KI-fähige Hardware als nächste Automatisierungsstufe
Plattform für Physical AI in der Fabrik
In den vergangenen Jahren fanden die größten Sprünge der künstlichen Intelligenz im Rechenzentrum statt: Dort werden große Modelle trainiert und als Dienste bereitgestellt. Doch in der Industrie werden Material der Werkhallen bewegt, Bauteile gefügt und Anlagen überwacht. Hier setzt Physical AI an, bei der Systeme ihre Umgebung erfassen, Situationen bewerten und Handlungen ohne Umweg über Clouds ableiten. Dabei muss die verbaute Elektronik Anforderungen sowohl aus der IT- als auch der OT-Welt genügen.
Bild: GlobalFoundries
Management ServicesZum Spektrum aktueller Physical AI-Anwendungen zählen autonome mobile Roboter, kollaborative Roboter in der Montage und Anlagen, die ihren Zustand permanent selbst überwachen. Ein praxistaugliches Modell, um Physical-AI-Architekturen in der Industrie zu strukturieren, ist STAC: Sense, Think, Act, Communicate. Sense beschreibt die Erfassung der Umgebung mit immer vielfältigerer Sensorik - von Kameras über Radar- und Lidar-Systemen bis zu Schwingungs- und Umweltsensoren. Think steht für die lokale Auswertung dieser Daten auf Steuerungen, Industrie-PCs oder Edge-Boxen, oft mit KI-Inferenz, um deterministische Entscheidungen in Echtzeit zu treffen. Unter Act fallen die resultierenden Bewegungen und Schaltvorgänge, die über Antriebe, Greifer, Ventile und andere Aktoren realisiert werden. Communicate schließlich umfasst den Datenaustausch zwischen Feldgerät, Edge-Ebene und Cloud - etwa für Flottensteuerung, Software-Updates und Modellverbesserung. Aus Sicht eines Halbleiterherstellers stellt STAC drei harte Anforderungen: Energieeffizienz, reproduzierbare Latenz und langfristige Zuverlässigkeit inklusive Security über den Lebenszyklus.
Bild: GlobalFoundries Management Services
Bild: GlobalFoundries Management ServicesWarum klassische SoCs an Grenzen stoßen
Auf dem Shopfloor treffen mehrere Zwänge zusammen: beengte Einbauverhältnisse, thermisch anspruchsvolle Umgebungen, 24/7-Betrieb und lange Produktlebenszyklen. Rein auf Spitzenleistung optimierte SoCs können diese Randbedingungen oft nur mit erheblichem Aufwand erfüllen. Gleichzeitig müssen sie heterogene Workloads tragen: klassische Steuerungslogik, Signalverarbeitung, KI-Inferenz, Sicherheits- und Kommunikationsfunktionen. Gefragt sind daher Plattformen, die Compute, Sensoranbindung, Aktorik, Speicher und Vernetzung unter einem gemeinsamen Energie- sowie Latenzbudget zusammenführen und genügend Reserven für zusätzliche Modelle und Funktionen bieten.
Purpose-built Halbleiterplattformen als Fundament
Um diese Anforderungen zu adressieren, gewinnen spezialisierte Halbleiterplattformen an Bedeutung. Sie stellen nicht nur einzelne Bausteine bereit, sondern bilden das technische Fundament, um Physical-AI-Systeme zu skalieren. Energieeffiziente CMOS-Technologien und FinFET-Knoten sollen hohe Rechendichte mit niedrigem Energiebedarf kombinieren, um kompakte Edge-SoCs zu ermöglichen, die Sensorik, Signalverarbeitung und Steuerung integrieren. Eingebettete, nichtflüchtige Speicher wie MRAM speichern Firmware, Modelle sowie Konfigurationen im System und lassen sich über die Jahre mit Over-the-Air-Updates aktualisieren. Power-Management-Fähigkeiten - etwa getrennte Spannungs- und Takt-Domänen, tiefe Energiesparzustände und adaptive Regler - helfen, aktive und Standby-Verluste zu minimieren. Das zahlt sich insbesondere in mobiler Robotik, batteriebetriebenen Geräten und passiv gekühlten Steuerungen aus. Ergänzend sorgen RF-Bausteine und gegebenenfalls optische Schnittstellen dafür, dass große Datenmengen mit geringem Energieaufwand übertragen werden können. Advanced Packaging und heterogene Integration ermöglichen es wiederum , Compute-, Speicher-, RF- und Stromversorgungsfunktionen auf engem Raum zu koppeln. Kürzere Signalwege senken Latenzen und verbessern die Energieeffizienz, während sich Footprint und Stückkosten optimieren lassen. Mit den Fortschritten in diesem Segment werden sich künftig immer mehr Sensoren, Aktoren und Steuerungen in Physical-AI-Systeme einbinden lassen - nicht nur in wenige High-End-Systeme.
