NEURA Robotics stellt Neuron AI vor: ein Basismodell für physische KI

NEURA Robotics stellte Neuron AI, sein multimodales Basismodell für physische KI, am 14. Oktober 2026 in einer Bekanntgabe aus Metzingen vor. Nach Angaben des Unternehmens verbindet die Wahrnehmungs-Sprach-Handlungs-Architektur (Perception-Language-Action, PLA) des Modells Sehen, Hören und Tasten eines Roboters mit dem, was er bereits getan hat, und wandelt multisensorische Informationen in physische Aktionen um.

Gründer und CEO David Reger sagte, intelligente Roboter bräuchten ein Gehirn, das ihre Sinne vereint und sich an vergangene Ereignisse erinnert. „Mit Neuron AI bauen wir das Gehirn der physischen Welt“, sagte er und beschrieb das Modell als physische KI, die in Deutschland entwickelt und für die Welt geschaffen wurde.

Die Produktseite gliedert das Modell in drei Teile: eine Wahrnehmungsebene, über die der Roboter sieht, fühlt und hört, seinen eigenen Körper kennt und den Befehl des Nutzers entgegennimmt; ein Sprachmodell, das alle Eingaben in einen gemeinsamen Sprachraum überführt und die Anfrage analysiert; sowie ein Aktionsmodell, das Entscheidungen in präzise und sichere Roboterbewegungen umsetzt. In dieser Verarbeitungskette wird jede Modalität zunächst in eine gemeinsame, zeitlich synchronisierte Repräsentation kodiert und anschließend in einen einzigen Aktionsstrom überführt.

Multisensorische Wahrnehmung und Gedächtnis

NEURA begründet den Ansatz mit den Grenzen von Kameras: Sie erfassen Geometrie, Farbe und Position, liefern aber keine Informationen über Kontakt, Kraft oder Geräusche. Wie es in der Bekanntgabe heißt, verlassen sich Menschen nicht allein auf ihr Sehvermögen: Sie spüren, wenn eine Schraube greift, und hören, wenn ein Stecker einrastet. Neuron AI überträgt dasselbe Prinzip auf Roboter.

Nach Angaben des Unternehmens sind die zusätzlichen Sinne vor allem bei Aufgaben wichtig, die Kameras allein nicht bewältigen können. Wenn ein Roboter ein Schloss öffnet, bestätigen nur Geräusche und Tastsinn, dass es tatsächlich offen ist; über den Tastsinn kann ein Roboter außerdem Gegenstände greifen, die sich außerhalb seines Sichtfelds befinden. Die zusätzlichen Sinne verbessern auch Aufgaben, die das Sehvermögen bereits bewältigt: Beim Schweißen kann der Klang des Vorgangs auf die Qualität einer Schweißnaht hinweisen.

Das Modell verfügt außerdem über eine Gedächtnisfunktion. NEURA zufolge setzt Handeln in der physischen Welt ein Verständnis von Ursache und Wirkung sowie Objektpermanenz voraus – also die Fähigkeit, sich an Gegenstände zu erinnern, wenn sie aus dem Blickfeld verschwinden. Menschen entwickeln diese Fähigkeit in den ersten zwei Lebensjahren. Anders als rein digitale KI agiert ein Roboter laut dem Unternehmen in einer kontinuierlichen physischen Welt und muss Gegenstände sowie die Folgen seiner eigenen Handlungen über einen längeren Zeitraum hinweg verfolgen, oft ohne sie zu sehen. NEURA erklärte, die Architektur gezielt umgestaltet zu haben, um ein Gedächtnis zu integrieren, und trainiere das Modell mit eigens dafür entwickelten Datensätzen.

Auf der Produktseite stellt das Unternehmen visuell ausgerichtete Vision-Language-Action-Modelle (VLA) Neuron AI gegenüber. Diese Modelle seien auf Bewegungen optimiert und zögen ihre Schlussfolgerungen überwiegend aus dem aktuellen Bild der Kamera. Neuron AI decke denselben Bereich wie ein VLA-Modell ab und ergänze Tastsinn, Geräusche und Gedächtnis, um auch das zu erfassen, was Kameras nicht wahrnehmen, heißt es dort.

Drei Datensäulen und fünf Roboterbauformen

Neuron AI wird mit drei einander ergänzenden Quellen physischer Erfahrung trainiert. Roboter unterschiedlicher Bauformen bearbeiten Aufgaben in den NEURA Gyms, der Trainingsinfrastruktur des Unternehmens für kognitive Roboter und physische KI, sowie in realen Umgebungen. Dabei entstehen synchronisierte Datenströme zu Sehen, Tasten, Kraft, Geräuschen und Bewegung. Der Data Amplifier und die Simulationsumgebung von NEURA erweitern diese Daten um simulierte Varianten von Aufgaben und Umgebungen. Daten aus menschlichen Demonstrationen stammen von Personen, die mit Sensoren ausgestattete Datenanzüge tragen. Ihre aufgezeichneten Bewegungen und Aufgabendemonstrationen bringen praktisches Fachwissen in das Training ein.

Die drei Säulen liefern reale physische Interaktion, simulierte Variationen und menschliches Fachwissen. Damit wird ein gemeinsames Basismodell für fünf Roboterbauformen von NEURA mit unterschiedlichen Greifern und Händen trainiert, erklärte das Unternehmen. Auf der Produktseite werden die fünf Bauformen als 4NE-1 Gen 3, 4NE-1 Gen 4, eine fahrbare 4NE-1 und zwei weitere beidhändige Plattformen aufgeführt. Außerdem nennt die Seite MAiRA, MiPA, MAV+ und 4NE1 als Roboterfamilie, für die ein einziges Modell trainiert und eingesetzt wird.

Betrieb auf dem Roboter und die Neuraverse-Plattform

Neuron AI läuft direkt auf dem Roboter, heißt es auf der Produktseite: Entscheidungen werden in Echtzeit auf dem Roboter getroffen, ohne Umweg über einen Server. Das System arbeitet auch ohne Cloud-Verbindung weiter, und die Produktionsdaten bleiben unter der Kontrolle des Kunden. Die Seite bezeichnet dies als zentralen Punkt für Hersteller in Europa.

In den NEURA Gyms sind Datenerfassung, Fertigkeitentraining und Benchmarking bereits vor dem Einsatz miteinander verknüpft. Die dort gewonnenen Daten und Fertigkeiten fließen in spätere Modellversionen ein. Anschließend stellt die Neuraverse-Plattform diese Fähigkeiten für ganze Roboterflotten bereit und aktualisiert sie. Zudem bietet sie Kunden Werkzeuge, mit denen sie das Modell für ihre eigenen Aufgaben feinabstimmen können, sodass das Prozesswissen eines Kunden zu Roboterfertigkeiten wird. Fertigkeiten können für den Kunden privat bleiben. Wenn ein Kunde Fertigkeiten oder Einsatzdaten weitergibt, können diese Beiträge nach Angaben von NEURA dem gesamten Ökosystem und der künftigen Modellentwicklung zugutekommen.

Als zentrale Fortschrittskennzahl verwendet das Unternehmen die „Time-to-Skill“: die Zeit, die ein Roboter benötigt, um eine neue Aufgabe zu erlernen und zuverlässig auszuführen. Für Industriekunden sei es entscheidend, diese Zeit zu verkürzen, um physische KI auf weitere Prozesse auszuweiten und an veränderte Anforderungen anzupassen, erklärte NEURA.

Entwicklung in Deutschland und Demonstration auf der GTC Berlin

Entwicklung und Training fanden unternehmensintern am NEURA-Standort Metzingen statt. Dort vereint das Unternehmen Roboter, Hände, Sensorik, Dateninfrastruktur und KI-Entwicklung, die erforderlich sind, um das Modelltraining mit der physischen Leistung zu verknüpfen. NEURA zufolge bietet Deutschlands industrielle Basis mit komplexen Fertigungsprozessen, spezialisiertem Know-how und anspruchsvollen Betriebsumgebungen einen wichtigen Rahmen für diese Arbeit. Datenpartnerschaften mit Industrieunternehmen wie Schaeffler und Bosch ergänzen das Training in den NEURA Gyms.

Auf der NVIDIA GTC Berlin 2026 wird NEURA seinen humanoiden Roboter 4NE1 („For Anyone“) mit der aktuellen Version von Neuron AI in einer elfminütigen Sequenz zur Wäschepflege vorführen. Dabei sortiert 4NE1 die Wäsche, belädt eine Waschmaschine, schließt und öffnet sie wieder, entlädt sie und bringt die Wäsche zu einem Trockner – und das alles ohne menschliches Eingreifen. Das Unternehmen erklärte, die Herausforderung gehe über einzelne Bewegungen hinaus: Der Roboter müsse während der gesamten Sequenz den relevanten Kontext im Blick behalten, jeden Schritt abschließen und zum nächsten übergehen. Die Vorführung findet vom 20. bis 22. Oktober 2026 in der Station-Berlin, Halle 3, Stand #3031, statt.