14.08.2026

Wie systemisches Denken hilft, die Energie- und Wirtschaftswende voranzutreiben.

Die grösste Herausforderung der 2030er Jahre ist die Überwindung des Silo-Denkens. Technische Lösungen dürfen nicht mehr isoliert, sondern im Gesamtsystem betrachtet werden.

Die Ingenieure der 2030er Jahre: Systemisches Denken in einer Zeit des technologischen Umbruchs.

Wir befinden uns in einer Ära beispielloser technologischer Veränderungen. Laut dem Zukunftsforscher Lars Thomson haben die letzten Wochen mehr Durchbrüche in den Bereichen Künstliche Intelligenz (KI), Robotik und systemisches Denken hervorgebracht als die letzten 30 Jahre seiner Berufserfahrung. Für die kommende Generation von Ingenieurinnen und Ingenieuren bedeutet dies, dass sie wichtiger werden als je zuvor, sich jedoch auf ein radikal verändertes Berufsbild einstellen müssen.

Illustration © stromzeit.ch*

1. Die Evolution der Wissensverarbeitung: Von der Suche zur Handlung.

Die Art und Weise, wie die Menschheit mit Wissen umgeht, hat in den letzten drei Jahrzehnten drei fundamentale Phasen durchlaufen:

• Vor 30 Jahren (Google): Die Revolution bestand darin, Informationen weltweit auffindbar zu machen. Google lieferte jedoch keine direkten Antworten, sondern lediglich Hinweise darauf, wo Wissen zu finden sein könnte.
• Vor 3 Jahren (ChatGPT): Mit den Large Language Models (LLMs) änderte sich das Paradigma. Nutzer stellen Fragen und erhalten direkt zusammengefasste Antworten, anstatt mühsam Quellen sichten zu müssen.
• Heute (Agentennetzwerke): Wir treten nun in die Phase der „Agenten“ ein (z. B. OpenClaw). Diese Systeme geben nicht mehr nur Antworten, sondern produzieren Lösungen für Aufgaben. Sie können sich selbstständig „schlau machen“, Aufgaben übernehmen – wie etwa die Steuererklärung – und verstehen zunehmend komplexe physikalische, mechanische und biologische Zusammenhänge.

2. Physical AI: Die Verschmelzung von KI und Robotik.

Ein entscheidender Kipppunkt (Tipping Point) ist der Übergang der KI vom Bildschirm in die physische Welt.

• Humanoide Roboter für den Massenmarkt: Firmen wie Unitree bieten bereits humanoide Roboter (z. B. den G1) für unter 5.000 $ an. Diese Maschinen verfügen über eine enorme Bewegungsfreiheit (78 Freiheitsgrade) und können durch das Beobachten von Videos (z. B. auf YouTube) im Schwarm lernen.
• Autonome Systeme im Alltag: In China sind bereits „Dark Kitchens“ verbreitet, in denen Maschinen 30 % der Essenslieferungen vollautomatisch zubereiten. Auslieferungsroboter übernehmen den Transport bis zur Haustür.
• Produktivität gegen Fachkräftemangel: Roboter, die 168 Stunden pro Woche ohne Krankheitsausfälle arbeiten können, werden in Bereichen wie Pflege, Logistik und Abfallwirtschaft unverzichtbar werden.

3. Systemisches Denken als Kernkompetenz.

Die grösste Herausforderung für die Ingenieure der 2030er Jahre ist die Überwindung des Silo-Denkens. Thomson betont, dass technische Lösungen nicht isoliert, sondern im Gesamtsystem betrachtet werden müssen.

• Interdisziplinarität: Fachbereiche wie Mechatronik, KI, Biologie und Chemie müssen enger zusammenarbeiten. Ein Ingenieur muss heute nicht nur Mechanik verstehen, sondern auch Foundation-Modelle und Batterietechnologien.
• Geschwindigkeit der Umsetzung: Die Zeitspanne zwischen einer Idee und einem ersten Prototyp muss durch den Einsatz von KI, Simulationen und 3D-Druck drastisch verkürzt werden – von Jahren auf Tage oder Wochen.
• Vom Experten zum Fragensteller: Da Fachwissen zunehmend ubiquitär und kostenlos verfügbar ist, sinkt der Wert der Antwort. Der eigentliche Wert liegt zukünftig in der Fähigkeit, die richtigen Fragen zu stellen und Hypothesen zu bilden.

4. Die Energie- und Mobilitätswende.

Trotz der Ölkrise vor über 50 Jahren besteht in Deutschland immer noch eine hohe Abhängigkeit von fossilen Brennstoffen. Ein systemischer Ansatz offenbart hier neue Wege:

• Solar-Dominanz: Eine einzige Schiffsladung Solarpanels aus China transportiert über ihre Lebensdauer 85-mal mehr Energie nach Deutschland als ein Öltanker. Deutschland baut bereits monatlich die Kapazität eines Atomkraftwerks an regenerativer Leistung (ca. 1 GW) zu.
• Herausforderung Speicher: Das Problem der Volatilität muss durch intelligente Netze und Batterien gelöst werden. Hier bieten Natrium-Ionen-Batterien eine Chance, da sie auf reichlich vorhandenen Rohstoffen wie Salz basieren und Abhängigkeiten (z. B. von Lithium oder Nickel) verringern.
• Enormer Energiebedarf durch KI: Am Beispiel Texas wird deutlich, dass allein die neuen KI-Rechenzentren einen Strombedarf haben, der das bestehende Netz um das Siebenfache übersteigt. Dies kann nur durch massiven, schnellen Ausbau von Solar- und Windkraft bewältigt werden.

5. Die sieben entscheidenden Fähigkeiten für Ingenieure.

Um in dieser neuen Welt erfolgreich zu sein, sollten Ingenieure sieben Kernfähigkeiten kultivieren:

1. Neugier: Eine produktive Suchenergie, um Dinge wirklich verstehen zu wollen.
2. Systemisches Denken: Zusammenhänge zwischen Technik, Wirtschaft und Gesellschaft verstehen.
3. Urteilskraft: In einer Informationsflut das Signal vom Rauschen trennen können.
4. KI-Kompetenz: KI als Sparring-Partner nutzen, nicht nur als Werkzeug.
5. Interdisziplinäre Übersetzungsfähigkeit: Komplexe Themen für fachfremde Personen begeisternd erklären können.
6. Umsetzungskraft: Mehr Prototypen und Piloten bauen, weniger PowerPoint-Folien erstellen.
7. Verantwortung und Haltung: Technik mit einem ethischen Kompass entwickeln.

6. Gesellschaftliche und politische Rahmenbedingungen.

Deutschland steht vor grossen Herausforderungen, insbesondere durch das demographische Dilemma. Der Median des Wahlalters liegt bei über 55 Jahren, was Innovationen oft bremst, da kurzfristige Interessen der älteren Mehrheit (z. B. Benzinpreise) über langfristige Zukunftsprojekte dominieren.

• Politische Trägheit: Während in China Neugier und Lernbereitschaft dominieren, herrscht in deutschen Führungsetagen oft noch Arroganz oder Angst vor Veränderung.
• Europas Chance: Durch den AI Act und den Fokus auf Datensouveränität könnte Europa ein Vorbild für eine gesellschaftsdienliche, sichere und soziale KI werden, die sich von den rein profitgetriebenen Modellen der USA abhebt.

7. Fazit und Ausblick.

Die Ausbildung der Zukunft (beispielhaft an den „Alpha Schools“ in den USA) wird Wissen individuell durch KI vermitteln, um mehr Zeit für soziale Kompetenzen und praktische Projekte zu schaffen. Für angehende Ingenieure gilt: Lassen Sie sich nicht von kurzfristigen Krisen oder politischer Trägheit entmutigen. Die Fähigkeit, neugierig zu bleiben und in Systemen zu denken, ist der Schlüssel, um die Welt der 2030er Jahre aktiv zu gestalten.

Ingenieure werden nicht durch KI ersetzt, aber die erfolgreichsten unter ihnen werden diejenigen sein, die KI als Partner begreifen, um ihre eigene menschliche Kreativität und Umsetzungskraft zu verstärken.

Die Evolution der Wissensverarbeitung.

Die Evolution der Wissensverarbeitung hat sich in den letzten drei Jahrzehnten in drei markanten Phasen vollzogen, wobei sich die Geschwindigkeit der Umbrüche exponentiell beschleunigt hat.

1. Die Ära der Suche: Google (vor ca. 30 Jahren).

Mit dem Aufkommen des Internets und der Gründung von Google entstand eine Revolution der Auffindbarkeit.

• Kernfunktion: Google ermöglichte es erstmals, das weltweit auf Webseiten verteilte Wissen zu durchsuchen.
• Das Problem: Der Nutzer erhielt keine direkten Antworten, sondern lediglich Hinweise, wo die gesuchte Information oder Expertise zu finden sein könnte.
• Nutzeraufwand: Man musste sich oft mühsam durch zahlreiche Quellen klicken, Texte in fremden Sprachen sichten und sich die eigentliche Antwort selbst zusammenbauen.

2. Die Ära der Antwort: ChatGPT (vor ca. 3 Jahren).

Mit der Einführung von Large Language Models (LLMs) wie ChatGPT änderte sich das Paradigma grundlegend von der Suche hin zum Erhalt von Antworten.

• Kernfunktion: Durch die Eingabe eines Prompts (einer gezielten Anweisung) liefert die Maschine direkt eine zusammengefasste Antwort.
• Mechanismus: Die KI hat gelernt, das weltweit verfügbare Wissen so zu verknüpfen, dass sie Wörter in die richtige, logische Reihenfolge bringt, um komplexe Sachverhalte verständlich zu präsentieren.
• Fortschritt: Der Nutzer muss die Antwort nicht mehr selbst aus verschiedenen Quellen konstruieren; sie wird ihm fertig vorgelegt.

