Robotik & KI

KI und Robotik bis 2030: Die Durchbrüche beginnen jetzt

Lernende Humanoide, Hirn-Computer-Schnittstellen, KI-Biologie, Robotaxis, Heimroboter und Rechenzentren im Orbit: Welche Durchbrüche bis 2030 wirklich tragen – und was für die Schweiz daraus folgt.

11. September 2026

Titelbild: KI und Robotik bis 2030: Die Durchbrüche beginnen jetzt — RoboTrends Schweiz

Ein Roboterarm lernt 1'000 Manipulationsaufgaben in weniger als einem Tag. Ein Mensch mit Lähmung steuert einen Computer über Hirnsignale. Ein Hund mit unheilbar geltendem Krebs erhält eine genomik- und KI-gestützte Behandlungsoption. Und Unternehmen planen Rechenleistung ausserhalb der Erdatmosphäre. Die auffälligsten Geschichten aus KI und Robotik klingen wie Science-Fiction. Ihr Kern ist jedoch Gegenwart: wissenschaftliche Experimente, klinische Studien, begrenzte kommerzielle Dienste und frühe Plattformen, die bis 2030 weitreichende Folgen haben könnten.

Gerade deshalb braucht es Präzision. Nicht jede beeindruckende Demo beweist Alltagstauglichkeit. Nicht jede klinische Studie ist eine zugelassene Therapie. Und ein Satellitenantrag ist noch kein Rechenzentrum im Orbit. Wer diese Unterschiede ernst nimmt, erkennt trotzdem einen aussergewöhnlichen Wandel: KI verlässt den Bildschirm, lernt physische Aufgaben, verbindet sich mit Medizin und wird Teil kritischer Infrastruktur. Für die Schweiz entstehen Chancen vor allem dort, wo Sicherheit, Validierung, Medtech, Qualitätsarbeit und verantwortungsvolle Integration gefragt sind.

Was bis 2030 realistisch an Fahrt gewinnen kann

Feld	Belegter Stand 2026	Was bis 2030 plausibel wächst	Was offen bleibt
Lernende Robotik	Forschungsarme lernen viele eng definierte Manipulationsaufgaben in kurzer Demonstrationszeit; Humanoide gehen in Industriepiloten.	Schnellere Anpassung an Varianten, mehr multimodale Assistenz und mehr Arbeit in strukturierten Zonen.	Robuste Leistung bei langen, offenen und sicherheitskritischen Aufgaben.
Brain-Computer Interfaces	Frühe klinische Studien ermöglichen Geräte- und Robotikarmsteuerung für ausgewählte Teilnehmende.	Bessere Kommunikation und mehr Assistenzfunktionen für eng definierte Patientengruppen.	Langzeitverträglichkeit, Datenschutz, Erstattung und breite Versorgung.
KI-Biologie	Protein- und Interaktionsmodelle beschleunigen die Forschung; einzelne KI-entdeckte Wirkstoffkandidaten laufen klinisch.	Schnellere Hypothesenbildung, bessere Wirkstoffpriorisierung und präzisere Studienplanung.	Nachweis von Wirksamkeit und Sicherheit beim Menschen.
Autonome Mobilität	Robotaxis fahren in abgegrenzten Gebieten ohne Sicherheitsfahrer; einzelne Anbieter skalieren in neue Städte.	Mehr Städte, klarer abgegrenzte Services und neue Flottenmodelle.	Schweizweite Verfügbarkeit bei jedem Wetter und auf jeder Strasse.
Heimrobotik	Erste Plattformen sammeln Erfahrungen mit Haushalt, Erinnerung und Teleassistenz.	Erinnerungs- und Assistenzfunktionen in kontrollierten Haushaltsaufgaben.	Verlässliche Autonomie, Privatsphäre und wirtschaftliche Wartbarkeit.

