Ein Team der Northwestern University nutzte k\u00fcnstliche Intelligenz, um Roboterk\u00f6rper in einer Physiksimulation zu entwickeln, baute dann die leistungsst\u00e4rksten Entw\u00fcrfe physisch zusammen und setzte sie auf Kies, Gras und Baumwurzeln frei. Die Arbeit, ver\u00f6ffentlicht in den Proceedings of the National Academy of Sciences im M\u00e4rz 2026, stellt einen bedeutenden Schritt \u00fcber fr\u00fchere Laborversuche hinaus, bei denen KI-entworfene Roboter nur auf flachen Tischoberfl\u00e4chen betrieben wurden. Indem die Forscher die evolvierten Maschinen zwingen, mit unvorhersehbarem Au\u00dfengel\u00e4nde klarzukommen, pr\u00fcfen sie, ob digitale Evolution Hardware hervorbringen kann, die robust genug f\u00fcr die realen Bedingungen ist.<\/p>\n\n\n\n\n\n\n
Die in dieser Studie untersuchten Roboter sind keine von Menschenhand f\u00fcr einen einzigen Zweck entworfenen Ger\u00e4te. Sie werden aus autonomen Modulen<\/a> zusammengesetzt, von denen jedes seinen eigenen Motor, Akku und Bordcomputer enth\u00e4lt. Man kann sie sich als motorisierte Bausteine vorstellen, die zusammenschnappen. Kein einzelner Baustein kann allein laufen, aber wenn mehrere in der richtigen Anordnung kombiniert werden, entsteht durch ihre Wechselwirkung koordinierte Fortbewegung. Das Forschungsteam nennt diese Kreationen \u201ebeinhafte Metamaschinen\u201c, ein Begriff, der die zentrale Idee erfasst, dass Intelligenz entsteht, wenn die Module sich verbinden und ihre Bewegungen gemeinsam koordinieren.<\/p>\n Dieser modulare Ansatz bringt einen praktischen Vorteil, den die meisten konventionellen Roboter nicht haben. Weil jede Einheit eigenst\u00e4ndig ist, kann ein besch\u00e4digtes Bein ausgetauscht oder der gesamte K\u00f6rperbau umkonfiguriert werden, ohne die Elektronik oder die Steuerungssoftware von Grund auf neu zu entwerfen. Genau diese Flexibilit\u00e4t macht evolution\u00e4re Suche in Simulation so attraktiv: Der Algorithmus kann tausende Modulkonfigurationen schnell durchprobieren, Fehlschl\u00e4ge verwerfen und Entw\u00fcrfe f\u00f6rdern, die sich gut fortbewegen. Prinzipiell k\u00f6nnte derselbe Teilebestand je nach Entdeckung des Algorithmus zu L\u00e4ufern, Kriechern oder sogar Klettermaschinen umgestellt werden.<\/p>\n\n\n\n\n\n\n Anstatt Beinanzahl und Gelenkwinkel von Hand zu justieren, lie\u00dfen die Forschenden einen Optimierungsalgorithmus einen komprimierten Entwurfsraum m\u00f6glicher Modulkonfigurationen durchsuchen. Das Verfahren, beschrieben in der begutachteten Studie<\/a>, kodiert K\u00f6rperpl\u00e4ne in einer kompakten mathematischen Darstellung und bewertet dann jeden Kandidaten anhand der simulierten Laufleistung. \u00dcber viele Generationen der Selektion konvergiert der Algorithmus zu Morphologien, die in virtuellen Gel\u00e4nden Geschwindigkeit, Stabilit\u00e4t und Energieverbrauch ausbalancieren und zugleich die von den physischen Modulen vorgegebenen Beschr\u00e4nkungen respektieren.<\/p>\n Die Gewinnerentw\u00fcrfe waren nicht das, was ein menschlicher Ingenieur skizzieren w\u00fcrde. Das Team w\u00e4hlte die besten dreibeinigen, vierbeinigen und f\u00fcnfbeinigen Konfigurationen zur physischen Montage aus. Ungerade Beinanzahlen und asymmetrische Layouts traten auf, weil der Algorithmus rein funktional optimierte, unbeschwert von \u00e4sthetischen Vorlieben oder Lehrbuchkonventionen. Gerade diese Bereitschaft, seltsame K\u00f6rperformen zu erforschen, unterscheidet evolution\u00e4res Design von traditioneller Ingenieurskunst, in der Designer dazu neigen, auf bilaterale Symmetrie und vertraute Vorlagen wie Vierbeiner oder Sechsf\u00fc\u00dfer zur\u00fcckzugreifen.