3. Die Ära der Handlung: Agentennetzwerke (seit ca. 3 Monaten).

Wir treten nun in die Phase der „Agenten“ (wie z. B. OpenClaw) ein, die über das reine Beantworten von Fragen hinausgehen.

• Vom Wissen zur Lösung: Diese Systeme liefern nicht mehr nur Texte, sondern produzieren Lösungen für konkrete Aufgaben.
• Autonomie: Agenten verhalten sich wie „schlaue Mitarbeiter“: Wenn sie eine Aufgabe nicht sofort lösen können, verzweifeln sie nicht, sondern machen sich selbstständig „schlau“, lernen voneinander und bilden sich weiter.
• Beispiel Steuererklärung: Während man früher nach Steuergesetzen suchen (Google) oder sich diese erklären lassen musste (ChatGPT), gibt man dem Agenten heute nur noch den Auftrag: „Maschine, Steuererklärung, fertig!“. Der Agent sucht sich die nötigen Belege in der Buchhaltung selbst zusammen und führt die Aufgabe aus.

Der Übergang zur „Physical AI“.

Ein entscheidender Tipping Point ist, dass diese Intelligenz nun den Bildschirm verlässt und in die physische Welt eintritt.

• Systemverständnis: Die neuen KI-Systeme verstehen zunehmend die Regeln der Mechanik, Physik, Chemie und Biologie.
• Robotik-Integration: Durch die Verbindung von KI mit Robotik (z. B. Unitree G1) können Maschinen Aufgaben in menschlichen Umgebungen übernehmen, indem sie beispielsweise durch das Beobachten von YouTube-Videos lernen, wie man einen Graben aushebt oder Fliesen legt.

Konsequenzen für die Wissensgesellschaft.

In einer Zeit, in der Fachwissen zunehmend ubiquitär (überall verfügbar) und die Kosten für eine Antwort praktisch null sind, verschiebt sich der Wert der Arbeit.

• Wert der Frage: Der entscheidende Faktor ist nicht mehr die Antwort selbst, sondern die Fähigkeit, die richtigen Fragen zu stellen und Hypothesen zu bilden.
• Systemisches Denken: Ingenieure müssen weg vom reinen Expertenwissen in Silos und hin zu einem systemischen Verständnis, das Technik, Ökonomie und Nutzerverhalten zusammendenkt.
  
  

Illustration © stromzeit.ch*

Die Verschmelzung von KI und Robotik.

Der Begriff Physical AI beschreibt den aktuellen „Tipping Point“, an dem Künstliche Intelligenz nicht mehr nur Pixel auf Bildschirmen zum Leuchten bringt, sondern direkt in die physische Welt eintritt. Hierbei verschmelzen KI und Robotik zu Systemen, die mechanische, physikalische und biologische Zusammenhänge verstehen und eigenständig Aufgaben in menschlichen Umgebungen ausführen können.

Illustration © stromzeit.ch*

Detaillierte Aspekte der Verschmelzung.

Ein zentraler Durchbruch ist die Verfügbarkeit humanoider Roboter für den Massenmarkt, wie der Unitree G1 für unter 5.000 $, der über 78 Freiheitsgrade verfügt und sich athletisch auf zwei Beinen bewegt. Diese Maschinen nutzen Foundation-Modelle, um durch das Beobachten von Videos (z. B. auf YouTube) im Schwarm zu lernen, wie man spezifische Tätigkeiten wie das Fliesen eines Bads oder das Ausheben eines Grabens ausführt.

In China wird diese Technologie bereits massiv in sogenannten Dark Kitchens und Dark Factories eingesetzt. In diesen vollautomatisierten Umgebungen bereiten KI-gesteuerte mechatronische Systeme Gerichte zu, die anschliessend von autonomen Lieferrobotern direkt zum Kunden gebracht werden. Für Ingenieure bedeutet dies eine Verschiebung von isolierter Hardware-Entwicklung hin zum systemischen Design, bei dem Kognition, Sensorik und Mechanik untrennbar miteinander verbunden sind.

Kernthemen der Physical AI.

Die folgende Tabelle fasst die wesentlichen Aspekte der Verschmelzung von KI und Robotik zusammen:

Deutschland hat hierbei den Vorteil seiner jahrzehntelangen Erfahrung in der Präzisionsmechanik (Automotive Grade), muss aber die Trägheit überwinden und die Neugier auf diese neuen Systeme wiederentdecken, um den Anschluss an China nicht zu verlieren.

Systemisches Denken als Kernkompetenz.

Das systemische Denken wird als eine der sieben entscheidenden Kernkompetenzen für Ingenieurinnen und Ingenieure der 2030er Jahre definiert. Es beschreibt die Fähigkeit, Zusammenhänge zu verstehen, anstatt lediglich Einzelteile zu optimieren.

Hier sind die detaillierten Aspekte dieses Konzepts basierend auf den Quellen:

1. Definition und Umfang.

Systemisches Denken bedeutet, Technik nicht isoliert zu betrachten, sondern sie in ein Geflecht aus verschiedenen Disziplinen und Rahmenbedingungen einzuordnen. Ein erfolgreicher Ingenieur muss heute folgende Bereiche zusammendenken können:

• Technik und Mechatronik
• Ökonomie und Wirtschaftlichkeit
• Nutzerverhalten und Psychologie
• Energieversorgung und Materialkunde
• Regulierung und Skalierung

2. Überwindung des Silo-Denkens.

Thomson kritisiert die aktuelle Trennung von Fachbereichen in Hochschulen und Unternehmen. Er betont, dass Innovationen heute oft an den Schnittstellen entstehen.

• Interdisziplinarität: Wer sich nur auf Mechatronik konzentriert, ohne zu verstehen, wie Foundation-Modelle (KI) funktionieren oder wie Energienetze aufgebaut sind, wird in der Zukunft Schwierigkeiten haben.
• Zusammenarbeit: Fachbereiche wie Biologie, Chemie, KI und Mechanik müssen viel enger zusammenrücken, um komplexe Probleme (z. B. effiziente Batterietechnologien) zu lösen.

3. Anwendungsbeispiel: Die Energiewende.

Ein Mangel an systemischem Denken zeigt sich in der aktuellen deutschen Energiepolitik.

• Isolierte Sichtweise: Man diskutiert über Gasengpässe oder Benzinpreise als isolierte Probleme.
• Systemische Sichtweise: Ein intelligentes Energiesystem muss als „atmendes“ Ökosystem begriffen werden. Es kombiniert massiven Solarausbau (Erzeugung) mit Speichersystemen wie Natrium-Ionen-Batterien (Pufferung) und variablen Tarifen (Steuerung), um die Volatilität auszugleichen. Nur wer das Gesamtsystem versteht, erkennt, dass Speicher und intelligente Netze die logische Konsequenz aus sinkenden Solarpreisen sind.

4. Rolle der KI als Werkzeug für Systemverständnis.

Künstliche Intelligenz (Ambient Intelligence) fungiert hierbei als „Denk- und Sparring-Partner“.

• Simultane Analyse: In Meetings können KI-Agenten in Echtzeit Fakten aus verschiedenen Fachbereichen zusammenführen und so verhindern, dass Diskussionen in subjektiven Meinungsverschiedenheiten stecken bleiben.
• Beschleunigte Iteration: Durch Simulationen und digitale Zwillinge können Ingenieure systemische Auswirkungen einer Design-Änderung sofort prüfen, was den Zeitraum zwischen Idee und Prototyp drastisch verkürzt.

5. Erwerb der Kompetenz.

Systemisches Denken ist oft eine Frage der Haltung und Neugier:

• Hinterfragen: Ständig die „Warum“-Frage stellen, um tiefere Wirkmechanismen zu durchdringen.
• Breite Bildung: Sich täglich auch mit Themen abseits des Kernstudiums beschäftigen, um die „Urteilskraft“ zu schärfen und Signale vom Rauschen zu trennen.
• Praktische Erdung: Ideen müssen am Ende den Regeln der Physik entsprechen. Systemverständnis bedeutet auch zu wissen, wie viele Freiheitsgrade eine Roboterhand benötigt oder welche Schubkraft für ein Fahrzeug nötig ist.

Systemisches Denken ist die Fähigkeit, die „Grammatik des Entwickelns“ neu zu begreifen: Weg vom reinen Fachwissen-Besitz hin zur Fähigkeit, komplexe Wirkungsgefüge zu gestalten und produktiv zu nutzen.

Die Energie- und Mobilitätswende.

Die Energie- und Mobilitätswende wird in den Quellen als einer der zentralen technologischen und systemischen Umbrüche der kommenden Dekade beschrieben. Deutschland steht zwar vor grossen Herausforderungen, verfügt aber auch über enorme Potenziale, sofern ein systemisches Denken Einzug hält.

Illustration © stromzeit.ch*

Kernthemen der Energie- und Mobilitätswende.

Die folgende Tabelle fasst die wesentlichen Aspekte und technologischen Treiber zusammen, wie sie in den Quellen diskutiert werden:

Detaillierte Analyse der Energiewende.

Der solare Kipppunkt.

Die Effizienz der Solarenergie wird massiv unterschätzt. Während Deutschland jeden Monat die Leistung eines Atomkraftwerks (1 GW) an regenerativer Energie zubaut, fehlt oft das Verständnis für die Skalierbarkeit. Ein entscheidender Vergleich ist der logistische Vorteil: Da Solarpanels nur einmal aufgestellt werden müssen und über Jahrzehnte Energie liefern, ersetzen sie den permanenten Import von fossilen Brennstoffen in riesigem Massstab (Faktor 85 im Vergleich zu Öltankern).

