Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
epoch8. August 2025 · Q005954

Compute is not a bottleneck for robotic manipulation

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Epoch AI zufolge trainieren die größten untersuchten Robotikmodelle für Manipulationsaufgaben meist mit ungefähr einem Prozent des Rechenaufwands führender KI-Modelle anderer Bereiche. Die Organisation vermutet, dass Datenknappheit und Hardwarebeschränkungen die Nutzung von Rechenleistung stärker bremsen könnten; ihre kuratierte Auswertung belegt diese Ursachen jedoch nicht.

Mittel

Epoch AI vergleicht den Trainingsrechenaufwand von Robotikmodellen für Manipulationsaufgaben mit dem führender KI-Modelle anderer Bereiche. Die Organisation berichtet, dass die größten Manipulationsmodelle typischerweise nur etwa ein Prozent des Rechenaufwands dieser Spitzenmodelle nutzen. Daraus leitet sie ab, dass Rechenleistung derzeit wahrscheinlich nicht der zentrale Engpass ist. Dass einige der führenden Robotiksysteme aus Laboren stammen, die auch große KI-Modelle entwickeln, spreche laut Epoch gegen mangelnden Zugang oder fehlenden Skalierungswillen als alleinige Erklärung. Als mögliche Hürden nennt der Bericht knappe Robotikdaten und Hardwarebeschränkungen; würden sie nachlassen, könnte ein großer Rechenüberhang schnellere Fortschritte ermöglichen.

Die Auswertung basiert auf einer kuratierten Modellsammlung. Epoch nahm nur Arbeiten mit Tests an realen Manipulationsaufgaben auf, schätzte den Trainingsaufwand für 26 Modelle und verwendete für die Trendlinie eine rollierende Auswahl der fünf rechenintensivsten; so blieben 14 führende Robotikmodelle. Die Ergebnisse belegen den Abstand in den erfassten Trainingswerten, bestimmen aber nicht experimentell dessen Ursachen oder den Effekt zusätzlicher Rechenleistung.

Ausführlich lesen

Der Bericht von Epoch AI untersucht, ob der Rechenaufwand das Entwicklungstempo bei Robotern für Manipulationsaufgaben begrenzt. Dazu zählen sehr unterschiedliche Tätigkeiten, etwa Wäsche falten oder elektrische Arbeiten. Epoch zufolge können aktuelle KI-Systeme solche Aufgaben in der realen Welt bislang nicht allgemein und geschickt genug bewältigen. Die zentrale These lautet jedoch, dass fehlende Rechenleistung dafür offenbar nicht der Hauptengpass ist: Die größten untersuchten Manipulationsmodelle wurden typischerweise mit ungefähr einem Hundertstel des Rechenaufwands trainiert, der bei führenden KI-Modellen aus anderen Bereichen eingesetzt wird.

Epoch deutet diese Lücke als Hinweis darauf, dass Rechenleistung unter den heutigen Bedingungen für Robotik weniger wirksam genutzt werden kann. Dafür spreche auch, dass viele starke Manipulationssysteme aus denselben Forschungslaboren stammen, die deutlich größere Spitzenmodelle entwickeln. Die Autorinnen und Autoren folgern daraus, dass ein Mangel an Zugang zu Rechenressourcen oder fehlende Bereitschaft zur Skalierung die Lücke wahrscheinlich nicht allein erklären. Als mögliche Einschränkungen nennen sie knapp verfügbare Robotikdaten und Hardwareprobleme. Wenn sich solche Bedingungen verbessern, könnte die derzeit ungenutzte Rechenkapazität nach Einschätzung des Berichts schnellere Fähigkeitszuwächse ermöglichen. Das ist eine Möglichkeit, keine belegte Vorhersage.

Für den Vergleich erstellte Epoch eine Datensammlung zu Manipulationsmodellen und nutzte eine bestehende Datenbank für führende KI-Modelle. Die Robotikmodelle wurden anhand mehrerer Sammlungen, Hinweise von zwei Fachleuten und bereits erfasster Modelle zusammengestellt; zusätzlich nahm Epoch einzelne als relevant eingeschätzte Arbeiten auf. Anschließend beschränkte das Team die Auswahl auf Arbeiten mit einer Auswertung an realen Manipulationsaufgaben. Für 26 Modelle schätzte es den Trainingsrechenaufwand. Für die Trenddarstellung wurden daraus die jeweils fünf rechenintensivsten Modelle ausgewählt; nach dieser rollierenden Auswahl blieben 14 führende Robotikmodelle. Bei den allgemeinen KI-Modellen verwendete Epoch ebenfalls eine rollierende Auswahl der fünf rechenintensivsten Modelle und beschränkte sie auf Modelle ab 2018.

Die Aussage beruht somit auf einer kuratierten Auswahl, geschätzten Trainingswerten und einem Vergleich von Spitzenmodellen, nicht auf sämtlichen Robotiksystemen oder einem direkten Experiment zur Ursache der Leistungsgrenzen. Der Bericht weist keine bestimmte Ursache als bewiesen aus. Seine Daten zeigen einen erheblichen Abstand beim Trainingsrechenaufwand; sie belegen für sich genommen weder, wie stark zusätzliche Rechenleistung Fähigkeiten verbessern würde, noch dass Datenmangel oder Hardware tatsächlich die entscheidenden Bremsen sind.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassung ist im Kern treu, enthält aber eine Bewertung der Methodik, die so nicht im Bericht steht. Die Einordnung gilt nur für die drei angegebenen Sammelfragen; Teilfragen gab es nicht.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Datenquellen der Modellauswahl (Awesome-Listen, Vorschläge zweier Robotik-Experten, Ergänzung um Arbeiten wie RDT-1B)
  • Der Frontier-Vergleich wurde auf rollierende Top-5-Modelle seit 2018 eingegrenzt

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Aussage, die kuratierte Auswertung belege die Ursachen nicht bzw. bestimme sie nicht experimentell, steht so nicht im Bericht; der Bericht formuliert die Ursachen nur als wahrscheinlich bzw. möglich

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
Unabhängig prüfen
  1. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV offen
    • amos 23 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %gleiches Oberthema, hilft nicht
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 49 %Hintergrund, keine Belege
    • JEV offen
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV offen
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 62 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 34 %Hintergrund, keine Belege
    • JEV offen
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 60 %Hintergrund, keine Belege
    • JEV offen
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →