Robotik-Foundation-Models: Die Kosten wandern aus der Cloud ins Firmware

Die These: Die Kosten der Autonomie wandern, statt im Training einzubrechen

Die Kosten von Robotik-Foundation-Models sinken nicht mehr dort, wo alle sie messen. Sie sinken außerhalb des Rechenzentrums, in einem leichtgewichtigen Modell, das auf einer Bord-CPU läuft. Das ist ein Regimewechsel, kein Trend.

Das Papier, das es belegt, trägt das Datum 24. September 2026.

Ein Foundation Model für Zeitreihen, TSPulse, arbeitet offline und erzeugt Pseudo-Labels auf Telemetriedaten, die mit injizierten Fehlern angereichert wurden. An Bord läuft etwas anderes: ein Student MiniRocket, aktualisiert durch einen rekursiven Kleinste-Quadrate-Schätzer.

Das große Modell wird zum Werkstattwerkzeug, einmal benutzt. Das kleine Modell wird zum verkauften Produkt. Diese Umkehrung zeichnet die Gewinn- und Verlustrechnung jeder im Einsatz befindlichen Roboterflotte neu.

Der Konsens schaut auf die falsche Rechnung

Der Konsens hat den falschen Rahmen. Er misst die Trainingskosten als Engpass der Autonomie: Cluster, GPU-Stunden, Datensätze menschlicher Demonstrationen.

Diese Rechnung wiegt schwer – für den, der das Modell baut. Für den, der Roboter in die Fabrik stellt, wiegt eine andere Position schwer: die Grenzkosten einer korrekten Entscheidung an Bord, millionenfach am Tag wiederholt.

Der Engpass wandert, statt zu verschwinden. Vom Trainingssilizium zur Inferenz, von der Cloud zum Sensor, von der Rechenleistung zum Urteil des Bedienpersonals. Jede Knappheit hält einen Zyklus, und wer sie als dauerhaft einpreist, verliert Geld.

Diese Arbeit verschiebt die Knappheit explizit. Das knappe Gut wird das menschliche Label; die knappe Rechenleistung wird die CPU-Millisekunde, während der Roboter sich bewegt.

Die Kurve: drei Punkte zu den Kosten einer Entscheidung an Bord

Eine Trajektorie braucht mindestens drei gemessene Punkte. Dieses Experiment liefert sie auf demselben Prüfstand: dem Benchmark TSB-AD und einem physischen mobilen Roboter.

Der mittlere Punkt liefert eine harte Zahl: Der destillierte Student schließt die Inferenz in 4,30 Millisekunden auf der CPU^[1] ab, gemessen von den Autoren in der Arbeit vom 24. September 2026. Das sind über zweihundert Entscheidungen pro Sekunde auf bereits bezahlter Hardware.

• Rechenkosten von Deep-Learning-Modellen zur Anomalieerkennung: prohibitiv für die hochfrequente Ausführung an Bord (Levy, Verstaevel, Talon, Gaudou, 24.09.2026)
• Latenz des Student MiniRocket: 4,30 ms auf der CPU, dasselbe Paper, derselbe Prüfstand
• Qualität während des Domänenwechsels: VUS-PR von 0,26 auf 0,75 mit Online-Anpassung, Modellgedächtnis unversehrt

Der dritte Punkt wiegt am schwersten. Ein Roboter trifft auf eine mechanische Degradation, die er im Training nie gesehen hat, und das Bordmodell erholt sich eigenständig, während das Foundation Model in der Werkstatt schläft.

Latenz und Qualität bleiben Näherungswerte für die Kosten pro Entscheidung. Der Preis in Dollar bleibt implizit und ist doch offensichtlich: Eine geteilte CPU kostet einen Bruchteil eines dedizierten GPU-Moduls, und die Cloud-Gebühr fällt aus der Rechnung.

Wie die Migration funktioniert: Offline-Destillation, Online-Korrektur

Das Schema ist einfach – und gerade deshalb gefährlich für alle, die Cloud-Abonnements verkaufen.

Das Foundation Model läuft einmal in der Werkstatt, auf historischen Daten, angereichert mit synthetischen Fehlern, und überträgt seine Entscheidungsgrenze auf ein weitaus günstigeres Modell. Dann fährt der Roboter los, und die Welt verändert sich: Ein Lager verschleißt, ein Rad rutscht, der Boden wird nass.

Hier setzt die zweite Hälfte des Mechanismus ein. Der rekursive Schätzer aktualisiert den Student im Feld, und eine unsicherheitsgesteuerte Active-Learning-Strategie fordert menschliches Eingreifen nur punktuell an, wenn eine unbekannte Fehlerverteilung auftaucht. Die kognitive Last des Bedienpersonals sinkt, und mit ihr die Kosten der Labeling-Arbeit.

Dieselbe Architektur zeigt sich in der Drohnentelemetrie, mit an Bord ausgeführten Anomalie-Indikatoren und beratender Entscheidungsunterstützung (Drones, MDPI^[2]). Die Arbeit zu mobilen Robotern wird auch auf alphaXiv^[3] öffentlich diskutiert. Zwei getrennte Domänen folgen einer einzigen Richtung.

