Physical AI

Physical AI (deutsch physikalische KI oder körperliche KI) bezeichnet die seit Anfang 2025 etablierte Kategorie jener KI-Systeme, die die physische Welt wahrnehmen, über sie schlussfolgern und auf sie handelnd einwirken können. Typische Formen sind autonome Mobile Robotics (AMRs), Drohnen, humanoide Roboter, Quadrupeden, autonome Fahrzeuge und aufgabenspezifische Maschinen.

Der Begriff wurde durch NVIDIA-CEO Jensen Huang in seiner Keynote auf der Consumer Electronics Show (CES) im Januar 2025 in Las Vegas in den breiten Industrie-Diskurs eingeführt. Nachfolgend arbeitete Huang ihn auf GTC 2025 (März 2025) und GTC Paris (VivaTech, Juni 2025) systematisch weiter aus. Zentral ist Huangs Vier-Stufen-Framework der KI-Evolution: Perception AI (AlexNet 2012) → Generative AI → Agentic AI → Physical AI.

NVIDIA differenziert Physical AI von vorherigen Modell-Klassen über die Datenstruktur: Sprachmodelle prognostizieren Tokens, Bild-Modelle Pixel, Physical-AI-Modelle dreidimensionale Welt-Zustände.

Der Begriff ist methodisch eng verwandt mit dem älteren akademischen Konzept Embodied AI – wird aber in der zeitgenössischen Industrie-Diskussion zunehmend als eigenständige Kategorie verwendet, mit Schwerpunkt auf industrieller Skalierung und kommerzieller Anwendung.

Zusammenfassung

Physical AI entstand aus dem Zusammentreffen mehrerer Entwicklungslinien:

• die Reifung der Robotik-Forschung in den 2010er und frühen 2020er Jahren (Boston Dynamics, ANYbotics, autonome Fahrzeuge);
• die Veröffentlichung leistungsfähiger Vision-Language-Action-Modelle (Google RT-2 Juli 2023, RT-X Oktober 2023, Physical Intelligence π0 Oktober 2024);
• die Wirkung simulations-basierter Trainings-Pipelines (NVIDIA Isaac Sim, Omniverse, Cosmos World Foundation Models);
• der durch Tesla Optimus (Oktober 2022) initiierte Humanoid-Robotik-Boom mit Akteuren wie Figure AI, 1X Technologies, Apptronik und Sanctuary AI.

Wirkungsmächtig wurde die Begriffs-Etablierung durch Jensen Huangs Foundation-Models-for-Robotics-Programmatik – die These, dass Robotik künftig durch Foundation-Model-artige Pre-Training-Verfahren auf simulierten und realen 3D-Welt-Daten skaliert werden könne.

Stand 2025/2026 ist Physical AI Gegenstand substantieller Industrie-Investitionen – der von Deloitte 2025 publizierte Physical AI Dossier (Mittal/Rowan/Roddick/Lewin) dokumentiert mehrere Dutzend industrielle Use Cases über sieben Industrien (Cross Industry, Consumer, Energy/Resources/Industrials, Financial Services, Government/Public Services, Life Sciences/Health Care, Technology/Media/Telecom).

Eine Frontier-Kategorie sind Dark Factories – vollständig autonome industrielle Operations-Umgebungen mit minimaler menschlicher Präsenz.

Begriffsgeschichte

Vorgeschichte: Embodied AI und Cybernetics (1940er–2020)

Die Vorgeschichte Physical AIs reicht in die Cybernetics-Tradition der 1940er Jahre.

Norbert Wieners Cybernetics: Or Control and Communication in the Animal and the Machine (Wiley 1948,) etablierte die konzeptionelle Grundlage selbst-regulierender Mensch-Maschine-Systeme über Rückkopplungs-Schleifen – Umwelt-Wahrnehmung → Aktion → Ergebnis-Feedback. Diese Grundstruktur entspricht dem späteren Physical-AI-Operationsprinzip.

In den 1980er und 1990er Jahren etablierte Rodney Brooks (Intelligence without Representation, Artificial Intelligence 1991) gemeinsam mit Francisco Varela, Evan Thompson und Eleanor Rosch (The Embodied Mind: Cognitive Science and Human Experience, MIT Press 1991,) die Embodied Cognition-Tradition. George Lakoff und Mark Johnson (Philosophy in the Flesh, Basic Books 1999) vertieften sie wenig später.

