimetergenaue Präzision erfordern, stößt Astra noch an seine Grenzen.
Wichtige Erkenntnisse
- GPT-6 Astra erreicht eine Erfolgsquote von 95% bei einfachen Roboter-Manipulationsaufgaben.
- Die Token-Generierung wurde um das 6,2-fache reduziert, was die Kosten pro Lauf auf unter 1 US-Dollar senkt.
- Bei Präzisionsaufgaben mit Millimetertoleranz stagniert Astra bei einer Erfolgsquote von 10%.
- OpenAI plant den Bau eigener humanoider Hardware, was die Dringlichkeit dieser Forschung unterstreicht.
Beeindruckende Leistung bei groben Aufgaben
Die unabhängigen Hardware-Tests, durchgeführt von der gemeinnützigen Organisation RoboCurve, zeigen, dass GPT-6 Astra eine rote Block in eine Schüssel platzieren konnte. Dies gelang in 19 von 20 Versuchen, was einer Erfolgsquote von 95 Prozent entspricht. Zum Vergleich: Anthropic’s Claude Fable 5.1 erreichte bei derselben Aufgabe nur 40 Prozent, und Claude Fable 5 lediglich 5 Prozent.
Diese Ergebnisse unterstreichen die Fähigkeit von Astra, räumliches Denken, das bereits bei der Generierung von 3D-CAD-Strukturen unter Beweis gestellt wurde, direkt auf physische Manipulation zu übertragen. Die Tests nutzten das Open-Source-Framework Inspect Robots auf dualen I2RT YAM Armen.
Faktencheck: Effizienzsprung
- Token-Effizienz: Astra benötigte durchschnittlich 2.100 Ausgabetokens pro Versuch, eine Reduzierung um das 6,2-fache gegenüber Fable 5.1 (12.900 Tokens).
- Ausführungszeit: Die Läufe dauerten unter Astra durchschnittlich 2,5 Minuten, verglichen mit 6,8 Minuten für Fable 5.1.
- API-Kosten: Ein erfolgreicher Lauf kostete mit Astra durchschnittlich 0,94 US-Dollar, deutlich weniger als die 2,12 US-Dollar für Fable 5.1.
Schnellere Entscheidungen, weniger Kosten
Die Effizienz von GPT-6 Astra ist nicht nur auf die Erfolgsquote beschränkt. Das Modell zeigt auch eine erhebliche Reduzierung des Rechenaufwands. Die Anzahl der benötigten Ausgabetokens pro Versuch sank drastisch. Dies führt zu schnelleren Ausführungszeiten und geringeren API-Kosten. Diese Kosteneffizienz könnte die breitere Anwendung von KI-gesteuerten Robotern in der Industrie beschleunigen.
"Wenn sich die aktuellen Leistungskurven halten, könnten LLMs in zwei bis drei Jahren in der Lage sein, Roboterarme in Echtzeit zu steuern", erklärte Jay Chooi von RoboCurve.
Diese Entwicklung spiegelt OpenAIs eigene Erkenntnisse wider, dass Astra Aufgaben mit etwa 65 Prozent weniger Ausgabetokens lösen kann als frühere Modelle. Diese Effizienz übersetzt sich in schnellere Entscheidungszyklen für die Robotersteuerung.
Die Herausforderung der Millimeter-Präzision
Trotz der beeindruckenden Fortschritte bei groben Manipulationsaufgaben stößt GPT-6 Astra an seine Grenzen, sobald submillimetergenaue Präzision gefordert wird. Bei einer Präzisionsaufgabe, bei der ein rundes Puzzleteil mit einem dünnen Knopf in eine passende Nut eingesetzt werden musste, erreichte Astra lediglich eine Erfolgsquote von 10 Prozent (2 von 20 Versuchen).
Dieses Ergebnis entspricht genau der Leistung von Claude Fable 5.1 und zeigt ein branchenweites Problem auf. Astra erreichte zwar konsistent Stufe 3 der fünfstufigen Bewertungsskala von RoboCurve – das Puzzleteil wurde direkt über die Nut gebracht – zögerte aber oder positionierte sich beim letzten Andrücken falsch.
Hintergrund: Die Physik der Robotik
Digitale Modelle operieren in verlustfreien Vektorräumen. Physische Manipulation sammelt hingegen bei jeder Bewegung winzige physische Fehler an. Ohne hochfrequentes taktiles Feedback und entsprechende Anpassungsfähigkeit haben Modelle Schwierigkeiten, Mikroabweichungen in den letzten Millimetern des Kontakts zu korrigieren. Dies ist ein Kernproblem, das die Anwendung von Humanoiden in Fabriken noch behindert.
Der "Millimeter-Engpass"
Dieses Phänomen wird oft als "Millimeter-Engpass" bezeichnet. Es verdeutlicht den Unterschied zwischen der digitalen Simulation und der realen physischen Interaktion. Wang Xingxing, CEO von Unitree, betonte kürzlich, dass Humanoiden aus diesem Grund noch nicht flächendeckend in Fabriken eingesetzt werden können. Modelle benötigen taktile Rückmeldungen, um präzise auf kleinste Widerstände und Abweichungen reagieren zu können.
Obwohl Astra auch bei dieser Präzisionsaufgabe schneller (3,4 Minuten gegenüber 5,9 Minuten für Fable 5.1) und kostengünstiger (1,36 US-Dollar gegenüber 2,18 US-Dollar) war, bleibt die geringe Erfolgsquote ein klares Zeichen für die Notwendigkeit weiterer Forschung in diesem Bereich.
OpenAI und die Zukunft der Humanoiden
Die Ergebnisse von RoboCurve kommen zu einem entscheidenden Zeitpunkt für OpenAI. CEO Sam Altman bestätigte kürzlich, dass das Unternehmen "definitiv" einen eigenen humanoiden Roboter bauen wird. Diese Ambition führte bereits zu Veränderungen bei bestehenden Partnerschaften. Startups wie Figure AI beendeten ihre Zusammenarbeit, um eigene Fundamentarchitekturen wie Helix zu entwickeln.
Gleichzeitig verstärken Hardware-Giganten wie NVIDIA ihre Präsenz in diesem Bereich, beispielsweise durch die Übernahme von Hugging Face für 12,9 Milliarden US-Dollar. Ziel ist es, die Lücke zwischen physikalischer Simulation und offenen Modell-Hubs zu schließen.
Standardisierte Evaluierung mit Inspect Robots
Das Benchmark von RoboCurve ist auch ein wichtiger Meilenstein für Inspect Robots, ein Open-Source-Framework zur Evaluierung physischer KI. Es bietet eine einheitliche Schnittstelle zum Testen von KI-Modellen, darunter LLMs und Vision-Language-Action-Modelle, sowohl in Simulatoren als auch auf physischen Robotersystemen.
Der letzte Millimeter ist entscheidend
Die Evaluierung von RoboCurve zeigt deutlich, warum führende KI-Entwickler in die physische Robotik einsteigen wollen. Wenn Standard-Reasoning-Modelle 95 Prozent der groben Manipulationen "out of the box" bewältigen können, ist der Bau physischer Verkörperungen der nächste logische Schritt. Doch solange Fundamentmodelle nicht in der Lage sind, taktilen Widerstand wahrzunehmen und sich an dynamischen Kontakt anzupassen, wird der letzte Millimeter die größte Herausforderung bleiben.
Die Integration von Hochfrequenz-Tastsinn und Nachgiebigkeit in die Robotik wird entscheidend sein, um diese Präzisionslücke zu schließen und KI-gesteuerte Roboter für komplexe Aufgaben in der realen Welt fit zu machen.
