„Physical AI versteht nicht nur Wörter, sondern die Welt“

Physical AI gilt derzeit als nächster Entwicklungsschritt der KI. Warum ist dieser Ansatz für die Fertigungsindustrie relevanter als die bisher dominierenden Sprachmodelle?

Sprachbasierte Large Language Models, die wir beispielsweise bereits in Form des Autodesk Assistant in unsere Produkte integriert haben, sind hervorragend darin, repetitive Aufgaben zu übernehmen. Diese Modelle wurden jedoch im Wesentlichen mit Text-, Bild- und Sprachdaten trainiert. Sie verstehen die Welt nicht im physikalischen Sinn – sie kennen weder physikalische Gesetzmäßigkeiten noch echte Geometrie. Der Unterschied zur Physical AI ist grundlegend: Ein herkömmliches Sprachmodell verarbeitet große Mengen an Informationen aus dem Internet, eine Physical AI dagegen muss lernen, wie sich die reale Welt verhält. Autodesk denkt seit jeher in Geometrie und 3D. Mit dem Investment in World Labs gehen wir nun den nächsten logischen Schritt, um dieses Verständnis um physikalische Zusammenhänge zu erweitern. Bislang lässt sich zwar vieles simulieren, etwa auf Basis der Newtonschen Gesetze. Das erfordert jedoch enorme Rechenleistung. Wenn man sämtliche Zusammenhänge cloudbasiert vollständig simulieren will, wächst der Aufwand exponentiell. Genau hier kommt KI ins Spiel: Mit vortrainierten Modellen kann sie erfassen, wie die Welt funktioniert, ohne jeden Zusammenhang in einem Simulationslauf erneut vollständig berechnen zu müssen. Darin liegt die eigentliche Logik: Unsere Industrieexpertise, kombiniert mit Physical AI, schafft die Grundlage für digitale Zwillinge, die mit der realen Welt sinnvoll interagieren können.

Das klingt nach einem Paradigmenwechsel. Aber wie bringt man einer Software konkret bei, was Schwerkraft oder Materialsteifigkeit für ein Bauteil bedeuten?

Das ist eine spannende Frage. Anders als beim Training mit Internetdaten lernen diese Modelle in virtuellen Testumgebungen an digitalen Zwillingen. Dafür nutzen wir beispielsweise unser Autodesk Technology Center in Birmingham, das wir vollständig als digitalen Zwilling aufgebaut haben, um solche Trainings durchzuführen. Wir nutzen dafür auch Lösungen wie Autodesk NavPack, im Bereich der simulationsbasierten Produktentwicklung. Dort geht es darum, Modelle mit validierten Simulationsdaten so anzulernen, dass die KI versteht, wie sich Geometrie, Strömung, Struktur oder thermisches Verhalten auf die Leistungsfähigkeit eines Entwurfs auswirken. Am Ende geht es darum, dass die KI – ähnlich wie wir Menschen – Wissen aufbaut und daraus Prognosen ableiten kann. Wir wissen intuitiv, wie sich Dinge zueinander verhalten, sei es bei Reibung, Schwerkraft oder kinematischen Zusammenhängen. Physical AI kann innerhalb von Sekundenbruchteilen auf dieses Wissen zurückgreifen, statt alle Effekte jedes Mal neu berechnen zu müssen.

Wenn wir uns nun einen Konstrukteur oder eine Ingenieurin beim Entwurf einer Werkzeugmaschine vorstellen: Was ändert sich konkret am Bildschirm, wenn im Hintergrund KI-Systeme arbeiten?

Ich bin überzeugt, dass diese Assistenten die Arbeitsweise massiv verändern werden. Ingenieurinnen und Ingenieure werden sich künftig weniger mit der detaillierten Ausarbeitung jeder einzelnen Lösung beschäftigen, sondern stärker mit der präzisen Definition der Problemstellung. Sie beschreiben dem Assistenten, welches Problem gelöst werden soll – heute spricht man dabei meist von Prompting. Am Anfang des Prozesses steht also weiterhin der Mensch, der die Aufgabe formuliert. Er erhält Unterstützung durch agentische oder generative KI und bewertet am Ende die Vorschläge. Der Konstrukteur entscheidet, welche Lösung im konkreten Fall die beste ist. Dabei können auch ästhetische Aspekte eine Rolle spielen. Unser Ziel ist nicht, menschliche Kreativität zu ersetzen, sondern sie zu erweitern, den Lösungsraum zu vergrößern und den Konstruktionsprozess zu beschleunigen. Das Berufsbild verschiebt sich damit vom reinen Ausführen stärker in Richtung Problemlösung und Auswahl.