Die Kernthese: Intelligenz setzt einen verkörperten, in einer physischen Umwelt agierenden Träger voraus.

In den 2010er Jahren etablierte sich Embodied AI als akademische Sub-Disziplin – typisch dokumentiert durch die Konferenz-Serie Conference on Robot Learning (CoRL, ab 2017) und die DeepMind/OpenAI-Robotik-Forschung. Die Grundannahme: Robotik-Lernen profitiert substantiell von Verkörperung in physikalischen Umgebungen – sei es real oder simuliert.

Vorgeschichte: Humanoid-Robotik-Boom (2022–2024)

Wirkungsmächtig für die spätere Physical-AI-Diskussion war Teslas Vorstellung von Optimus am 30. September 2022 (AI Day 2022), die eine substantielle Welle privater Investitionen in humanoide Robotik auslöste.

In den Folgejahren etablierten sich mehrere wirkungsmächtige Akteure. Figure AI (gegründet 2022 von Brett Adcock, Figure 01 vorgestellt Oktober 2023, Series-B-Runde Februar 2024 mit Beteiligung von Microsoft, OpenAI, NVIDIA, Jeff Bezos) und 1X Technologies (norwegisch-amerikanisch, OpenAI-Beteiligung) traten am prominentesten hervor.

Hinzu kamen Apptronik (Apollo-Roboter, NASA-Partnerschaft), Sanctuary AI und chinesische Hersteller (Unitree, Fourier Intelligence, UBTECH).

Vision-Language-Action-Modelle (2023–2024)

Die entscheidende technische Vorgeschichte umfasst die Veröffentlichung großer Vision-Language-Action-Modelle (VLAs):

RT-2 (Brohan u. a., Google DeepMind, Juli 2023, arXiv 2307.15818) – eines der ersten substantiellen Vision-Language-Action-Modelle, das die These der direkten Übertragbarkeit von Foundation-Model-Architekturen auf Robotik-Aufgaben demonstrierte.

Open X-Embodiment / RT-X (Padalkar u. a., DeepMind und 21 Forschungseinrichtungen, Oktober 2023) – methodisch ein großer multi-institutioneller Datensatz, der 22 verschiedene Roboter-Plattformen umfasste.

π0 (Physical Intelligence, Oktober 2024) und π0.5 (April 2025) – Foundation Models für Robotik, entwickelt durch das von Sergey Levine und Chelsea Finn gegründete Start-up Physical Intelligence.

Jensen Huangs CES-2025-Keynote

Die Hauptetablierung des Begriffs Physical AI erfolgte durch Jensen Huangs Keynote auf der Consumer Electronics Show (CES) am 6. Januar 2025 in Las Vegas. In dieser Keynote präsentierte Huang das Vier-Stufen-Framework der KI-Evolution und positionierte Physical AI als die nächste Welle nach Agentic AI.

Gleichzeitig veröffentlichte NVIDIA die Cosmos-Plattform – eine Familie World Foundation Models für Physical-AI-Anwendungen.

Cosmos umfasst drei Hauptkomponenten: erstens Video Search and Understanding (Suche und Analyse großer Video-Datensätze), zweitens Controllable 3D-to-Real Synthetic Data Generation (synthetische Trainings-Daten-Generierung aus 3D-Szenarien), drittens Multiverse Simulation (Generierung aller möglichen zukünftigen Outcomes für Reinforcement-Learning-Training).

Huangs Hauptthese: Während Sprachmodelle Tokens, Bild-Modelle Pixel prognostizieren, prognostizieren Physical-AI-Modelle dreidimensionale Welt-Zustände. Diese Differenz erfordert grundsätzlich andere Trainings-Datenquellen, Architekturen und Inferenz-Pipelines.

GTC 2025 und VivaTech (März–Juni 2025)

Auf der NVIDIA GTC 2025 (März 2025) konkretisierte Huang die Positionierung weiter und kündigte substantielle Partnerschaften mit Cadence, Boeing, Siemens, Schneider Electric, Mercedes, Volvo und Jaguar Land Rover an.

Auf GTC Paris (im Rahmen der VivaTech Juni 2025) erweiterte Huang das Vier-Stufen-Framework: Perception AI (Mustererkennung, Bilder, Sprache, Sensorik) → Generative AI (Text-, Bild-, Code-Erzeugung) → Agentic AI (autonome Reasoning- und Aktions-Pipelines) → Physical AI (KI mit physischem Körper).