Cliff Event: Die Diagnostik zieht bis 2028 in die Firmware

Die Verbreitung dieser Architektur springt, statt schrittweise zu wachsen. Der Grund ist buchhalterisch: Die Grenzkosten pro Roboter tendieren gegen null, sobald die Destillation einmal pro Plattform erledigt ist.

Cliff Event: Die adaptive Fehlererkennung wird zur Standardposition in der Firmware kommerzieller mobiler Roboter, Horizont 2028, messbares Ergebnis in den auf den Datenblättern angegebenen Latenzen.

Die Verbindung zu den Zahlen der menschlichen Arbeit ist direkt. Die Roboterstunde in der Fabrik hält dem Vergleich mit der Menschenstunde stand, wenn die Verfügbarkeit hoch ist, und jeder Maschinenstillstand zerstört den Kostenvorteil. Dieses Desk verortet die Kostenparität von Humanoiden in der Fertigung zwischen 2028 und 2029, und die Diagnostik an Bord ist eine der Bedingungen, die sie möglich machen.

Der verbreitetste Industriekonsens nennt 2035 für diese Parität. Die Differenz entspricht sieben Jahren Industrieplanung.

Drei Kategorien, die bis 2029 ihre Gestalt ändern

Cloud-Plattformen für vorausschauende Wartung im Abomodell verlieren den lukrativsten Teil ihres Werts. Wenn die Entscheidung in wenigen Millisekunden an Bord fällt, wird die monatliche Gebühr für die Fernanalyse schwer zu verteidigen.

Edge-Computing-Module mit dedizierter GPU in Servicerobotern trifft der zweite Schlag. Eine Anomalieerkennung, die auf der CPU lebt, setzt Stücklistenbudget frei, und die Entwicklung verschiebt diese Dollar auf Sensorik und Batterie.

Wartungsverträge auf Basis von Personenstunden ändern ihren Charakter. Der Techniker wechselt von der geplanten Inspektion zur Reaktion auf die Meldung des Roboters, und der Tarif verschiebt sich von präsenter Zeit zum Ergebnis.

Diese drei Kategorien überleben in veränderter Form. Was sich ändert, ist der Punkt, an dem die Marge abgeschöpft wird: Der Roboterlieferant kassiert, was zuvor der Softwarelieferant kassierte.

Vier Leserkreise, vier verschiedene Entscheidungen

Ein CTO muss den Monitoring-Stack jetzt neu bewerten. Die nützliche Frage lautet: Wie viel Flottendiagnostik läuft aus historischen Gründen in der Cloud statt aus rechnerischer Notwendigkeit?

Ein Venture-Capital-Fonds findet hier eine Wette, die klein aussieht. Der Wert wandert zu den Werkzeugen für Destillation und Online-Anpassung, zu Vertikalen mit einem Data Moat aus realen Fehlerfällen – wenig attraktiv für alle, die dem großen Modell hinterherliefen.

Ein Chief Strategy Officer mit einem Dreijahresplan, der die Cloud als Sitz der Intelligenz vorsieht, beschreibt eine Welt, die sich schließt. Das Gerät schlägt die Cloud, wenn Sensorik und lokale Inferenz schneller im Preis fallen als die Bandbreite.

Der Einkauf trägt das unmittelbarste Risiko. Ein mehrjähriger Vertrag über eine Fernanalyse-Plattform bindet das Unternehmen an eine Technologie, die die Firmware absorbieren wird, und die jetzt zu verhandelnde Klausel betrifft die Portabilität der Telemetriedaten.

Die Position, die Prognose, das Kill Signal

Meine Position lautet: Die Kosten, die über die Ökonomie der Robotik entscheiden, sind die Grenzkosten einer Entscheidung an Bord – und diese Arbeit zeigt das Foundation Model, reduziert auf einen Offline-Generator von Labels.

Prognose: Bis zum 31. Dezember 2027 geben mindestens drei Anbieter kommerzieller mobiler Roboter in ihren Datenblättern eine an Bord laufende, aus einem Foundation Model destillierte Anomalieerkennung an, mit Inferenz unter 10 Millisekunden auf der CPU und Online-Anpassung im Betrieb. Confidence: 70. Horizont: 462 Tage.

Kill Signal: Datenblätter und Whitepapers vom Dezember 2027, die die Anomaliediagnostik weiterhin der Cloud oder einer Bord-GPU zuweisen, mit angegebenen Latenzen über 50 Millisekunden und Aktualisierungen über zentrales Retraining.

Der Datenpunkt, der mich umstimmen würde, ist präzise: eine Erholung nach einem Domänenwechsel, die dichte Labels erfordert, jenseits des punktuellen Regimes – und damit menschliche Kosten, die wieder mit der Flottengröße wachsen. Inevitable statt imminent: Die Technologie existiert bereits, die Verbreitung braucht Produktzyklen.