Sie sprechen von agentischen Workflows. Worin unterscheidet sich ein solcher KI-Agent von einem einfachen Chatbot?

Mit einem Assistenten kann ich einzelne Aufgaben delegieren, etwa die Zeichnungsableitung, die Erstellung von G-Code für die CNC-Programmierung oder erste Entwürfe per Generative Design. Agentisch wird es dann, wenn sich solche Werkzeuge zu durchgängigen Prozessketten verknüpfen lassen. Solche Agentenarchitekturen können theoretisch rund um die Uhr laufen und deutlich mehr Ergebnisse mit geringerem Ressourceneinsatz erzeugen. Ein praktisches Beispiel: Wenn ich ein Bauteil konstruiere, kennt die Software heute bereits durch Generative Design die Biegesteifigkeit oder Festigkeit eines Materials. Ich gebe Anforderungen wie Gewicht und Fertigungsverfahren vor – beispielsweise für eine Drei- oder Fünfachsfräse – und erhalte ein optimiertes Bauteil. Physical AI geht noch einen Schritt weiter und versteht die physikalischen Korrelationen innerhalb ganzer Baugruppen. Das ist die nächste Entwicklungsstufe – über das einzelne Teil hinaus.

Ist diese räumliche Intelligenz bereits marktreif, oder sprechen wir noch über Zukunftsmusik?

Man muss hier in Entwicklungsstufen denken. Die Task Automation, also die Automatisierung einzelner Aufgaben, ist bereits heute in unseren Produkten vorhanden und wird in der Industrie genutzt. Auch agentische Workflows halten zunehmend Einzug, weil wir über entsprechende Schnittstellen die Verbindung zwischen Tools, Systemen und Datenbanken schaffen. Derzeit arbeiten wir intensiv an der Automatisierung ganzer Systeme, etwa mit dem Fusion System Modeler. Das Konzept wurde 2025 auf der Autodesk University vorgestellt. Es ist noch kein kommerzielles Produkt, zeigt aber klar, wie sich KI-Arbeitsabläufe in Zukunft weiterentwickeln können.

In der Industrie ist „fast richtig“ oft gleichbedeutend mit Ausschuss. Wie stellen Sie sicher, dass die KI keine physikalisch unsinnigen Modelle halluziniert?

Das ist ein sehr wichtiger Punkt. Wenn eine KI in einem Text einmal danebenliegt, ist das oft nicht gravierend und vom Nutzer leicht zu erkennen. In industriellen Prozessen ist die Situation eine andere. Dort lässt sich häufig nicht auf den ersten Blick beurteilen, ob ein komplexes Ergebnis plausibel ist oder nicht. Deshalb wird die Entwicklung in diesem Bereich auch nicht mit dem gleichen Tempo verlaufen wie bei LLMs, weil die Qualitätsanforderungen deutlich höher sind. Wir brauchen Industrial Grade AI – also Systeme mit einer extrem niedrigen Fehlerrate. Unsere ISO-42001-Zertifizierung ist dabei ein wesentlicher Baustein, um sicherzustellen, dass das, was wir simulieren und vorschlagen, auch belastbar ist. Hundertprozentige Fehlerfreiheit wird man nie erreichen. Aber wir arbeiten an einer Verlässlichkeit, die deutlich über das hinausgeht, was man von klassischer GenAI kennt.

Viele Ingenieure leiden unter der Hürde des leeren Blatts oder verlieren Zeit mit administrativen Aufgaben. Wie hilft der Autodesk Assistant hier konkret?

Absolut, gerade bei neuen Bauteilentwürfen ist das ein reales Thema. Wir haben Kunden, die KI nutzen, um zunächst einen ersten Entwurf generieren zu lassen, auf dem sie dann weiter aufbauen. Der eigentliche Hebel liegt aber häufig in den nicht wertschöpfenden Tätigkeiten. Nehmen wir die Suche nach Daten in einem PDM-System wie Autodesk Vault: Früher konnte es Tage dauern herauszufinden, ob ein ähnliches Teil bereits konstruiert wurde. Heute frage ich den Assistenten gezielt: „Suche mir alle Teile, die Kriterium X erfüllen“, und er liefert die entsprechenden Ergebnisse. Das verhindert doppelte Konstruktionsarbeit – und damit Verschwendung. Ein weiteres Beispiel ist das Projektgeschäft: Unternehmen erhalten oft sehr umfangreiche Spezifikationen vom Endkunden. Die KI kann große Datenmengen analysieren, Anforderungen extrahieren und verdichten. Diese Essenz lässt sich anschließend direkt in einen Generative-Design-Workflow überführen. Das ist vielleicht noch nicht der finale Entwurf, aber ein sehr belastbarer erster Aufschlag.

Ein kritisches Thema für viele Unternehmen ist der Schutz ihres Know-hows. Woher bezieht die KI ihre Daten – und wie stellen Sie sicher, dass Wissen im Unternehmen bleibt?

Das ist eine berechtigte Sorge. Vieles, was wir heute im KI-Umfeld sehen, basiert auf öffentlich verfügbaren Daten. In der Industrie jedoch gibt niemand seine Daten freiwillig in einen gemeinsamen Pool. Für uns als Autodesk ist klar: Kundendaten werden nicht an Wettbewerber weitergegeben. Vertrauen ist hier das oberste Prinzip. Wir sind lieber nicht die Ersten am Markt, als bei Fragen zu Vertrauen, Datenschutz und Datensouveränität Kompromisse einzugehen. Hinzu kommt, dass viele Unternehmen ihre Daten und Prozesse noch gar nicht so weit digitalisiert haben, dass sie für KI-Anwendungen überhaupt geeignet wären. Es gibt also sowohl regulatorische als auch technische Hürden. Gleichzeitig bieten wir Lösungen an, die beispielsweise die Designsprache eines Unternehmens lernen können. Im Automotive Design erkennt man auf den ersten Blick, ob ein Fahrzeug von einem bestimmten Hersteller stammt. Unsere Systeme können lernen, wie die spezifische Handschrift eines Kunden aussieht, und diese bei neuen Entwürfen beibehalten. Das ist eine Form der Wissenskonservierung, die auch für den Maschinenbau äußerst spannend ist.

Das bringt uns zum Fachkräftemangel: Kann KI also helfen, das Wissen erfahrener Fachkräfte zu sichern, bevor sie in den Ruhestand gehen?

Ja, das ist ein zentrales Thema. Wenn erfahrene Experten ein Unternehmen verlassen, verschwindet häufig auch ein großer Teil ihres Wissens, weil es nicht ausreichend dokumentiert ist. KI kann helfen, dieses Know-how zu konservieren. Wenn die benötigten Talente am Arbeitsmarkt fehlen, müssen wir einen Teil des Problems technologisch lösen. Wir betrachten dabei den gesamten Lebenszyklus: Design, Make und Operate. Das reicht von der Konstruktion über die Fertigung bis hin zum Betrieb auf dem Shopfloor. Mithilfe digitaler Zwillinge lassen sich Produktionssysteme optimieren und Transparenz schaffen. So können auch weniger spezialisierte Mitarbeitende komplexe Maschinen bedienen oder Bauteile konstruieren, weil ein Teil des Fachwissens bereits in der Software hinterlegt ist.

Wenn wir einige Jahre nach vorn blicken: Wird der Mensch in der Fabrik dann noch selbst zeichnen – oder vor allem die Ergebnisse der KI dirigieren?

Ich habe vor knapp 20 Jahren mein Maschinenbaustudium abgeschlossen und dachte damals bereits, dass wir uns bald nicht mehr intensiv mit Zeichnungen beschäftigen müssten. Und wo stehen wir heute? Zeichnungen sind noch immer ein zentrales Thema – allerdings haben wir die Werkzeuge, um sie einfacher zu erstellen. Ich glaube deshalb nicht, dass sich die Arbeit so radikal verändert, wie es manche Szenarien nahelegen. Die Geschichte zeigt durchaus Kontinuität. Aber eines ist ebenso klar: Wer heute keine KI in seine Entwicklungsprozesse integriert, wird in einigen Jahren wahrscheinlich erhebliche Wettbewerbsnachteile haben. Die letzte große Revolution war der Umstieg von 2D auf 3D – das war ein tiefgreifender Wandel im Denken. Mit Künstlicher Intelligenz steht nun der nächste disruptive Faktor an. Wir werden stärker orchestrieren und dirigieren, ja – aber der Ingenieur bleibt derjenige, der die Richtung vorgibt.