NVIDIA stellte auf GTC Paris das vollständige Ökosystem vor: NeMo (LLM-Training), Retriever (multimodale AI-Memory), Lepton (Deployment in physischen Umgebungen), Omniverse Cloud (industrielle Digital Twins), Isaac Sim (Robotik-Simulation).

GTC 2026: „Big Bang of Physical AI” (März 2026)

Auf der NVIDIA GTC 2026 (März 2026) erklärte Huang Physical AI zum „Big Bang of Physical AI” – mit deutlich verstärktem Fokus auf humanoide Robotik als zentrale Anwendungsform der Programmatik.

Zugleich stellte NVIDIA mit Halos for Robotics nach eigenen Angaben das „erste durchgängige Safety-System für Physical AI” vor („industry’s first full-stack safety system for Physical AI”). Damit reagiert NVIDIA direkt auf die offene Frage der Alignment- und Sicherheitsanforderungen verkörperter Systeme (siehe Abschnitt Kontroversen und Kritik).

Deloitte Physical AI Dossier (2025)

Im Verlauf 2025 publizierte Deloitte (Mittal, Rowan, Roddick, Lewin) den Physical AI Dossier – eine systematische Use-Case-Sammlung über sieben Industrien. Der Bericht dokumentiert mehrere Dutzend industrielle Anwendungsfelder und identifiziert Dark Factories als Frontier-Kategorie. Der Dossier ist eines der ersten umfassenden Industrie-Berichte zur Begriffs-Operationalisierung.

Wettbewerbslandschaft 2025–2026

Stand 2025/2026 etablierten sich mehrere konkurrierende Programmatiken neben NVIDIA: Google DeepMind (Gemini Robotics März 2025), Meta AI (Habitat-Simulationsumgebung, OpenEQA-Benchmark), Tesla (Optimus-Serien-Produktion ab 2025 angekündigt) und Boston Dynamics (Atlas-Elektro-Generation, Partnerschaft mit Hyundai).

Hinzu kommen Physical Intelligence (π-Serie), Skild AI, Covariant (Pieter Abbeel) sowie eine wachsende Anzahl chinesischer Akteure (Unitree, Fourier Intelligence, Agibot, Galbot).

Ergänzend traten 2026 neue Marktteilnehmer hervor – Neura Robotics (Deutschland, 1,4-Mrd.-USD-Series-C Juni 2026) und der Börsengang von Agility Robotics per SPAC-Fusion (Juli 2026); Details dazu unter Humanoid Robotics.

Methodische Grundlagen

Definition und Abgrenzung

NVIDIA definiert Physical AI als „die Verkörperung von Künstlicher Intelligenz in Humanoiden, Fabriken und anderen Geräten innerhalb industrieller Systeme”.

Physical AI differenziert sich von vorherigen Modell-Klassen über drei Dimensionen: erstens die Verarbeitung dreidimensionaler räumlicher Welt-Zustände (statt eindimensionaler Tokens oder zweidimensionaler Pixel), zweitens die direkte Handlungs-Aktuation über mechanische Aktoren. Drittens erfordert sie die Verbindung von Perception, Reasoning und Action in Echtzeit.

Verhältnis zu Embodied AI

In der Sekundärliteratur wird diskutiert, ob Physical AI und Embodied AI identisch sind. Position 1: Beide Begriffe bezeichnen im Wesentlichen dasselbe Phänomen, mit Physical AI als industrieller Marketing-Begriff.

Position 2: Physical AI ist breiter und umfasst zusätzlich nicht-verkörperte aber physikalische Anwendungen (etwa simulations-basierte Designoptimierung). Position 3: Embodied AI ist methodisch der akademisch etablierte Begriff, Physical AI fokussiert methodisch stärker auf kommerzielle Skalierung.

Simulations-basiertes Training

Zentral ist die Verwendung simulations-basierter Trainings-Daten. Anders als Sprachmodelle, die auf großen Mengen realer Text-Daten trainiert werden können, sind Robotik-Trainings-Daten typisch teurer und langsamer zu generieren.

Sim-to-Real Transfer – die Übertragung in Simulationen gelernter Strategien auf reale Hardware – ist eine zentrale Forschungslinie. NVIDIAs Isaac Sim, Omniverse und Cosmos sind die industriell dominanten Werkzeuge.

Digital Twins

Wirkungsmächtig sind Digital Twins – digitale Modelle physikalischer Anlagen, Fabriken oder Städte, die für Trainings-, Simulations- und Optimierungs-Zwecke verwendet werden. Im Deloitte-Dossier sind Digital Twins eine der ersten Use-Case-Kategorien.

