Physical AI: Ein Roboter spielt Tennis — und das verändert alles

Mitte März 2026 ging ein Video viral. Ein humanoider Roboter steht auf einem Tennisplatz, hält einen normalen Schläger und spielt Rally gegen einen Menschen. Kein Trick. Kein vorprogrammierter Ablauf. Echtzeit-Reaktionen auf Bälle, die mit über 15 Metern pro Sekunde fliegen.

Das Video stammt von Galbot Robotics. Die Trefferquote des Roboters: 96.5 Prozent bei Vorhand-Schlägen. In Tests hielt er über 25 Ballwechsel am Stück durch. Die Trainingsgrundlage: gerade einmal fünf Stunden menschlicher Bewegungsdaten.

Was auf den ersten Blick wie eine technische Spielerei wirkt, markiert einen Wendepunkt. Physical AI verlässt das Labor.

Was ist Physical AI?

Seit dem Durchbruch von ChatGPT Ende 2022 dominiert eine Art von KI die Schlagzeilen: Sprachmodelle. Sie schreiben Texte, analysieren Daten, führen Gespräche. Doch sie existieren nur in der digitalen Welt.

Physical AI geht einen Schritt weiter. Hier lernen Maschinen, die physische Welt zu verstehen und in ihr zu handeln. Sie greifen nach Objekten, navigieren durch Räume und reagieren in Millisekunden auf Veränderungen. Der Tennisroboter ist das bisher eindrücklichste Beispiel dafür.

NVIDIA-CEO Jensen Huang sprach bereits auf der GTC 2026 vom “ChatGPT-Moment für Physical AI”. Deloitte bestätigt den Trend: 58 Prozent der befragten Unternehmen setzen bereits Physical AI ein. Innerhalb der nächsten zwei Jahre soll diese Zahl auf 80 Prozent steigen.

Wie das LATENT-System funktioniert

Hinter dem Tennis-Roboter steckt das LATENT-System. Der Name steht für Learning Athletic humanoid TEnnis skills from imperfect human motioN daTa. Entwickelt wurde es von Forschern der Tsinghua-Universität und der Peking-Universität in Zusammenarbeit mit Galbot Robotics.

Das Besondere: Der Roboter lernte nicht aus perfekten Profi-Aufnahmen. Fünf Amateurspieler lieferten kurze Bewegungsfragmente. Vorhand, Rückhand, Seitwärtsschritt. Aufgenommen auf einem Mini-Court, der 17 Mal kleiner war als ein Standard-Tennisplatz. Insgesamt fünf Stunden Material.

Vier Schritte zum Tennis-Roboter

1. Bewegungen erfassen: Ein Motion-Tracking-System zeichnete die Grundbewegungen der fünf Spieler auf.
2. Latenten Aktionsraum bauen: Per Online-Destillation entstand ein korrigierbarer Bewegungsraum, der die imperfekten Daten in nutzbare Aktionen übersetzte.
3. Strategie trainieren: Eine High-Level-Policy lernte, wann welche Bewegung zum Einsatz kommt und wie sie korrigiert werden muss.
4. Transfer in die Realität: Durch Dynamik-Randomisierung und Sensorrauschen wurde die Policy robust genug für den echten Platz.

Das Ergebnis: ein Roboter, der nicht nur einzelne Bälle zurückschlägt, sondern sich fliessend über den Platz bewegt und auf unterschiedliche Spielstile reagiert. Getestet mit Spielern verschiedenen Alters und Niveaus.

Warum das für Unternehmen relevant ist

Tennis spielen ist beeindruckend. Doch der eigentliche Durchbruch liegt in der Methode. Das LATENT-System zeigt: Roboter können komplexe physische Aufgaben aus wenigen Stunden imperfekter menschlicher Daten lernen. Das verändert die Gleichung für den industriellen Einsatz grundlegend.

Wo Physical AI bereits arbeitet

Die Anwendungsfelder wachsen rasant:

• Logistik: Amazon betreibt über eine Million Roboter in seinen Lagern. Autonome Lieferroboter sind in Städten unterwegs.
• Fertigung: BMW testet humanoide Roboter für Präzisionsaufgaben in seinem Werk in South Carolina. Audi und weitere Autobauer laufen Pilotprojekte.
• Gesundheitswesen: GE HealthCare entwickelt autonome Röntgen- und Ultraschallsysteme mit Roboterarmen. Rehabilitationszentren testen humanoide Assistenten.
• Infrastruktur: Städte wie Cincinnati nutzen KI-gesteuerte Drohnen für autonome Brückeninspektionen.

UBS prognostiziert zwei Millionen humanoide Roboter am Arbeitsplatz bis 2035. Bis 2050 könnten es 300 Millionen sein. Der adressierbare Markt: 1.4 bis 1.7 Billionen Dollar.

Die Kosten sinken schnell

Die Herstellungskosten für humanoide Roboter fielen zwischen 2023 und 2024 um 40 Prozent. Das Materialbudget pro Einheit soll innerhalb eines Jahrzehnts von 35’000 auf 13’000 bis 17’000 Dollar fallen. Unitrees G1, der Roboter aus dem Tennis-Video, kostet heute bereits rund 16’000 Schweizer Franken.

Der Schweizer Robotik-Vorteil

Die Schweiz ist in dieser Entwicklung nicht Zuschauer, sondern Mitgestalter. Der ETH-EPFL-Korridor gilt als führender Robotik-Cluster Europas. Über 55 risikokapitalfinanzierte Robotik-Startups mit einem kombinierten Unternehmenswert von zwei Milliarden Dollar sind hier angesiedelt.

Die Universität Zürich hat kürzlich den Unitree G1 erstmals in der Schweiz präsentiert. Die Robotics and Perception Group arbeitet dort an Wahrnehmung, Planung und Steuerung für humanoide Roboter.

EPFL betreibt 12 Labors für Kernrobotik-Forschung und rangiert weltweit auf Platz sechs. ETH Zürich hat Startups wie ANYbotics hervorgebracht, die bereits vierbeinige Inspektionsroboter kommerziell einsetzen.

Für Schweizer Unternehmen bedeutet das: Die Talente, die Forschung und die Infrastruktur für Physical AI sind direkt vor der Haustür.

Was KMU jetzt tun sollten

Physical AI klingt nach Grosskonzern-Thema. Doch die Einstiegshürde sinkt schnell. Drei konkrete Schritte:

1. Prozesse identifizieren: Welche repetitiven physischen Aufgaben kosten heute am meisten Zeit? Logistik, Qualitätskontrolle und Montage sind typische Startpunkte.
2. Pilotprojekte starten: Cobots (kollaborative Roboter) von Anbietern wie Universal Robots oder ABB sind für KMU erschwinglich und erfordern keine Fabrikhalle.
3. Kompetenz aufbauen: KI-Grundwissen im Team verankern. Wer die Möglichkeiten versteht, erkennt die passenden Anwendungsfälle im eigenen Betrieb.

Der Tennis-Roboter ist nicht das Ziel. Er ist der Beweis, dass die Technologie reif ist. Und dass die nächste Welle der KI-Transformation nicht auf dem Bildschirm stattfindet, sondern in der echten Welt.

Elevate AI hilft Schweizer KMU, die richtigen KI-Anwendungen zu identifizieren und umzusetzen. Von der kostenlosen KI-Espresso Demo bis zum Fractional Chief AI Officer: Wir begleiten Sie auf dem Weg zur KI-Integration.