Die Rolle der Speicherung.

Das Hauptproblem der Energiewende ist die Volatilität – mittags gibt es oft zu viel Strom, nachts zu wenig. Die Lösung liegt in Abundant Material Batteries. Insbesondere Natrium-Ionen-Batterien sind hierbei vielversprechend, da sie Grundstoffe wie Salz nutzen, die überall verfügbar sind. Dies erfordert eine enge Zusammenarbeit zwischen Chemie, Elektro-Engineering und Produktion.

Detaillierte Analyse der Mobilitätswende.

Technologische Konvergenz.

Die Mobilität der Zukunft wird nicht mehr isoliert betrachtet. Sie verschmilzt mit der Robotik und der KI (Physical AI). Die deutsche Automobilindustrie verfügt über die Kernkompetenz, Geräte zu bauen, die unter extremen Bedingungen (von Wüstensand bis Polarkälte) jahrzehntelang funktionieren. Diese Präzisionsmechanik ist die ideale Grundlage für die kommende Roboter- und Mobilitätswelt.

Wirtschaftlicher Umschwung.

Thomson prognostiziert, dass fossile Mobilität bald ökonomisch nicht mehr tragbar sein wird. In Ländern des globalen Südens wird die Energiewende oft schneller vollzogen, da dort Elektrofahrzeuge bereits günstiger sind und dezentral über eigene Solarpanels geladen werden können. In Deutschland steht dem oft eine „nostalgische“ Verbrenner-Kultur und eine ältere Wählerschaft entgegen, die kurzfristige Preisstabilität über langfristige systemische Innovationen stellt.

Die sieben entscheidenden Fähigkeiten für Ingenieure.

Der Zukunftsforscher Lars Thomson definiert für Ingenieurinnen und Ingenieure der 2030er Jahre sieben Kernkompetenzen, die entscheidend sind, um in einer Zeit des schnellen technologischen Umbruchs erfolgreich zu sein und die Zukunft aktiv zu gestalten.

Hier sind die sieben Fähigkeiten im Detail:

1. Neugier: Sie wird als der Beginn einer jeden Relevanz beschrieben. Es geht darum, eine „produktive Suchenergie“ zu entwickeln: Dinge verstehen zu wollen, sie auseinanderzunehmen und die Offenheit zu besitzen, von anderen zu lernen. Neugier bedeutet, ohne negative Voreingenommenheit nach dem „Warum“ zu fragen und sich auch mit Themen ausserhalb des eigenen Kernbereichs zu beschäftigen.
2. Systemisches Denken: Dies ist die Fähigkeit, Zusammenhänge zu begreifen, anstatt lediglich Einzelteile zu optimieren. Ein Ingenieur muss Technik, Ökonomie, Nutzerverhalten, Energiefragen, Regulierung und Skalierung zusammendenken können. Es erfordert ein Verständnis dafür, wie verschiedene Disziplinen – wie Mechatronik, KI und Materialkunde – miteinander verknüpft sind, anstatt nur in Fach-Silos zu verharren.
3. Urteilskraft: In einer Welt mit täglicher Informationsflut ist die Urteilskraft notwendig, um das „Signal vom Rauschen“ zu trennen. Nicht alles, was technisch machbar ist, ist auch strategisch klug. Ingenieure müssen selbstständig bewerten können, ob eine Entwicklung sinnvoll ist und echten Fortschritt bringt, anstatt nur technischen Möglichkeiten blind zu folgen.
4. KI-Kompetenz: Hierbei geht es nicht darum, ein Programmierer oder „Nerd“ zu sein, sondern zu verstehen, wie man KI als Werkzeug und Sparringspartner sinnvoll im eigenen Bereich einsetzt. Dazu gehört beispielsweise die Nutzung von Agentennetzwerken zur Strukturierung des eigenen Lebens, zum Filtern von Ideen oder als Unterstützung beim Lernen.
5. Interdisziplinäre Übersetzungsfähigkeit: Ingenieure müssen in der Lage sein, über ihren Fachjargon hinaus so zu kommunizieren, dass sie andere Menschen begeistern können. Dies umfasst die Fähigkeit, komplexe technische Sachverhalte sowohl Fachfremden wie dem Nachbarn oder den Grosseltern als auch Entscheidungsträgern verständlich und faszinierend zu erklären.
6. Umsetzungskraft: Diese Fähigkeit zielt darauf ab, die Zeitspanne zwischen einer Idee und ihrer Realisierung drastisch zu verkürzen. Anstatt sich auf PowerPoint-Folien zu beschränken, sollten Ingenieure Werkzeuge wie 3D-Drucker und Simulationsprogramme nutzen, um echte Prototypen und Piloten zu bauen. Es gilt der Grundsatz: Mehr reales Handeln und Lernen am Modell, weniger reine Theorie.
7. Verantwortung und Haltung: Da Technologie eine enorme Wirkung auf die Gesellschaft und künftige Generationen hat, benötigt sie Menschen mit einem inneren ethischen Kompass. Es reicht nicht aus, einen Arbeitsauftrag technisch abzuarbeiten; man muss auch hinterfragen, wofür etwas gebaut wird und welche langfristigen Folgen (z. B. für den Datenschutz oder das soziale Gefüge) dies hat.

Diese Fähigkeiten bilden die Grundlage, um nicht durch KI ersetzt zu werden, sondern die neuen technologischen Möglichkeiten produktiv zu nutzen.

Gesellschaftliche und politische Rahmenbedingungen.

Die gesellschaftlichen und politischen Rahmenbedingungen in Europa, insbesondere in Deutschland, sind derzeit von einer Spannung zwischen technologischer Trägheit und dem Potenzial für eine weltweit führende Rolle im Bereich der ethischen KI geprägt. Laut dem Zukunftsforscher Lars Thomson erfordert eine bessere Positionierung im internationalen Wettbewerb sowohl eine Abkehr von veralteten Denkstrukturen als auch die gezielte Nutzung europäischer Kernkompetenzen.

1. Das demographische und politische Dilemma überwinden.

Ein wesentliches Hindernis für Innovationen in Deutschland ist das „demographische Dilemma“.

• Wählerstruktur: Der Median des Wahlalters liegt in Deutschland bei fast 56 Jahren. Dies führt dazu, dass politische Entscheidungen oft kurzfristig und auf die Interessen einer älteren Mehrheit (z. B. niedrige Benzinpreise) ausgerichtet sind, anstatt langfristige Zukunftsthemen wie KI-Strategien oder Klimawandel systemisch anzugehen.
• Analoge Politik: Die politische Führung wird als weitgehend „analog“ beschrieben, die komplexe technische Zusammenhänge oft nicht tief genug durchdringt. Eine Lösung wäre die Integration von KI in den politischen Entscheidungsprozess, um neutrale, systemisch gerechnete Szenarien für komplexe Aufgaben (z. B. die Energiewende) als Grundlage für politische Debatten zu nutzen.

2. Europa als Vorbild für gesellschaftsdienliche KI.

Europa kann sich im Wettbewerb mit den USA und China durch ein eigenes, wertebasiertes Modell abheben.

• Rechtliche Vorreiterrolle: Durch den AI Act und den Data Act hat Europa eine Rechtsgrundlage geschaffen, die die Datenhoheit beim Erzeuger (dem Menschen) belässt und nicht bei den grossen Plattformbetreibern.
• Gesellschaftsdienlicher Einsatz: Während US-Unternehmen primär durch „Shareholder Value“ getrieben sind, hat Europa die Chance, die nächste Stufe der KI zu entwickeln: Eine Technologie, die sicher, sozialverträglich und gesellschaftsdienlich ist. Ziel sollte eine KI sein, die allen Bürgern ein besseres Leben, günstigere Energie und mehr Entfaltungsmöglichkeiten bietet.

3. Verknüpfung von KI mit physischer Ingenieurskunst.

Europas grösste Stärke liegt in der Kombination von Software-Intelligenz mit hochklassiger Hardware.

• Automotive Grade in der Robotik: Deutsche Ingenieure haben jahrzehntelange Erfahrung darin, Maschinen zu bauen, die unter extremsten Bedingungen (Hitze, Kälte, Sand) zuverlässig funktionieren. Diese Kompetenz in der Präzisionsmechanik ist ein entscheidender Vorteil beim Übergang zur Massenproduktion von Robotern.
• Lösung des Fachkräftemangels: Angesichts des demographischen Wandels, bei dem doppelt so viele Menschen den Arbeitsmarkt verlassen wie eintreten, muss Europa KI und Robotik nutzen, um die Produktivität zu sichern.

4. Förderung einer neuen Innovationskultur.

Um wettbewerbsfähig zu bleiben, muss Europa die „Arroganz“ gegenüber neuen Entwicklungen ablegen und die Neugier wiederentdecken.

• Beschleunigung der Umsetzung: Die Zeitspanne zwischen Idee und Prototyp muss radikal verkürzt werden.
• Bildungsreform: Schulen sollten Modelle wie die „Alpha Schools“ in Erwägung ziehen, bei denen Kinder mithilfe von KI individuell lernen, um mehr Zeit für soziale Kompetenzen, systemisches Denken und praktische Anwendung zu gewinnen.
• Gründergeist: Europa muss mutiger bei der Gründung von Start-ups werden und Risikokapital effizienter nutzen, um eigene „Googles“ aus der Ingenieurskunst hervorzubringen.

Europa wird den Wettbewerb nicht über die schiere Rechenleistung gewinnen, sondern durch die systemische Integration von KI in eine soziale, sichere und hochqualitative physische Welt.

Wie soll KI an Schulen genutzt werden?