Form-Faktoren

Physical-AI-Systeme sind in zahlreichen Form-Faktoren verkörpert:

• Autonomous Mobile Robots (AMRs) für Lager und Logistik
• Quadrupeden (Boston Dynamics Spot, Unitree, ANYbotics) für Inspektion und Patrouille
• humanoide Roboter (Tesla Optimus, Figure 01, 1X, Apptronik Apollo, Sanctuary)
• Drohnen und autonome Fahrzeuge
• chirurgische Roboter (Intuitive Surgical, CMR Surgical)
• Cobots (kollaborative Roboter, Universal Robots)
• aufgabenspezifische Maschinen

Foundation Models für Robotik

Die Vision ist die Übertragung des Foundation-Models-Paradigmas auf Robotik: Vor-Trainings-Pipelines auf großen multi-modalen Datensätzen, die nachgelagert für spezifische Robotik-Aufgaben fine-getunt werden. Physical Intelligence π-Serie, Google DeepMind RT-2/RT-X, Skild AI Brain sind beispielhafte Implementierungen.

World Models

Eine eigenständige Forschungslinie sind World Models – generative Modelle, die zukünftige Welt-Zustände vorhersagen können. Cosmos, das V-JEPA-Programm bei Meta (Yann LeCun) und Fei-Fei Lis World Labs sind konkurrierende Programmatiken.

Anwendungsfelder

Der Deloitte-Physical AI Dossier dokumentiert sieben industrielle Hauptdomänen:

Cross Industry

Simulations-basierte Entwicklung und Digital Twins, simulations-trainierte und mensch-überwachte Closed-Loop-Remediation, simulations-gesteuerte Remote-Operations und Training, autonome selbst-kalibrierende Qualitäts- und Prozesskontrolle, semi-autonome Lager-Beladungs- und Entladungs-Robotik, sprachgesteuerte Physical-AI-Assistenten für industrielle Operations.

Consumer

Autonomer Transport für urbane Mobilitäts-Services, Mehrzweck-Haushalts-Service-Roboter, vision-fähige Store-Operations, Fleet-Telemetrie und Routen-Optimierung, Edge-Cloud-Architektur für Consumer-Mobilität, robotisches Stauen und Pick-Systeme, vision-fähige robotische Induktion für hochvariable Consumer-Logistik, autonome Material-Bewegung in Consumer-Fulfillment-Umgebungen.

Energy, Resources & Industrials (ER&I)

Anwendungsfelder in diesem Bereich:

• Prädiktive Umwelt-, Gesundheits- und Sicherheits-Überwachung
• autonome Transport-Systeme für sichere Bergbau-Operationen
• autonome Inspektion in sicherheits-kritischen physischen Umgebungen
• präzisions-kritische Fertigung
• autonome Landwirtschaft und Precision Farming
• Workforce-Scheduling
• Inspektion von Netzwerk- und Versorgungs-Infrastruktur
• Defekt-Erkennung für industrielle Maschinen
• Chemische-Fertigung-Workflow-Automatisierung
• autonome und semi-autonome Robotik im Bauwesen

Financial Services (FS)

Prädiktive Wartung für IT- und ATM-Infrastruktur, humanoide Roboter für Filial-Operations, ATM-Cash-Forecasting, Replenishment und autonome Cash-Logistik.

Government & Public Services (GPS)

Autonome Patrouille und Bedrohungs-Erkennung, Smart-City-Operations und urbane Infrastruktur-Modernisierung.

Life Sciences & Health Care (LSHC)

Transformation der pharmazeutischen Forschung und Entwicklung, automatisierte Arzneimittel-Ausgabesysteme, chirurgische Robotik für Mikrochirurgie, Service-Roboter für Krankenhaus-Operations, Eldercare und Memory-Care-Unterstützungssysteme, Cleanroom-Fertigungs-Automatisierung.

Technology, Media & Telecommunications (TMT)

Netzwerk-Sensing, Assurance und autonome Recovery, AMR-fähige Physical AI für prädiktive Qualitätskontrolle, nachhaltige Netzwerk-Operations, Data-Center-Operations, Semiconductor-Fertigungs-Orchestrierung, Ultra-Low-Latency-Netzwerk-Schutz, robotische Quadrupeden für Stadion-Operations und Sport-Übertragung.