Die Tabelle zeigt den roten Faden: Der Fortschritt ist am stärksten, wenn Aufgabe, Umgebung und Verantwortung klar definiert sind. Ein Roboter, der Kisten in einer abgesicherten Zone bewegt, eine BCI, die eine Cursorsteuerung ermöglicht, oder ein Robotaxi in einem freigegebenen Betriebsgebiet sind keine Versprechen für alles. Sie sind jedoch belastbare Bausteine für eine grössere Entwicklung.

1. Humanoide lernen schneller – aber nicht magisch

Die oft zitierte Aussage, Roboter könnten 1'000 Aufgaben «anhand einzelner Demonstrationen» lernen, ist zu stark verkürzt. Das Paper Learning a Thousand Tasks in a Day berichtet über einen Roboterarm, der 1'000 unterschiedliche Alltags-Manipulationsaufgaben mit weniger als 24 Stunden menschlicher Demonstrationszeit lernte.[1] Das ist bemerkenswert effizient. Es bedeutet jedoch nicht, dass eine einzige Demonstration einen Humanoiden für 1'000 völlig neue Tätigkeiten qualifiziert. Die Leistung wurde in einem spezifischen Forschungsaufbau ermittelt, und jede Aufgabe braucht weiterhin eine klare Beschreibung, geeignete Wahrnehmung und eine kontrollierte Fehlerbehandlung.

Genau hier treffen Forschungsresultate auf die Plattformen Figure 03, Boston Dynamics Atlas, Unitree G1 und Tesla Optimus. Figure positioniert Figure 03 mit dem Helix-System für Haushaltsaufgaben; das Ziel ist, Wahrnehmung, Sprache und Handlung enger zu verbinden.[2] Boston Dynamics verfolgt bei Atlas dagegen bewusst einen industriellen Einstieg. Das aktuelle Datenblatt nennt unter anderem 56 Freiheitsgrade, IP67-Schutz, vier Stunden Batteriezeit, eine kurzfristige Traglast von 50 Kilogramm und einen frühen Kundenpilotbetrieb mit Hyundai.[3] Atlas ist damit kein Allzweck-Butler, sondern ein System, das an klaren Materialfluss- und Manipulationsaufgaben wachsen soll.

Unitree G1 macht die Lernseite für Entwicklungsteams sichtbarer: Das EDU-Modell ist mit Nachahmungs- und Reinforcement Learning sowie Entwicklerzugängen positioniert.[4] Tesla beschreibt Optimus weiterhin als Ziel eines general-purpose, bipeden, autonomen Humanoiden. Öffentliche Tesla-Informationen liefern aber kein vollständiges, unabhängig prüfbares «Optimus Gen 3»-Datenblatt mit einem 1'000-Aufgaben-Nachweis.[5] Das ist keine Abwertung der Anstrengungen, sondern die saubere Grenze zwischen Roadmap, Herstellerdemo und belastbarer Einsatzleistung.

Der Durchbruch bis 2030 ist vermutlich nicht der Roboter, der alles kann. Es ist der Roboter, der neue, klar definierte Varianten einer Aufgabe deutlich schneller und sicherer übernimmt.

Für Schweizer Industrieunternehmen ist diese Entwicklung besonders relevant. Präzisionsmontage, Laborlogistik, Verpackung, Qualitätsprüfung und interne Materialversorgung bestehen aus vielen Varianten, aber oft in gut messbaren Umgebungen. Wenn Demonstrationen, Simulation und sichere Nachtrainingsschritte den Einrichtungsaufwand senken, können auch kleinere Serien wirtschaftlicher automatisiert werden. Unser Beitrag über K1, LUMO, Dyna-2 und Robotik-Hände zeigt, warum Wahrnehmung und Greifen dabei mindestens so wichtig sind wie ein menschenähnlicher Körper.