<\/p>\n Im Hintergrund verl\u00e4sst sich das System auf einen Physiksimulator, um abzusch\u00e4tzen, wie sich verschiedene Modularrangements bewegen. Jeder Kandidatenroboter wird in eine virtuelle Umgebung gesetzt und zum Vorw\u00e4rtsgehen aufgefordert; jene, die stolpern oder Energie verschwenden, werden verworfen, w\u00e4hrend jene, die weiter oder effizienter kommen, als \u201eEltern\u201c f\u00fcr die n\u00e4chste Generation ausgew\u00e4hlt werden. Den Autoren zufolge kann diese Pipeline Tausende von Entw\u00fcrfen viel schneller bewerten und verfeinern, als es ein hardwarebasiertes Trial\u2011and\u2011Error\u2011Verfahren je k\u00f6nnte.<\/p>\n\n\n\n\n\n\n Fr\u00fchere Arbeiten desselben Labors hatten bereits gezeigt, dass KI funktionsf\u00e4hige Roboter in Sekunden auf einer Consumer\u2011GPU entwerfen kann. Eine Studie von 2023, ebenfalls in PNAS ver\u00f6ffentlicht, demonstrierte schnelle strukturelle Optimierung<\/a>, die praktisch augenblicklich gehf\u00e4hige Maschinen hervorbrachte. Einer dieser fr\u00fcheren Entw\u00fcrfe hatte drei Beine und hintere Flossen, eine Form, die kein Ingenieur vorgeschlagen h\u00e4tte. Damals beschrieb Sam Kriegman das Ergebnis unverbl\u00fcmt: \u201eWenn Leute diesen Roboter sehen, k\u00f6nnten sie ein nutzloses Ger\u00e4t sehen. Ich sehe die Geburt eines brandneuen Organismus.\u201c<\/p>\n Doch diese fr\u00fcheren Maschinen liefen auf glatten Tischplatten. Die Kluft zwischen einer kontrollierten Laboroberfl\u00e4che und einem tats\u00e4chlichen Feld mit Kies oder einem Wurzelgeflecht ist enorm. Ungleichm\u00e4\u00dfiger Untergrund f\u00fchrt zu Kr\u00e4ften, die Simulationen nur ann\u00e4hernd abbilden k\u00f6nnen, und kleine Modellierungsfehler summieren sich mit jedem Schritt. Die Studie von 2026 geht diese L\u00fccke direkt an. Kriegman und sein Team testeten die montierten Roboter im Freien<\/a> auf Kies, Gras und in mit Baumwurzeln durchsetztem Gel\u00e4nde \u2014 Umgebungen, in denen Trittwechsel nie garantiert ist und die Kontaktkr\u00e4fte von Schritt zu Schritt unvorhersehbar variieren.<\/p>\n In den mit der Arbeit ver\u00f6ffentlichten Videos bewegen sich die Roboter mit einem unbeholfenen, aber effektiven Gang, klettern \u00fcber kleine Hindernisse und erholen sich von Ausrutschern, die eine starrer programmierte Maschine zu Fall gebracht h\u00e4tten. Die modularen Beine biegen sich und richten sich neu aus, w\u00e4hrend der K\u00f6rper kippt, was darauf hindeutet, dass die evolvierten Entw\u00fcrfe zumindest eine eingebaute Toleranz gegen\u00fcber St\u00f6rungen besitzen. Dieses Verhalten ist nicht das Ergebnis eines Menschen, der jeden m\u00f6glichen Sto\u00df vorhergesehen hat; es entsteht aus dem evolution\u00e4ren Prozess, der Entw\u00fcrfe belohnte, die trotz verrauschter Dynamik Vorw\u00e4rtsbewegung aufrechterhalten konnten.<\/p>\n\n\n\n\n\n\n Eines der auff\u00e4lligeren Ergebnisse ist, dass diese Roboter schwere Besch\u00e4digungen \u00fcberleben<\/a> und weiterlaufen. Weil jedes Modul halbautonom arbeitet, f\u00fchrt der Verlust eines Beins nicht zum Absturz des gesamten Steuersystems. Die verbleibenden Module verteilen ihre Anstrengungen um und setzen die Fortbewegung fort, wenn auch mit ver\u00e4nderten Gangmustern. Das steht in scharfem Kontrast zu den meisten kommerziellen Robotern, bei denen ein einzelner defekter Aktuator die gesamte Plattform unbrauchbar machen kann, bis ein Techniker das Ger\u00e4t repariert oder zur\u00fccksetzt.<\/p>\nWie die Simulation den Designprozess vorantrieb<\/h2>\n\n\n
Von flachen Tischen zu unebenem Gel\u00e4nde<\/h2>\n\n\n
Schadens\u00fcberleben ohne Neustart<\/h2>\n\n\n