Dark Factories als Frontier

Besonders wirkungsmächtig ist die Kategorie der Dark Factories – hochautonome Operations-Umgebungen, in denen Physical AI ermöglicht, dass Systeme kontinuierlich mit minimaler menschlicher Präsenz unter regulierter Aufsicht laufen. Der Deloitte-Dossier identifiziert Dark Factories als emergierende operationale Realität, nicht mehr als ferne Zukunftsvision.

Kontroversen und Kritik

Substantielle Diskussions-Linien betreffen:

AI-Alignment für verkörperte Systeme: Sicherheits-Fragen sind bei Physical AI substantiell verschärft im Vergleich zu rein digitalen Sprachmodellen. Ein fehl-aligntes verkörpertes System kann direkte physische Folgen erzeugen – Sachschäden, Verletzungen, Todesfälle.

Die Erweiterung der Alignment-Forschung auf verkörperte Systeme ist Gegenstand laufender Auseinandersetzung (Anthropic, DeepMind Safety Research, Center for AI Safety). Mit NVIDIA Halos for Robotics (2026, siehe Abschnitt Begriffsgeschichte) liegt seit 2026 eine erste industrielle Antwort auf diese Frage vor.

Beschäftigungs-Folgen: Physical AI bedroht substantiell mehr Beschäftigungs-Felder als rein digitale KI-Systeme – Lager- und Logistik-Arbeitsplätze, Fertigung, Reinigung, Eldercare, Bewachung, Transport. Die Wirkung auf Beschäftigung und Einkommens-Verteilung ist Gegenstand laufender industriepolitischer Auseinandersetzung.

Regulatorische Lage: Die regulatorische Behandlung Physical AIs ist substantiell ungeklärt. Der EU AI Act (Verordnung 2024/1689) regelt KI-Anwendungen über Risiko-Klassen, ohne eine eigenständige Physical-AI-Kategorie zu etablieren.

Aufsichtsbehörden für autonome Fahrzeuge, medizinische Robotik und Industrie-Sicherheit operieren unter etablierten sektoralen Rahmenwerken, die nicht spezifisch für Foundation-Model-getriebene Physical AI ausgelegt sind.

Verteilungs-Folgen und geopolitische Konkurrenz: Die industrielle Skalierung Physical AIs ist Gegenstand substantieller US-chinesischer industriepolitischer Konkurrenz. US-Exportbeschränkungen auf hochleistungsfähige Halbleiter treffen auch Physical-AI-Anwendungen.

Marketing-Begriff-Debatte: In der akademischen Robotik-Community wird Physical AI teils als industrieller Marketing-Begriff diskutiert, der etablierte akademische Begriffe (Embodied AI, Robot Learning) überlagere ohne substantielle Neuerung. Befürworter:innen argumentieren methodisch, dass die Begriffs-Etablierung die kommerzielle und investorische Aufmerksamkeit auf eine methodisch reife Technologie-Linie lenke.

Energie- und Rohstoff-Folgen: Die Großvolumen-Produktion humanoider Roboter erfordert substantielle Mengen seltener Erden, Halbleiter, Aktoren und Batterien. Die Folgen für Lieferketten, Energieverbrauch und Klimabilanz sind Gegenstand laufender Diskussion.

Datenschutz und Überwachung: Physical-AI-Systeme in öffentlichen Räumen – autonome Patrouille, Smart-City-Sensorik, Service-Roboter – erzeugen substantielle Datenschutz-Fragen. Die Klärung der Rechtmäßigkeit umfangreicher physischer Überwachung durch verkörperte KI-Systeme ist Gegenstand laufender regulatorischer Auseinandersetzung.

Stand 2025/2026

Stand Mai 2026 ist Physical AI eines der zentralen Investments- und Industrie-Themen der Frontier-KI-Diskussion. Die Etablierung des Begriffs durch NVIDIA und die Operationalisierung durch Industrie-Berichte wie den Deloitte-Physical AI Dossier haben die Begriffs-Verwendung in den Mainstream der Tech- und Industriepolitik gehoben.

Forschungslinien umfassen die Skalierung von Vision-Language-Action-Modellen, simulations-basierte Trainings-Pipelines (Sim-to-Real-Transfer), World Models, Multi-Agent-Coordination in Robotik-Schwärmen, mensch-maschine-Kollaboration in Industrie-Settings, und die Integration von Physical-AI-Systemen in bestehende industrielle Wertschöpfungs-Ketten.