2. Hirnimplantate: Mehr Autonomie in frühen klinischen Studien

Bei Hirn-Computer-Schnittstellen geht es nicht um Gedankenlesen, sondern um die Dekodierung bestimmter neuraler Signale, die eine Person willentlich erzeugt. Neuralinks PRIME-Programm untersucht mit dem N1-Implantat die Steuerung externer Geräte bei Lähmung. Laut Unternehmensangaben hatten im Januar 2026 insgesamt 21 Personen am Telepathy-Studienprogramm teilgenommen.[6] Das sind relevante frühe Erfahrungen, aber nicht das Qualitätsniveau einer breit zugelassenen Standardbehandlung.

Die CONVOY-Studie (NCT06710626) untersucht explizit die Steuerung von Hilfstechnologien, darunter eines assistiven Roboterarms. Im offiziellen Register ist sie als offene, einarmige Early-Feasibility-Studie mit geschätzten drei Teilnehmenden und dem Status «Enrolling by invitation» geführt; Ergebnisse waren bei Redaktionsschluss nicht publiziert.[7] Die VOICE-Studie richtet sich auf Kommunikation bei schweren, irreversiblen Sprechstörungen und umfasst unter anderem ALS. Auch sie ist eine kleine frühe Machbarkeitsstudie, keine bewiesene Standardtherapie.[8]

Die besonders eindrückliche Nachricht, dass ein ALS-Patient seine Stimme zurückerhielt, gehört nicht zu Neuralink: UC Davis berichtete 2024 über den BrainGate2-Studienkontext. Bei Casey Harrell wurde Sprache aus Gehirnsignalen dekodiert und eine Stimme aus Aufnahmen vor der ALS-Erkrankung rekonstruiert. Nach fortlaufendem Training berichtete das Team bis zu 97,5 Prozent Wortgenauigkeit.[9] Dieser Fall illustriert die Richtung, nicht eine Garantie. Er verdient Anerkennung, gerade weil er die medizinische und wissenschaftliche Arbeit hinter einer emotionalen Schlagzeile sichtbar macht.

Für die Schweiz liegen die möglichen Beiträge bis 2030 in klinischer Forschung, Rehabilitationsrobotik, Kommunikationshilfen, neuroethischer Begleitung und sicherer Medizintechnik. Denkbar sind nicht nur Computer-Cursor, sondern gut abgesicherte Hilfsmittel für Alltag, Kommunikation und ausgewählte Roboterassistenz. Jede Einführung muss jedoch Einwilligung, Datensouveränität, Cybersicherheit, Langzeitbeobachtung und einen fairen Zugang ernst nehmen.

3. KI in der Medizin: Beschleuniger, nicht Abkürzung um Evidenz

Die Geschichte der Hündin Rosie zeigt, warum KI in der Biologie Hoffnung weckt. Rosies Mastzellkrebs galt mit konventionellen Mitteln als nicht heilbar. Ihr Halter arbeitete mit dem Ramaciotti Centre for Genomics der UNSW zusammen, um Genomsequenzierung und KI für individualisierte Therapiehypothesen zu nutzen.[10] Das ist eine bemerkenswerte veterinärmedizinische Einzelfallgeschichte. Sie belegt nicht, dass KI Krebs «geheilt» hat, und schon gar nicht, dass sich ein Ansatz ohne klinische Prüfung auf Menschen übertragen lässt.

Ähnlich wichtig ist die richtige Einordnung von Rentosertib. Der Kandidat INS018_055 von Insilico Medicine wurde als erstes KI-entdecktes und KI-designtes Medikament mit internationalem Freinamen Rentosertib bekannt.[11] Er ist ein Wirkstoffkandidat für idiopathische Lungenfibrose, nicht eine zugelassene Krebstherapie. Sein Wert für die Zukunft liegt darin, dass KI von der Zielidentifikation über Moleküldesign bis zur Patientenselektion Teile des Entwicklungsprozesses beschleunigen kann. Ob daraus ein zugelassenes, wirksames und bezahlbares Arzneimittel wird, entscheiden weiterhin klinische Studien und Behörden.