Basierend auf den Ausführungen des Zukunftsforschers Lars Thomson im Technologieseminar der HKA lässt sich ein klares Bild davon zeichnen, wie KI die Bildung von der frühen Kindheit bis zur Universität transformieren sollte. Das Kernkonzept besteht darin, KI für die effiziente, individuelle Wissensvermittlung zu nutzen, um Freiräume für praktische Anwendung, soziale Kompetenzen und systemisches Denken zu schaffen.

Das Konzept der „Alpha Schools“ als Vorbild.

Thomson verweist auf das Modell der „Alpha Schools“ in den USA, die Bildung radikal neu denken. Hier lernen Kinder vom Vorschulalter bis zum Highschool-Abschluss nur etwa zwei Stunden am Tag konzentriert mit der KI. Die KI passt sich dabei individuell an das Niveau des Kindes an – sie bietet genau die richtige Schwierigkeitsstufe, um weder zu unter- noch zu überfordern, und nutzt verschiedene Vermittlungswege wie Geschichten oder Formeln, je nachdem, wie das Kind am besten lernt.

Den Rest des Tages verbringen die Schüler damit, das Wissen in der Praxis anzuwenden, Projekte zu bauen, soziale Fähigkeiten zu trainieren und systemisches Denken zu lernen.

Übersicht der KI-Nutzung nach Bildungsstufen.

Die folgende Tabelle strukturiert die im Seminar besprochenen Ansätze und Konzepte für die verschiedenen Ausbildungsphasen:

Zentrale Prinzipien für die Bildung der Zukunft:

• Vom Wissen zur Frage: Da Fachwissen durch KI überall verfügbar und abrufbar ist, sinkt der Wert der reinen Antwort. Entscheidend wird die Fähigkeit, Hypothesen zu bilden und kritische Fragen zu stellen.
• Systemisches Denken statt Silos: Die Ausbildung muss weg von getrennten Fachbereichen. Schüler und Studenten sollen lernen, wie Technik, Ökonomie, Psychologie und Ökologie als Gesamtsystem zusammenhängen.
• Die Rolle der Lehrkräfte: Thomson merkt an, dass derzeit noch ein Mangel an Lehrkräften besteht, die den Schülern den richtigen Umgang mit KI und die Balance zwischen digitaler Arbeit und realer Welt beibringen können.
• Erhalt der Neugier: Das wichtigste Ziel der Ausbildung muss es sein, die kindliche Neugier und das ständige „Warum-Fragen“ nicht abzutrainieren, sondern als produktive Energie für lebenslanges Lernen zu erhalten.

KI sollte in der Ausbildung dazu führen, dass wir nicht „logisches Denken verlernen“, sondern durch die Entlastung bei der Informationsbeschaffung tiefer in die reale Problemlösung und die systemische Gestaltung der Welt einsteigen können.

Wie unterscheiden sich die Alpha Schools vom herkömmlichen Schulsystem?

Die Alpha Schools, ein in den USA ansässiges Bildungskonzept, unterscheiden sich vom herkömmlichen Schulsystem primär durch eine radikale Neugestaltung des Lernalltags und den gezielten Einsatz von Künstlicher Intelligenz.

Hier sind die wesentlichen Unterschiede im Detail:

• Zeitlich begrenztes KI-Lernen: Im Gegensatz zum klassischen Frontalunterricht lernen die Kinder bei den Alpha Schools lediglich zwei Stunden am Tag konzentriert mit einer KI. Diese KI fungiert als individueller Tutor, der den Schwierigkeitsgrad exakt an das Niveau des Kindes anpasst, um Über- oder Unterforderung zu vermeiden.
• Personalisierte Vermittlung: Die KI nutzt unterschiedliche Wege, um Wissen zu vermitteln – etwa über Geschichten oder Formeln –, je nachdem, welcher Lerntyp das jeweilige Kind ist.
• Fokus auf praktische Anwendung: Den überwiegenden Teil des Schultages verbringen die Schüler damit, das theoretisch gelernte Wissen in der Praxis anzuwenden. Anstatt nur theoretisch über Bruchrechnung zu sprechen, wird beispielsweise Schokolade geteilt, um das Konzept haptisch zu begreifen; mechanische Prinzipien werden direkt durch den Bau von Maschinen (z. B. mit Fischertechnik) erprobt.
• Priorisierung von „Soft Skills“: Ein Kernmerkmal ist die Ausbildung von Fähigkeiten, die über reines Fachwissen hinausgehen. Dazu gehören Social Skills, Rhetorik (vor Menschen sprechen), Leadership, Teamarbeit, Konfliktlösung und der Umgang mit Geld.
• Systemisches Denken: Die Schüler werden dazu angeleitet, Zusammenhänge zu verstehen (systemisches Denken), anstatt nur isolierte Fakten für Prüfungen auswendig zu lernen.
• Psychologische Wirkung: Laut Beobachtungen sind die Schüler in diesem System deutlich entspannter („tiefenentspannt“), da das gelernte Wissen durch die sofortige Anwendung eine direkte Relevanz erhält und nicht als abstrakt oder nutzlos wahrgenommen wird.

Die Alpha Schools nutzen KI, um die Wissensvermittlung effizient zu personalisieren, wodurch Zeit gewonnen wird, um die Schüler in sozialen und praktischen Kompetenzen zu stärken, die im herkömmlichen System oft zu kurz kommen.

Wie verändern humanoide Roboter für unter 5.000 Dollar den Arbeitsmarkt?

Humanoide Roboter, die für unter 5.000 US-Dollar (wie der Unitree G1) angeboten werden, markieren einen technologischen und ökonomischen Kipppunkt, der den Arbeitsmarkt grundlegend transformieren wird. Diese Entwicklung führt zu einer Demokratisierung der Hardware, da hochentwickelte Robotik nun für kleine Unternehmen und sogar Privathaushalte erschwinglich wird.

Illustration © stromzeit.ch*

Veränderungen auf dem Arbeitsmarkt.

• Lösung des Fachkräftemangels: Preiswerte Roboter können in Sektoren eingesetzt werden, in denen massiver Personalmangel herrscht, wie in der Pflege, Logistik, Abfallwirtschaft oder im Baugewerbe.
• Enorme Produktivitätssteigerung: Ein humanoider Roboter kann 168 Stunden pro Woche arbeiten, wird nicht krank, benötigt keine Pausen und kann Aufgaben auch nachts oder unter gefährlichen Bedingungen ausführen.
• Verschiebung des Berufsbilds für Ingenieure: Ingenieure werden nicht durch KI ersetzt, aber ihre Rolle wandelt sich hin zum systemischen Denken, wobei sie sich weniger mit Einzelteilen und mehr mit der Integration von Foundation-Modellen und der Wartung komplexer Agentennetzwerke befassen müssen.
• Neue Geschäftsmodelle: Es entstehen Modelle wie "Robot-as-a-Service", bei denen Unternehmen Roboter inklusive Software und Wartung für monatliche Pauschalen (z. B. 5.000 €/Monat) mieten, was oft rentabler ist als menschliche Arbeitskraft in Schichtmodellen.

Potenzieller Nutzen in der Zukunft.

• Alltagsentlastung im Haushalt: Roboter werden komplexe, zeitintensive Aufgaben wie das Wäschefalten, Aufräumen oder die Essenszubereitung übernehmen, wodurch Menschen mehr Zeit für kreative oder soziale Tätigkeiten gewinnen.
• Industrielle Flexibilität: In der Bauindustrie können Roboter eigenständig digitale Zwillinge erstellen, Material transportieren oder Präzisionsaufgaben wie das Verlegen von Fliesen durch das Beobachten von YouTube-Videos erlernen.
• Bewältigung des demografischen Wandels: In einer alternden Gesellschaft sind Roboter die einzige skalierbare Lösung, um die wirtschaftliche Produktivität aufrechtzuerhalten und die Versorgung älterer Menschen sicherzustellen.
• Verfügbarkeit von Arbeit als "Infrastruktur": Langfristig könnte menschliche Arbeit durch Roboter so allgegenwärtig und günstig werden wie Elektrizität – verfügbar auf Knopfdruck ("Labor as a switch").
• Einsatz in DDD-Umgebungen: Roboter übernehmen primär Aufgaben, die für Menschen schmutzig, eintönig oder gefährlich (dirty, dull, dangerous) sind, wodurch die Arbeitssicherheit massiv erhöht wird.

Durch die Kombination aus sinkenden Hardwarekosten und der rasanten Entwicklung von Physical AI (Kognition und Motorik) werden humanoide Roboter in den 2030er Jahren zu einem integralen Bestandteil der physischen Welt, ähnlich wie es das Smartphone für die digitale Welt wurde.

Wie können Agentennetzwerke wie OpenClaw konkrete Aufgaben lösen?

Agentennetzwerke wie OpenClaw markieren den Übergang von der Ära der reinen Wissensabfrage (wie bei ChatGPT) hin zur Ära der Handlung, in der KI-Systeme eigenständig Lösungen für komplexe Aufgaben produzieren. Anstatt lediglich Informationen zusammenzufassen, agieren diese Netzwerke als Verbünde von „Expertenagenten“, die sich selbstständig weiterbilden und voneinander lernen.

Hier ist detailliert aufgeführt, wie diese Netzwerke konkrete Aufgaben lösen:

1. Selbstständige Problemlösung („Sich schlau machen“).

Im Gegensatz zu einfachen Sprachmodellen verzweifeln Agentennetzwerke nicht an unbekannten Aufgaben. Wenn ein Agent nicht weiss, wie eine Aufgabe zu bearbeiten ist, nutzt er seine „produktive Suchenergie“, um sich eigenständig die fehlende Expertise anzueignen oder innerhalb des Netzwerks nach spezialisierten Agenten zu suchen, die das Problem lösen können. Dies ähnelt dem Verhalten eines kompetenten Mitarbeiters, der sich bei neuen Herausforderungen eigenständig „schlau macht“.

