Künstliche Intelligenz Neura verleiht mit Neuron AI Robotern ein Gehirn

Was, wenn Roboter mehr wahrnehmen als das Sichtbare? Neura Robotics stellt Neuron AI vor: eine KI, die Sinne, Gedächtnis und Handeln verbindet – und damit neue Wege für autonome Roboter eröffnet.

Neura Robotics hat Neuron AI vorgestellt, ein multimodales Foundation Model für Physical AI. Die KI kombiniert 3D-Sehen, Tastsinn, Hören, Eigenzustand und Sprache mit einem Gedächtnis. Es ermöglicht Robotern, auf Informationen zu reagieren, die über das hinausgehen, was Kameras allein erfassen können – sowie relevanten Kontext im Gedächtnis zu behalten, wenn Objekte aus dem Sichtfeld verschwinden. Die Perception-Language-Action-(PLA)-Architektur verbindet, was ein Roboter sieht, hört und fühlt, mit dem, was er bereits getan hat, und verwandelt auf diese Weise multisensorische Informationen in physische Handlungen.

Ein Schweißroboter hört, ob die Naht gelingt

Einfache Kameras erfassen Geometrie, Farbe und Position, liefern aber keine Informationen über Berührung, Kraft oder Geräusche. Auch Menschen verlassen sich auf mehr als nur ihre Augen: Sie spüren, ob eine Schraube gefasst hat, und hören, wenn ein Steckverbinder einrastet. Neuron AI überträgt dieses Prinzip auf Roboter. Statt jeden Sensor einzeln zu verarbeiten, kodiert das Modell 3D-Sehen, taktile und Kraftdaten, Hören, Eigenzustand des Roboters sowie Sprache und übersetzt sie in einen durchgehenden Handlungsablauf.

Ranking

Die Top 10 der humanoiden Roboter 2026

Multisensorische Wahrnehmung ist vor allem bei Aufgaben entscheidend, bei denen Kameras allein an ihre Grenzen stoßen. Öffnet ein Roboter ein Schloss, verrät erst das Klicken und der spürbare Widerstand, dass es wirklich offen ist. Mithilfe des Tastsinns kann ein Roboter Objekte greifen, die er nicht sehen kann. Die zusätzlichen Sinne verbessern auch Aufgaben, die Kameras bereits bewältigen können: Ein Schweißroboter etwa hört, ob die Naht gelingt.

Neuron AI hat ein Gedächtnis

Darüber hinaus verfügt Neuron AI über ein Gedächtnis. Um im Alltag handlungsfähig zu sein, braucht ein Roboter ein Verständnis von Ursache und Wirkung sowie zusätzlich die Fähigkeit, sich an Objekte zu erinnern, wenn sie außerhalb des Blickfelds liegen – eine Fähigkeit, die Menschen sich beispielsweise in ihren ersten beiden Lebensjahren aneignen. Anders als rein digitale KI handelt ein Roboter in einer kontinuierlichen physischen Welt und muss Objekte sowie die Folgen seiner eigenen Handlungen über die Zeit im Blick behalten – oft ohne sie zu sehen. Neura hat den Aufbau und die Technik des Modells angepasst, um diese Gedächtnisfunktion einzuführen, und trainiert es mit speziellen Datensätzen, die diese nutzen.

Neuron AI wird mit drei Datensäulen trainiert

Neuron AI wird mit drei sich ergänzenden Quellen physischer Erfahrung trainiert:

• Reale Roboterdaten: Unterschiedliche Roboter führen Aufgaben in den Neura Gyms aus, die Trainingsinfrastruktur von Neura für kognitive Roboter und Physical AI, sowie in echten Umgebungen, und erzeugen dabei synchronisierte Daten zu Sehsinn, Tastsinn, Kraft, Hören und Bewegung.

• Simulationsverstärkte Daten: Neuras Data Amplifier und Simulationsumgebung erweitern die Trainingsdaten durch simulierte Variationen von Aufgaben und Umgebungen.

• Reale menschliche Daten: Menschen, die sensorausgestattete Datenanzüge tragen, erfassen typisch menschliche Alltagsbewegungen und bringen so praktisches Fachwissen in die Trainingspipeline ein.

Zusammen vereinen diese Säulen echte physische Interaktionen, simulierte Variationen und menschliches Know-how. Daraus entsteht eine gemeinsame Datengrundlage für Neura Roboter in fünf Formfaktoren mit unterschiedlichen Greifern und Händen.

Europäische Roboterentwicklung

Neura auf Einkaufstour und Partnersuche

Die Neura Gyms verbinden Datenerfassung, Training und Benchmarking vor der Inbetriebnahme. Trainingsdaten und in den Gyms entwickelte Fähigkeiten fließen in künftige Modell-Releases ein.

Das Neuraverse bietet die Plattform, um diese Fähigkeiten flottenweit bereitzustellen und kontinuierlich zu aktualisieren. Es gibt Partnern zudem Werkzeuge an die Hand, um die Modelle auf ihre eigenen Aufgaben abzustimmen und so Prozess-Know-how in Roboterfähigkeiten zu verwandeln. Bei Bedarf können Partner ihr Wissen auch für sich behalten. Entscheiden sie sich, Fähigkeiten oder Einsatzdaten zu teilen, können diese Beiträge das breitere Ökosystem und die künftige Modellentwicklung unterstützen. Damit wird Time-to-Skill zur zentralen Fortschrittsmessgröße: wie schnell ein Roboter eine neue Aufgabe erlernt und zuverlässig ausführen kann. Für industrielle Kunden soll eine verkürzte Zeit entscheidend sein, um Physical AI in mehr Prozesse zu integrieren und sie an veränderte Anforderungen anzupassen.

(ID:50986936)