Bild: Sven Doering / VISUMVerteilte, softwaredefinierte Intelligenz
Parallel dazu wandelt sich die Systemarchitektur im Maschinen- und Anlagenbau. Rechenleistung und Intelligenz rücken näher an Sensoren und Aktoren. Entscheidungen werden dort getroffen, wo sie Wirkung erzeugen, um Signalwege kurz und Latenzen vorhersagbar zu halten. Für Halbleiterplattformen bedeutet das: Sie müssen heterogene Workloads unterstützen, über mehrere Produktzyklen hinweg nutzbar bleiben und Security-by-Design integrieren. Embedded-Speicher, sicheres Booten, Update-Mechanismen und Hardware-Sicherheitsfunktionen gehören daher zur Grundausstattung. Anbieter koppeln Prozesstechnologien, IP, Packaging und Fertigung im Rahmen eines Co-Design-Ansatzes und ergänzen sie um echtzeitfähige Prozessor-IP, beispielsweise mehrkernige, multi-threaded RISC-V-Varianten. So lassen sich deterministische Workloads in industriellen Physical-AI-Anwendungen gezielt adressieren.
Bild: ©xxx/gettyimages.deEinsatzfelder in Industrie und Logistik
Im Automotive-Bereich treiben Physical-AI-Systeme die nächste Generation von Fahrerassistenzfunktionen und automatisierten Fahrmanövern. Sie verbinden multimodale Sensorik mit Echtzeitverarbeitung und präziser Aktorik unter strengen Sicherheits- und Thermikvorgaben. In der Industrieautomation und Logistik müssen autonome mobile Roboter, Cobots und fahrerlose Transportsysteme in dynamischen Umgebungen navigieren, Objekte erkennen, Pfade planen und sicher mit Menschen interagieren. Noch weiter gehen Perspektiven für komplexe Robotik bis hin zu humanoiden Systemen, die in menschlichen Umgebungen arbeiten sollen.
Halbleiter als Schlüssel zur nächsten Automatisierungsstufe
Mit dem Übergang von Cloud-zentrierter KI zu Physical AI verschiebt sich der Fokus in der Industrie auf zuverlässige, energieeffiziente und anpassbare Systeme im Feld. Halbleiterplattformen, die STAC-Workloads berücksichtigen und dabei Leistungsaufnahme, Latenz, Konnektivität und Updatefähigkeit zusammenbringen, könnten die nächste Automatisierungsstufe ermöglichen. GlobalFoundries bündelt hierfür differenzierte Prozesstechnologien, Packaging-, RF- und Konnektivitätsprodukte sowie Prozessor-IP zu Plattformen, die speziell auf Physical-AI-Anwendungen ausgelegt sind. So will der Halbleiterhersteller Entwicklern in Automotive, Industrie und Robotik ein Ökosystem bieten, das den Weg von ersten Demonstratoren hin zu flächendeckend ausgerollten, geschäftskritischen Anwendungen ebnet.
In den vergangenen Jahren fanden die größten Sprünge der künstlichen Intelligenz im Rechenzentrum statt: Dort werden große Modelle trainiert und als Dienste bereitgestellt. Doch in der Industrie werden Material der Werkhallen bewegt, Bauteile gefügt und Anlagen überwacht. Hier setzt Physical AI an, bei der Systeme ihre Umgebung erfassen, Situationen bewerten und Handlungen ohne Umweg über Clouds ableiten. Dabei muss die verbaute Elektronik Anforderungen sowohl aus der IT- als auch der OT-Welt genügen.
Bild: GlobalFoundries
Management ServicesZum Spektrum aktueller Physical AI-Anwendungen zählen autonome mobile Roboter, kollaborative Roboter in der Montage und Anlagen, die ihren Zustand permanent selbst überwachen. Ein praxistaugliches Modell, um Physical-AI-Architekturen in der Industrie zu strukturieren, ist STAC: Sense, Think, Act, Communicate. Sense beschreibt die Erfassung der Umgebung mit immer vielfältigerer Sensorik - von Kameras über Radar- und Lidar-Systemen bis zu Schwingungs- und Umweltsensoren. Think steht für die lokale Auswertung dieser Daten auf Steuerungen, Industrie-PCs oder Edge-Boxen, oft mit KI-Inferenz, um deterministische Entscheidungen in Echtzeit zu treffen. Unter Act fallen die resultierenden Bewegungen und Schaltvorgänge, die über Antriebe, Greifer, Ventile und andere Aktoren realisiert werden. Communicate schließlich umfasst den Datenaustausch zwischen Feldgerät, Edge-Ebene und Cloud - etwa für Flottensteuerung, Software-Updates und Modellverbesserung. Aus Sicht eines Halbleiterherstellers stellt STAC drei harte Anforderungen: Energieeffizienz, reproduzierbare Latenz und langfristige Zuverlässigkeit inklusive Security über den Lebenszyklus.Bild: GlobalFoundries Management Services
GlobalFoundries Management Services
Dieser Artikel erschien in IT&Production KI Wissen Kompakt 2026 - 07.09.26.Für weitere Artikel besuchen Sie www.it-production.com