2. Verständnis logischer und physischer Systeme.

Moderne Agentennetzwerke basieren nicht mehr nur auf Textvorhersagen (LLMs), sondern verfügen über ein tiefes Verständnis für verschiedene Domänen. Sie begreifen, wie Mechanik, Physik, Chemie und Biologie funktionieren, aber auch logische Systeme wie Steuerrecht, Business-Prozesse oder juristische Rahmenbedingungen. So kann ein Agent beispielsweise auf den Prompt „Maschine, Steuererklärung, fertig!“ reagieren, indem er selbstständig die Buchhaltung sichtet, Belege zuordnet und das geltende Recht anwendet.

3. Hierarchische Planung und Zerlegung von Aufgaben.

Komplexe Aufgaben (wie „Mach mir ein Sandwich“) werden durch eine hierarchische Struktur gelöst:

• High-Level-Policy: Ein übergeordnetes Modell bricht die Gesamtaufgabe in eine Sequenz von atomaren Teilschritten und Sprachbefehlen herunter (z. B. „Nimm die Brotscheibe“, „Lege Käse darauf“).
• Low-Level-Policy: Ein untergeordnetes Modell setzt diese Befehle in konkrete mechanische Aktionen oder Gelenkbewegungen eines Roboters um.

4. Embodied Chain of Thought (ECoT).

Agenten nutzen einen „verkörperten Gedankengang“ (Chain of Thought), um Aufgaben vor der Ausführung zu reflektieren. Anstatt sofort zu handeln, lokalisiert das System zunächst relevante Objekte in der Umgebung, bricht die Aufgabe in Zwischenschritte auf und nutzt logisches Denken, um das beste Werkzeug auszuwählen (z. B. einen Stein statt Papier zu nehmen, um einen Nagel einzuschlagen),

5. Koordination heterogener Teams.

In industriellen Szenarien (z. B. auf Baustellen) können Agentennetzwerke verschiedene Robotertypen (Drohnen, vierbeinige Roboter, Lastwagen) koordinieren. Alle Einheiten nutzen das gleiche „Gehirn“ und sprechen dieselbe Sprache, was es ihnen ermöglicht, autonom zu entscheiden, welcher Roboter für welchen Teil der Mission am besten geeignet ist.

6. Autonome Verbesserungsschleifen.

Agentennetzwerke verbessern sich durch ständiges Feedback:

• Ein Modell schlägt eine Aufgabe vor, ein anderes simuliert oder „imaginiert“ das Ziel.
• Der Roboter versucht die Ausführung, und ein Vision-Language-Modell (VLM) bewertet das Ergebnis.
• Erfolgreiche Versuche werden automatisch in den Trainingsdatensatz aufgenommen, wodurch das System über Nacht ohne menschliches Zutun lernt.

Netzwerke wie OpenClaw lösen Aufgaben dadurch, dass sie als Denk- und Sparringspartner fungieren, die Zeitspanne zwischen Idee und Umsetzung drastisch verkürzen und kognitive Fähigkeiten direkt in physisches Handeln übersetzen.

Was sind Foundation Modelle und wie und wofür können Sie in der Robotik genutzt werden?

Foundation-Modelle markieren einen Paradigmenwechsel in der künstlichen Intelligenz und werden zunehmend zum „Gehirn“ moderner Robotersysteme. Im Gegensatz zu traditionellen Modellen, die für spezifische Einzelaufgaben entwickelt wurden, sind Foundation-Modelle generale Systeme, die auf gewaltigen Mengen unstrukturierter Daten vortrainiert werden.

Illustration © stromzeit.ch*

Was sind Foundation-Modelle?

Foundation-Modelle bilden eine breite Basis („Fundament“), von der aus eine Vielzahl unterschiedlicher Aufgaben mit minimalem zusätzlichem Training bewältigt werden können.

• Vortraining: Sie werden auf Internet-Skala mit Daten wie Texten, Bildern und Videos trainiert, um komplexe Muster und Repräsentationen direkt aus den Rohdaten zu lernen.
• Flexibilität: Ein einziges Modell kann gleichzeitig verschiedenste Benutzeranfragen bearbeiten und sich durch Feinabstimmung (Fine-Tuning) an spezifische Anwendungsfälle anpassen.
• Generalisierung: Sie verfügen über ein breites Verständnis der Welt, was ihnen erlaubt, auch in Situationen Lösungen zu finden, die nicht explizit Teil ihres Trainings waren.

Wie werden sie in der Robotik genutzt?

In der Robotik werden Foundation-Modelle oft als Vision-Language-Action-Modelle (VLAs) implementiert. Der Prozess folgt dabei meist einem zweistufigen Rezept:

1. Vortraining (Pre-training): Das Modell lernt aus heterogenen Datenquellen – etwa aus YouTube-Videos von Menschen, die Aufgaben erledigen, oder aus gesammelten Daten verschiedenster Robotertypen. Hierbei lernt die KI physikalische Grundregeln und semantische Zusammenhänge.
2. Post-Training & Alignment: Das Modell wird auf spezifische Roboter-Hardware oder spezialisierte Aufgaben (wie das Falten von Wäsche) feinabgestimmt. Hierbei werden oft Techniken wie Imitation Learning (Lernen durch Nachahmung von Experten-Demonstrationen) oder Reinforcement Learning (Lernen durch Versuch und Irrtum) eingesetzt.

Ein entscheidender Vorteil ist die Cross-Embodiment-Fähigkeit: Daten von Navigationsrobotern können dabei helfen, die Manipulationsfähigkeiten von Roboterarmen zu verbessern, da das Modell ein allgemeineres Verständnis der physikalischen Welt entwickelt. Zudem nutzen einige Modelle Chain-of-Thought-Reasoning, um komplexe Aufgaben in logische Zwischenschritte zu zerlegen (z. B. erst das Objekt lokalisieren, dann den Greifer positionieren), bevor die physische Aktion ausgeführt wird.

Wofür werden sie genutzt? (Anwendungsbereiche).

Foundation-Modelle ermöglichen es Robotern, über vordefinierte Skripte hinauszugehen und in der „unordentlichen“ realen Welt zu agieren:

• Komplexe Haushaltsaufgaben: Das Entleeren von Wäschetrocknern und das Falten von Kleidung sind Paradebeispiele für Aufgaben, die aufgrund der Variabilität von Stoffen bisher kaum automatisierbar waren.
• Industrie und Handwerk: Einsatz in „Dark Kitchens“ zur Essenszubereitung oder in der Bauwirtschaft für Inspektionen und Materialtransporte.
• Natürliche Interaktion: Roboter können offene Sprachanweisungen verstehen. Man kann ihnen beispielsweise sagen: „Mache mir ein veganes Sandwich ohne Gurken“, und die KI plant die nötigen Schritte autonom.
• Navigation und Mobilität: Steuerung von autonomen Fahrzeugflotten oder Lieferrobotern, die sich in unbekannten Umgebungen ohne vorab erstellte Karten orientieren.
• Demokratisierung der Robotik: Durch Foundation-Modelle und sinkende Hardwarepreise (z. B. humanoide Roboter für unter 5.000 $) wird hochentwickelte Technologie für KMUs und Privathaushalte zugänglich.

Foundation-Modelle dienen in der Robotik dazu, die Lücke zwischen digitaler Intelligenz und physischem Handeln zu schliessen, indem sie Robotern ermöglichen, ihre Umwelt zu verstehen, darüber nachzudenken und zielgerichtete Aktionen auszuführen.

Wie können Foundation Modelle und Roboter auch für die Energiewende genutzt werden?

Foundation Modelle und Roboter spielen eine entscheidende Rolle bei der Bewältigung der Energiewende, indem sie die Geschwindigkeit des Ausbaus erhöhen, die Effizienz der Netze steigern und neue technologische Lösungen ermöglichen.

Hier sind die zentralen Einsatzbereiche basierend auf den Quellen:

1. Automatisierter Bau von Energieinfrastruktur.

Ein wesentlicher Engpass der Energiewende ist die Geschwindigkeit, mit der neue Kapazitäten errichtet werden können. In Texas gibt es bereits Firmen, die den Bau von Solarparks fast vollständig automatisieren.

• Roboter-Einsatz: Speziell entwickelte Roboter übernehmen die Bodenbearbeitung, rammen die Ständer in den Boden, montieren die Traversen und setzen die Solarpanels mit grossen Saugnapfsystemen ein.
• Skalierung: Diese Automatisierung ist laut Experten die einzige Möglichkeit, den massiven Energiebedarf – der ironischerweise auch durch neue KI-Rechenzentren getrieben wird (in Texas wurden Anträge für 416 GW gestellt) – zeitnah zu decken.

2. Selbstoptimierende und „atmende“ Energienetze.

Die Volatilität erneuerbarer Energien (zu viel Strom bei Sonne/Wind, zu wenig bei Flaute) erfordert ein systemisches Denken und intelligente Steuerung.

• Intelligente Netze: Physical AI kann genutzt werden, um Energienetze zu schaffen, die sich selbst optimieren.
• Lastmanagement: Foundation Modelle helfen beim Aufbau eines „atmenden“ Energiesystems, das variable Tarife nutzt und adressierbare Lasten (wie Elektroautos oder Industriespeicher) intelligent steuert, um das Netz stabil zu halten.

3. Inspektion und Wartung von Anlagen.

Roboter, die mit „Field Foundation Models“ (FFMs) ausgestattet sind, können in sogenannten DDD-Umgebungen (Dirty, Dull, Dangerous – schmutzig, eintönig, gefährlich) eingesetzt werden.