Auf der CES 2026 (Januar 2026) und in nachfolgenden Industrie-Veranstaltungen wurden substantielle Fortschritte in humanoider Robotik dokumentiert – Figure AI, 1X, Tesla Optimus, Apptronik und chinesische Akteure präsentierten zunehmend autonom agierende Systeme.

Investitionsvolumen ist substantiell: Schätzungen externer Beobachter (Goldman Sachs, McKinsey, Morgan Stanley) platzieren das Physical-AI-Marktpotenzial in den 2030er Jahren bei mehreren Billionen US-Dollar. Die Encord-Sekundärliteratur zitiert NVIDIA-Schätzungen, nach denen bis 2035 bis zu 1,3 Milliarden KI-gestützte Roboter weltweit operieren könnten.

Offene Fragen umfassen die Skalierbarkeit von Sim-to-Real-Transfer, die Verlässlichkeit von World Models, die regulatorische Klärung verkörperter KI-Systeme, die Folgen für Beschäftigung und Einkommens-Verteilung, die Klärung der Alignment-Anforderungen für verkörperte Systeme und die geopolitische Wettbewerbsdynamik in der Physical-AI-Industrialisierung.

Verwandte Begriffe

• Digital Twins – Trainings-Werkzeug
• Humanoid Robotics – Anwendungs-Kategorie
• Jensen Huang – Begriffs-Etablierer

Quellenangaben

1. Automate.org, 2026. NVIDIA declares “Big Bang of Physical AI” at GTC 2026. automate.org/ai/industry-insights, März 2026.
2. Brohan, Anthony u. a., 2023. RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control. Google DeepMind. arXiv: 2307.15818.
3. Brooks, Rodney A., 1991. Intelligence Without Representation. In: Artificial Intelligence 47 (1–3), S. 139–159. DOI: 10.1016/0004-3702(91)90053-M.
4. CIO Magazine, 2025. NVIDIA Unveils Generative Physical AI Platform, Agentic AI Advances at CES. cio.com, März 2025.
5. Encord, 2025. What Is Physical AI? encord.com/blog/physical-ai, März 2025.
6. Europäische Union, 2024. Verordnung (EU) 2024/1689 zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz. In: Amtsblatt der Europäischen Union L, 2024/1689, 12. Juli 2024. (Artikel 9 Risikomanagementsystem; Artikel 17 Qualitätsmanagementsystem.)
7. Huang, Jensen, 2025. CES 2025 Keynote. Consumer Electronics Show, Las Vegas, 6. Januar 2025.
8. Huang, Jensen, 2025. GTC 2025 Keynote. NVIDIA GTC, San Jose, März 2025.
9. Huang, Jensen, 2025. GTC Paris VivaTech Keynote. Paris, Juni 2025.
10. Lakoff, George / Johnson, Mark, 1999. Philosophy in the Flesh: The Embodied Mind and Its Challenge to Western Thought.
11. Mittal, Nitin / Rowan, Jim / Roddick, Sam / Lewin, Chris, 2025. The Physical AI Dossier: A Selection of High-Impact Use Cases Across Seven Major Industries. Deloitte Global AI & Emerging Markets, 2025.
12. NVIDIA, 2025. Cosmos World Foundation Model Platform for Physical AI. arXiv: 2501.03575.
13. NVIDIA, 2026. NVIDIA Announces Halos for Robotics, the Industry’s First Full-Stack, Comprehensive Safety System for Robotics and Physical AI. nvidianews.nvidia.com.
14. Padalkar, Abhishek u. a., 2023. Open X-Embodiment: Robotic Learning Datasets and RT-X Models. DeepMind / 21 Institutionen. arXiv: 2310.08864.
15. Physical Intelligence, 2024. π0: A Vision-Language-Action Flow Model for General Robot Control. physicalintelligence.company, Oktober 2024. arXiv: 2410.24164.
16. RCR Wireless, 2025. NVIDIA Charts a Course from Agentic AI to Physical AI. rcrwireless.com, 10. Januar 2025.
17. Superb AI, 2026. Physical AI Series 1: Jensen Huang Declares „Physical AI” the Next Wave of AI – What Is It? superb-ai.com, Februar 2026.
18. Varela, Francisco J. / Thompson, Evan / Rosch, Eleanor, 1991. The Embodied Mind: Cognitive Science and Human Experience.
19. Wiener, Norbert, 1948. Cybernetics: Or Control and Communication in the Animal and the Machine.

← Zurück zur Lexikon-Übersicht