• Digital Twins: Roboter können autonom digitale Zwillinge von Energieanlagen (z. B. Stauseen oder Kraftwerken) erstellen, um den Fortschritt zu überwachen oder Schäden frühzeitig zu erkennen.
• Sicherheitschecks: Dieselbe KI-„Gehirn“-Architektur kann auf verschiedenen Plattformen (Drohnen, vierbeinige Roboter, LKWs) genutzt werden, um koordinierte Sicherheitsüberprüfungen an abgelegenen Energieinfrastrukturen durchzuführen.

4. Innovation in der Batterietechnologie.

Für eine erfolgreiche Energiewende sind effiziente Speicher unerlässlich. Hier hilft die Kombination aus KI und Materialwissenschaft:

• Natrium-Ionen-Batterien: Durch systemisches Engineering rücken Batterien auf Basis von überall verfügbaren Stoffen wie Salz (Natriumchlorid) in den Fokus. Dies verringert die Abhängigkeit von knappen Rohstoffen wie Lithium oder Kobalt.
• Produktion: Roboter und KI-gesteuerte Simulationen beschleunigen den Entwurf und die grossskalige Produktion dieser neuen Speichertypen.

5. Synergien mit der Mobilitätswende.

Die Energiewende ist eng mit der Mobilitätswende verknüpft. Elektrofahrzeuge fungieren im Gesamtsystem als mobile Speicher:

• Sektorenkopplung: Deutschland baut monatlich Kapazitäten von etwa 1 GW an regenerativer Leistung zu, was rechnerisch für 400.000 Elektroautos ausreicht.
• Autonome Logistik: KI-gesteuerte Fahrzeuge und Roboter in der Logistik senken die Betriebskosten und machen den Verzicht auf fossile Brennstoffe ökonomisch attraktiver, da Elektroantriebe im Betrieb deutlich günstiger sind.

Foundation Modelle ermöglichen eine Konvergenz von Hardware und Intelligenz, die es erlaubt, die komplexen, fachübergreifenden Herausforderungen der Energiewende – von der Chemie der Batterie bis zur Mechanik des Solarpark-Baus – in einem Bruchteil der bisherigen Zeit zu lösen.

Warum ist systemisches Denken für Ingenieure in der Robotik so wichtig?

Systemisches Denken hat sich laut den Quellen, insbesondere den Ausführungen des Zukunftsforschers Lars Thomson, zur entscheidenden Kernkompetenz für Ingenieurinnen und Ingenieure der 2030er Jahre entwickelt. In einer Ära, in der technische Einzelheiten zunehmend von Künstlicher Intelligenz (KI) gelöst werden können, liegt der eigentliche Wert menschlicher Ingenieurskunst in der Fähigkeit, komplexe Wirkungsgefüge zu verstehen und zu gestalten, anstatt lediglich isolierte Komponenten zu optimieren.

Hier sind die Gründe, warum systemisches Denken in der Robotik heute so essenziell ist:

1. Überwindung des „Silo-Denkens“.

Traditionell sind Ingenieursdisziplinen wie Mechatronik, Informatik, Elektrotechnik und Materialwissenschaften oft getrennt. In der modernen Robotik ist dies jedoch nicht mehr zielführend:

• Konvergenz der Technologien: Moderne Roboter entstehen an den Schnittstellen von KI (Software-Gehirn) und hochkomplexer Mechatronik (physischer Körper),. Ein System wie ein humanoider Roboter mit 78 Freiheitsgraden erfordert die gleichzeitige Koordination von Mechanik, Optik, Sensorik und Kognition.
• Interdisziplinäre Zusammenarbeit: Innovationen finden heute dort statt, wo Fachbereiche wie Biologie, Chemie und KI zusammengeführt werden, beispielsweise bei der Entwicklung neuer Batterietechnologien auf Natrium-Ionen-Basis.

2. Beherrschung der „Physical AI“ (Physische KI).

Der aktuelle „Tipping Point“ besteht darin, dass KI den Bildschirm verlässt und in die physische Welt eintritt.

• Systemisches Verständnis der Physik: Während digitale KI nur in der Welt der Bits lebt, muss Physical AI die Regeln der Mechanik, Physik und Biologie begreifen. Ingenieure müssen verstehen, wie ein Roboter durch das Beobachten von Videos (Schwarm-Lernen) komplexe handwerkliche Aufgaben lernt und diese in einer „unordentlichen“ realen Welt umsetzt.
• Cross-Embodiment: Das Ziel moderner Forschung ist eine „allgemeine physische Intelligenz“ – ein einziges Gehirn, das verschiedenste Robotertypen (Arme, Humanoide, Drohnen) steuern kann. Nur systemisches Denken erlaubt es, die Gemeinsamkeiten dieser unterschiedlichen Architekturen zu nutzen.

3. Effizienz und Geschwindigkeit der Umsetzung.

Systemisches Denken verkürzt die Zeitspanne zwischen einer Idee und ihrer Realisierung:

• Ganzheitliche Simulation: Durch den Einsatz von Foundation Modellen und Weltmodellen (World Models) können Ingenieure ganze Szenarien digital simulieren und evaluieren, bevor sie in die teure physische Welt gehen.
• Agile Iteration: Anstatt drei Jahre an einem Prototyp zu planen, ermöglicht systemisches Verständnis die Nutzung von 3D-Druck und KI-gestützten Tests, um innerhalb von Tagen erste „Minimal Viable Products“ zu schaffen.

4. Strategische Lösung gesellschaftlicher Grossprobleme.

Einzelne technische Lösungen versagen oft, wenn sie nicht im Gesamtsystem betrachtet werden. Thomson verdeutlicht dies am Beispiel der Energiewende:

• Das „atmende“ System: Ein Ingenieur darf nicht nur Solarpanels bauen, sondern muss das gesamte Netz als Ökosystem begreifen, das Speicher (Batterien), intelligente Steuerung (variable Tarife) und adressierbare Lasten (E-Autos) integriert.
• Wirtschaftlichkeit und Skalierung: Ein systemischer Ansatz erkennt, dass eine Schiffsladung Solarpanels 85-mal mehr Energie liefert als ein Öltanker, wenn man die gesamte Lebensdauer betrachtet.

5. Der Wertewandel: Von der Antwort zur Frage.

In einer Zeit, in der Fachwissen durch KI überall verfügbar und fast kostenlos ist, sinkt der Wert der reinen „Fach-Antwort“.

• Die richtige Frage stellen: Der Erfolg eines Ingenieurs hängt zukünftig davon ab, wie gut er Hypothesen bilden und systemische Fragen stellen kann. Er fungiert weniger als wandelndes Lexikon, sondern als Dirigent und Sparing-Partner von KI-Systemen, um technologische Souveränität zu erreichen.

Fazit: Systemisches Denken ist für Ingenieure deshalb so wichtig, weil es sie befähigt, die „Grammatik des Entwickelns“ neu zu definieren. Es ist die Fähigkeit, in einer Welt von Milliarden Informationen das Wesentliche zu erkennen (Urteilskraft) und Technik so zu gestalten, dass sie sicher, sozialverträglich und ökologisch sinnvoll in unsere Gesellschaft integriert wird.

Was ist das "Embodied Chain of Thought"-Konzept?

Das „Embodied Chain of Thought“-Konzept (ECoT) ist eine Anpassung des aus grossen Sprachmodellen (LLMs) bekannten „Chain of Thought“-Verfahrens auf die Robotik. Anstatt einem Roboter einen komplexen Befehl zu geben, den er direkt in Motorbewegungen umsetzen muss, führt dieser Ansatz logische Zwischenschritte ein, die den physischen Körper und die Umgebung des Roboters einbeziehen.

Kernaspekte des ECoT-Konzepts:

• Logische Zerlegung: Anstatt eine Aufgabe wie „Reinige das Spülbecken“ sofort physisch zu starten, zerlegt das Modell die Aufgabe in Zwischenschritte. Dazu gehören die Lokalisierung relevanter Objekte in der Szene, die Bestimmung der Position des Greifers (Endeffektors) und die Planung einzelner Teilaufgaben.
• Synthetische Supervision: Um dem Roboter dieses „Denken“ beizubringen, werden während des Trainings Daten von anderen KI-Systemen genutzt. Beispielsweise kann ein Modell wie Gemini eine Aufgabe in Schritte zerlegen, während Segmentierungsmodelle wie SAM (Segment Anything Model) Bildbereiche identifizieren. Diese Informationen dienen als künstliche Anleitung für das Robotermodell.
• End-to-End-Steuerung: Trotz der Denkschritte wird das Modell (wie z. B. openVLA) so trainiert, dass es sowohl das logische Denken als auch die direkte Motorsteuerung (Joint-Befehle) in einem einzigen Durchlauf (Forward Inference) ausführt.
• Wahrnehmung und Handeln: In der Praxis identifiziert das Modell beispielsweise zuerst wichtige Key Points oder Segmente im Kamerabild und gibt erst darauf basierend die physischen Aktionen aus, um eine Aufgabe (z. B. „Lege den Pilz in den rechten Behälter“) erfolgreich abzuschliessen.

Nutzen für die Robotik:

Das Ziel von ECoT ist es, die Interpretations- und Reasoning-Fähigkeiten von Vision-Language-Modellen direkt auf die physische Kontrolle zu übertragen. In akademischen Experimenten führte die Einbindung dieses Chain-of-Thought-Prozesses zu einer signifikanten Leistungssteigerung, wobei die Erfolgsraten bei komplexen Aufgaben von etwa 37 % auf 65 % stiegen. 

Was sind die Vorteile von Cross-Embodiment-Training?

Das Cross-Embodiment-Training, bei dem ein einzelnes KI-Modell auf Daten von vielen verschiedenen Robotertypen und Plattformen trainiert wird, bietet signifikante Vorteile gegenüber spezialisierten Modellen. Anstatt für jeden Roboter ein eigenes Modell zu entwickeln, lernen diese „Generalisten“ aus der Vielfalt der Daten und entwickeln ein tieferes Verständnis der physischen Welt.

Illustration © stromzeit.ch*

Hier sind die zentralen Vorteile im Detail:

1. Überlegene Leistung gegenüber Spezialisten.

Ein überraschendes Ergebnis der Forschung ist, dass Generalisten-Modelle oft besser abschneiden als spezialisierte Modelle, die nur für eine bestimmte Aufgabe auf einem spezifischen Roboter trainiert wurden.

• Höhere Erfolgsraten: In akademischen Vergleichen erzielte ein Cross-Embodiment-Modell (RT-2-X) eine durchschnittlich 50 % höhere Erfolgsquote als die spezialisierten Lösungen der einzelnen Labore für ihre eigenen Aufgaben.
• Outperformance: Das Modell war in der Lage, die Spezialisten auf ihrem eigenen Fachgebiet zu schlagen, da es durch die Vielfalt der Daten robustere Lösungswege lernte.

2. Massive Verbesserung der Generalisierung.

Cross-Embodiment-Training ermöglicht es Robotern, mit Situationen umzugehen, die sie im Training nie zuvor gesehen haben.

• Faktor 3 Steigerung: Bei schwierigen Generalisierungstests führte die Einbeziehung heterogener Datenquellen zu einer dreifach höheren Erfolgsrate im Vergleich zu Modellen, die nur auf einem spezifischen Roboter trainiert wurden.
• Robustheit: Die Roboter können dadurch Anweisungen interpretieren, die ausserhalb ihrer ursprünglichen Trainingsverteilung liegen, und besser auf räumliche Logikaufgaben reagieren.

3. Positiver Wissenstransfer zwischen Plattformen.

Ein wesentlicher Vorteil ist der sogenannte „Positive Transfer“, bei dem Daten von völlig unterschiedlichen Plattformen (z. B. fahrbare Roboter vs. Roboterarme) die Leistung gegenseitig befruchten.

• Navigation hilft Manipulation: Experimente zeigten, dass die Einbeziehung von Navigationsdaten (z. B. von ATVs oder kleinen RC-Autos) und sogar Dashcam-Videos von fahrenden Autos die Erfolgsquote bei Manipulationsaufgaben (wie dem Greifen von Objekten) von 51 % auf 71 % steigerte.
• Verständnis der Welt: Durch das Sehen verschiedener Facetten der physischen Welt entwickeln die Modelle ein besseres allgemeines Verständnis von physikalischen Gesetzen, was jedem einzelnen Roboter zugute kommt.

4. Skalierbarkeit und Effizienz.

Durch Cross-Embodiment-Ansätze können Datenlücken effizienter geschlossen werden.

• Ein „Gehirn“ für viele Körper: Modelle wie Cross-Former können gleichzeitig vierbeinige Roboter, Drohnen, fahrbare Systeme und ein- oder zweiarmige Manipulatoren steuern.
• Daten-Flywheel: Sobald Roboter gut genug sind, um im Alltag eingesetzt zu werden, sammeln sie enorme Mengen an vielfältigen Daten, die wiederum das zentrale Modell für alle anderen Roboterformen verbessern.
• Kompensation von Hardware-Mängeln: Ein leistungsfähiges Cross-Embodiment-Modell („Brain“) kann Schwächen oder Limitierungen der jeweiligen Roboter-Hardware durch bessere Software-Intelligenz ausgleichen.

5. Counterintuitive Scaling (Gegenintuitive Skalierung).

In der Welt der physischen KI gilt ein besonderes Gesetz: Je mehr verschiedene Aufgaben und Roboter ein Modell bewältigen muss, desto besser wird es in jeder einzelnen dieser Aufgaben. Dies steht im Gegensatz zum klassischen Unternehmertum, wo Spezialisierung oft der Schlüssel zum Erfolg ist. In der Robotik führt die Bearbeitung aller Märkte und Aufgaben gleichzeitig zu den besten Ergebnissen für spezifische Anwendungen wie etwa das Wäschefalten im Haushalt.

Was sind die grössten Herausforderungen bei der Evaluation von Roboter-Modellen?

Die Evaluation von Roboter-Modellen gilt in der Forschung als eines der schwierigsten und bisher ungelösten Probleme („a very, very hard problem“), da sie im Gegensatz zu rein digitalen KI-Systemen mit der Komplexität der physischen Welt konfrontiert ist.

Illustration © stromzeit.ch*

Hier sind die grössten Herausforderungen im Detail:

1. Der „Sim-to-Real Gap“.

Eine der zentralen Hürden ist die Diskrepanz zwischen Simulation und Realität. Während Lokomotion (Fortbewegung) in Simulationen bereits gut gelöst ist, bleibt die Manipulation (Greifen und Bewegen von Objekten) extrem schwierig.

• Physikalische Komplexität: In Simulationen ist es sehr schwer, das exakte Verhalten von Objekten bei Berührung, deren Gewicht (z. B. wie schwer eine Flasche ist) oder Reibung unter verschiedenen Bedingungen (z. B. Luftfeuchtigkeit) akkurat abzubilden.
• Visuelle Wiedergabetreue: Die „messy reality“ bietet oft unvorhersehbare Lichtverhältnisse oder Hintergründe, die in Simulationen oft nicht präzise genug modelliert werden, was dazu führt, dass in der Simulation erfolgreiche Modelle in der realen Welt scheitern.

2. Zeitliche und physische Barrieren.

Im Gegensatz zu Large Language Models (LLMs), die in virtuellen Welten mit enormer Geschwindigkeit (begrenzt nur durch Rechenleistung) evaluiert werden können, ist die Robotik an die Lichtgeschwindigkeit der realen Zeit gebunden.

• Fehlende automatisierte Verifizierer: Während ein Computer bei Textaufgaben sofort prüfen kann, ob ein Code funktioniert, muss ein Roboter die Aufgabe physisch ausführen. Man kann diesen Prozess nicht einfach „millionenfach beschleunigen“, ohne echte Roboter in Echtzeit agieren zu lassen.
• Hardware-Engpässe: Evaluationen an physischen Flotten sind teuer und zeitintensiv. Feedback-Schleifen sind daher wesentlich langsamer als in der rein digitalen Welt.

3. Statistische Signifikanz bei Hochleistungsmodellen.

Ein paradoxes Problem ist, dass die Evaluation schwieriger wird, je besser die Modelle werden.

• Stichprobengrösse: Wenn ein Modell eine Erfolgsquote von 99 % erreicht, benötigt man eine enorme Anzahl an Testläufen (Samples), um statistisch signifikant zu belegen, ob eine Verbesserung auf 99,9 % vorliegt.
• Breite der Aufgaben: Da moderne Modelle generalistisch ausgelegt sind, müssen sie über tausende verschiedene Aufgaben und Roboter-Morphologien hinweg getestet werden, was den Evaluationsaufwand exponentiell erhöht.

4. Qualitative Unklarheiten und mangelnde Standards.

Die Definition von „Erfolg“ oder „Generalisierung“ ist in der Robotik oft vage.

• Unpräzise Metriken: Viele Forschungsarbeiten nutzen Balkendiagramme für die Generalisierung, ohne qualitativ zu beschreiben, wie schwierig die Aufgabe tatsächlich war (z. B. ob nur ein minimal anderes Gewicht gehoben wurde).
• Ambivalenz der Ziele: Aufgabenbeschreibungen durch Text (z. B. „falte die Wäsche“) können sehr unterschiedlich interpretiert werden, was eine objektive Erfolgsmessung erschwert.

5. Infrastruktur und Realzeit-Probleme.

• Inferenzverzögerung: Bei der Evaluation von Vision-Language-Action (VLA) Modellen tritt oft eine Verzögerung (Latency) auf. Wenn die Berechnung der nächsten Aktion zu lange dauert, entstehen Pausen oder Ruckeln („jittering“) in der Bewegung, was die Leistung des Roboters im Test negativ beeinflusst.
• Zugang zu Hardware: Nicht jedes Labor verfügt über teure humanoide Roboter. Daher gewinnen Cloud-Plattformen an Bedeutung, auf denen Forscher ihre Modelle remote auf echten Robotern testen lassen können.
  
  

Illustration © stromzeit.ch*

Die Robotik benötigt dringend bessere Simulations-Frameworks (Weltmodelle) und automatisierte Evaluations-Tools, um den Fortschritt ähnlich schnell wie bei Sprachmodellen voranzutreiben.

Wie können wir in Europa eine politisch neutrale KI finanzieren?

In Europa gibt es verschiedene Ansätze, um eine politisch neutrale und gesellschaftsdienliche KI zu finanzieren und zu etablieren, wobei der Fokus stark auf rechtlichen Rahmenbedingungen und neuen Kooperationsmodellen liegt.

Hier sind die zentralen Punkte basierend auf den Quellen:

1. Rechtliche Grundlagen als Finanzierungsschutz.

Europa nutzt den AI Act und den Data Act, um die Macht der grossen Hyperscaler (wie Microsoft oder Google) einzuschränken.

• Datensouveränität: Im Gegensatz zu den USA oder China gehört in Europa das Datum dem Erzeuger (dem Menschen) und nicht der Plattform. Dies schafft eine Basis für Geschäftsmodelle, die auf Datensouveränität basieren und somit für europäische Investoren attraktiv sind, die Wert auf Sicherheit und Konformität legen.
• Gesellschaftsdienlichkeit: Europa hat die Chance, KI-Systeme zu entwickeln, die nicht rein profitgetrieben sind ("Shareholder Value"), sondern der Gesellschaft dienen, indem sie beispielsweise die Energiepreise senken oder die Umwelt schützen.

2. Finanzierung durch Risikokapital und Startups.

Obwohl es in Deutschland schwieriger ist als in den USA, gibt es Risikokapital für innovative Ideen.

• Startup-Gründungen: Ingenieure werden ermutigt, eigene Startups zu gründen, um deutsche Ingenieurskunst mit KI zu verbinden (z. B. "Automotive Grade" Robotik).
• Nischenbesetzung: Durch die Spezialisierung auf physische KI (Robotik für Industrie, Bau oder Pflege) können europäische Firmen Märkte besetzen, die für reine Software-Giganten schwer zugänglich sind.

3. Neue Finanzierungs- und Betriebsmodelle.

Anstatt nur Hardware zu verkaufen, rücken Service-Modelle in den Fokus:

• Robot-as-a-Service: Unternehmen könnten Roboter inklusive Software für eine monatliche Gebühr (z. B. 5.000 €) mieten. Die Finanzierung erfolgt hierbei über die Produktivitätssteigerung beim Kunden, während die KI-Modelle durch kontinuierliches Lernen im Feld verbessert werden.
• Crowdsourcing und Kooperationen: Um die enormen Datenmengen für das Training zu bewältigen, wird auf Crowdsourcing oder die Zusammenarbeit zwischen Forschungsgruppen und "Data Vendors" gesetzt.

4. Sicherstellung politischer Neutralität.

Die Neutralität der KI kann durch die Art der Nutzung und Entwicklung gewährleistet werden:

• Neutrale Prompts: Anstatt KI politisch zu instrumentalisieren, können ihr neutrale, systemische Aufgaben gestellt werden (z. B. Berechnung von Energieszenarien ohne politische Vorgaben), um rein faktenbasierte Lösungen zu erhalten.
• Open Source: Die Veröffentlichung von Modellen als Open Source (wie Psi-0 oder OpenVLA) erhöht die Wahrscheinlichkeit, dass Probleme gemeinschaftlich gelöst werden und die Technologie nicht in den Händen einzelner Konzerne monopolisiert wird.
• Wertebasierte Entwicklung: Europa kann ein Modell für eine KI sein, die sicher und sozialverträglich ist, was langfristig einen Wettbewerbsvorteil gegenüber rein profitorientierten Modellen darstellt.

Der europäische Weg liegt in einer Kombination aus starken regulatorischen Leitplanken, privatem Gründergeist und der Ausrichtung der Technologie auf den gesellschaftlichen Nutzen.

Was sind die grössten Hürden beim Aufbau einer deutschen Roboterindustrie?

Basierend auf den Quellen, insbesondere den Analysen des Zukunftsforschers Lars Thomson, lassen sich die grössten Hürden beim Aufbau einer starken deutschen Roboterindustrie in gesellschaftliche, organisatorische und technologische Bereiche unterteilen.

1. Das demographische und politische Dilemma.

Eine der grössten strukturellen Hürden in Deutschland ist das „demographische Dilemma“.

• Wählerstruktur: Der Median des Wahlalters liegt in Deutschland bei fast 56 Jahren. Dies führt dazu, dass politische Entscheidungen oft kurzfristig und auf die Interessen einer älteren Mehrheit (z. B. Benzinpreise oder Steuererleichterungen) ausgerichtet sind, anstatt langfristige, systemische Zukunftsprojekte wie eine nationale Roboterstrategie voranzutreiben.
• Analoge Politik: Die politische Führung wird als weitgehend „analog“ beschrieben. Es fehle an Entscheidungsträgern, die komplexe technische Zusammenhänge (wie den Unterschied zwischen Kilowatt und Kilowattstunde) durchdringen, was eine vorausschauende Energie- und Technologiepolitik erschwert.

2. Kulturelle Barrieren: Arroganz und mangelnde Neugier.

Thomson kritisiert eine verbreitete Verschlossenheit gegenüber neuen Entwicklungen in deutschen Führungsetagen.

• Fehlende „Suchenergie“: Während Länder wie China neugierig von anderen lernen, herrsche in Deutschland oft Arroganz. Als Beispiel nennt Thomson Manager, die Einladungen zu Technologie-Explorationen in China aus Kostengründen oder Zeitmangel ablehnen, während dort bereits Dark Kitchens und Dark Factories im grossen Stil entstehen.
• Angst vor Veränderung: Anstatt Roboter als Lösung für den Fachkräftemangel zu begreifen, dominiert oft die Sorge, Maschinen könnten Arbeitsplätze wegnehmen.

3. Organisatorische Hürden: Silo-Denken.

Die aktuelle Struktur von Forschung und Industrie behindert den notwendigen interdisziplinären Ansatz.

• Getrennte Fachbereiche: Mechatronik, KI-Forschung, Biologie und Chemie agieren oft in getrennten „Silos“. Für moderne Robotik müssen diese Disziplinen jedoch systemisch zusammengeführt werden, da die Intelligenz (Foundation Modelle) untrennbar mit der Hardware (Präzisionsmechanik) verbunden ist.
• Mangelnde Umsetzungskraft: Es werde in Deutschland zu viel in PowerPoint-Folien philosophiert und zu wenig in Prototypen und Piloten gedacht. Der Zeitraum zwischen Idee und realer Anwendung muss drastisch verkürzt werden.

4. Technologische und wissenschaftliche Herausforderungen.

Trotz der deutschen Stärke in der Präzisionsmechanik gibt es spezifische technische Hürden:

• Übergang zur Massenproduktion: Deutschland ist Weltmeister darin, Maschinen zu bauen, die extremen Bedingungen standhalten („Automotive Grade“), hat aber den Anschluss bei der Massenproduktion humanoider Roboter verloren, die bereits für unter 5.000 $ angeboten werden.
• Der Sim-to-Real-Gap: Die Lücke zwischen Simulation und der „unordentlichen“ Realität ist besonders bei der Manipulation von Objekten (z. B. Wäschefalten) noch immer eine enorme wissenschaftliche Hürde.
• Rechenleistung und Latenz: Der Aufbau von KI-Infrastrukturen erfordert gigantische Mengen an Energie und effiziente Hardware (GPUs), deren Knappheit und Kosten den Fortschritt bremsen. Bei der Echtzeit-Steuerung von Robotern führen Verzögerungen (Inferenz-Latenz) zudem oft noch zu ruckeligen Bewegungen.

Die Hürde liegt weniger im mangelnden Fachwissen, sondern in der Unfähigkeit, Wissen systemisch zu vernetzen, politisch langfristig zu planen und mit radikaler Neugier neue Märkte wie die kognitive Robotik zu besetzen.

Disclaimer / Abgrenzung

Stromzeit.ch übernimmt keine Garantie und Haftung für die Richtigkeit und Vollständigkeit der in diesem Bericht enthaltenen Texte, Massangaben und Aussagen.

Quellenverzeichnis (Juli 2026).

Die Ingenieure der 2030er Jahre | ein Zukunftsforscher hat die Antwort | Erneuerbare Energien | HKA
https://www.youtube.com/watch?v=maqOjQQd-lk

What is a Foundation Model ?
https://www.youtube.com/watch?v=hdCuyPkaRBI

Physical Intelligence: Building the Foundation Model for Powering Robots
https://www.youtube.com/watch?v=bRD8g7oMRHE

What is Physical AI? How Robots Learn & Adapt in Real Life
https://www.youtube.com/watch?v=GOsnf5lOIrI

Chelsea Finn: Building Robots That Can Do Anything
https://www.youtube.com/watch?v=a8-QsBHoH94

Actuate 2024 | Sergey Levine | Robotic Foundation Models
https://www.youtube.com/watch?v=mXFH7xs_k_I

Robot Learning 2025: Foundational Models for Robotics and Scaling DeepRL
https://www.youtube.com/watch?v=1ZuvCWvj0HM&list=PLMe2pHxzxHp-UJ1jd-uuGSGK7P7Phtm-f

General Purpose Robot Brains A New Era of Industrial AI
https://www.youtube.com/watch?v=8aiZnJ4CCIU

Architecting AI platforms for foundation model scale - Christian Stano | PlatformCon 2026
https://www.youtube.com/watch?v=gpyUOkQBv24

Stanford Robotics Seminar ENGR319 | Winter 2026 | 𝚿0: An Open Foundation Model
https://www.youtube.com/watch?v=popjDuA-whA

In diesem Artikel auf basis eines Technologieseminars an der Hochschule Karlsruhe analysiert der Zukunftsforscher Lars Thomson den tiefgreifenden Wandel des Ingenieurberufs durch die exponentielle Entwicklung der künstlichen Intelligenz. Er beschreibt den aktuellen Übergang von rein digitalen Sprachmodellen hin zur physischen KI und Robotik, welche die industrielle Produktion und den Alltag in den nächsten Jahren revolutionieren wird. Thomson betont, dass technische Fachkräfte künftig weniger als reine Wissensspeicher, sondern vielmehr als systemische Denker mit ausgeprägter Neugier und Umsetzungskraft agieren müssen. Dabei kritisiert er eine mangelnde Innovationsbereitschaft sowie mangelndes systemisches Verständnis in der deutschen Politik und Wirtschaft, insbesondere im Bereich der Energiewende und Automatisierung. Das Ziel des Vortrags ist es, Studierende dazu zu motivieren, durch interdisziplinäre Kompetenz und Gestaltungswillen die technologische Zukunft aktiv mitzugestalten. Ingenieure werden laut Thomson wichtiger denn je, sofern sie KI als erweiterndes Werkzeug für komplexe Problemlösungen begreifen.

Illustration © stromzeit.ch* Gemini Notebook:

Die Weiterverwendung einzelner Illustrationen erfordert eine explizite Bewilligung von stromzeit.ch.