AlphaFold hat die Forschungsbasis bereits breiter verändert. AlphaFold 3 kann Strukturen und Interaktionen von Proteinen mit anderen Biomolekülen vorhersagen; die AlphaFold-Datenbank umfasst über 200 Millionen Strukturvorhersagen.[12] Für Forschende reduziert das Suchräume und beschleunigt Hypothesen. Für Patientinnen und Patienten ersetzt es weder Laborvalidierung noch kontrollierte Studien. Bis 2030 dürfte der grösste Effekt deshalb nicht ein einzelnes Wundermedikament sein, sondern eine neue Arbeitsweise in Forschung, Diagnostik und Wirkstoffentwicklung.

4. Rechenzentren im Weltraum: eine ehrgeizige Infrastrukturwette

KI benötigt immer mehr Strom und Rechenleistung. Daraus entsteht die Idee, Rechenzentren in den Orbit zu verlagern: viel Sonnenenergie, potenziell radiative Kühlung und direkte optische Verbindungen. NVIDIA kündigte im März 2026 seine Space-1-Vera-Rubin-Plattform an und spricht von bis zu 25-mal mehr KI-Rechenleistung gegenüber H100 für weltraumbasierte Inferenz. Die Verfügbarkeit wurde jedoch nur für einen späteren Zeitpunkt angekündigt.[13] Das ist ein Technologieprogramm, kein bereits laufendes Grossrechenzentrum.

Starcloud arbeitet an orbitalem Computing und zählt zu den von NVIDIA genannten Partnern. SpaceX beschreibt mit Starmind AI1 einen Satellitenansatz mit bis zu 250 kW Spitzen- und 175 kW Durchschnittsleistung; die Produktion von Tausenden Satelliten wird frühestens ab Ende 2027 angestrebt.[14] Berichte über einen SpaceX-Antrag bei der US-Telekommunikationsbehörde FCC für bis zu eine Million Satelliten haben die Debatte weiter beschleunigt.[15] Entscheidend ist die Formulierung: Das ist ein Antrag für eine mögliche Konstellation, keine Genehmigung und keine bis 2030 gesicherte Realität.

Technisch bleiben Startkosten, Reparatur, Weltraumschrott, Frequenzkoordination, astronomische Beobachtung und internationale Regulierung grosse Hürden. Für die Schweiz ist die Debatte dennoch relevant. Firmen und Hochschulen in Satellitenkommunikation, Erdbeobachtung, Halbleitern, Energieeffizienz und Datenanalyse können an spezialisierten Komponenten und Services arbeiten. Der verantwortungsvolle Massstab lautet aber: Erst die ökologische, regulatorische und wirtschaftliche Gesamtbilanz prüfen, dann den spektakulären Orbit-Vorteil bewerten.

5. Autonome Fahrzeuge: vom Demonstrator zum Betriebsmodell

Autonome Mobilität wird bis 2030 voraussichtlich nicht überall zum Standard, aber in klar abgegrenzten Betriebsgebieten deutlich gewöhnlicher. Waymo begann 2026 vollautonome Operationen mit dem Driver der sechsten Generation. Das Unternehmen nennt fast 200 Millionen vollautonome Meilen über mehr als zehn Grossstadtkerne und setzt auf Sensorfusion aus Kameras, Radar und Lidar.[16] Die Aussage belegt beträchtliche Betriebserfahrung; sie ist dennoch eine Unternehmensangabe und kein Freipass für jede europäische Stadt.

Zoox entwickelt einen zweckgebauten Robotaxi-Dienst und bietet in Las Vegas Fahrmöglichkeiten an.[17] Tesla verfolgt mit Robotaxi ein anderes, stark softwareorientiertes Konzept, hat für die Schweiz jedoch keine öffentliche, umfassend validierte Dienstbeschreibung vorgelegt.[18] Baidus Apollo Go liefert bereits messbare Grössenordnungen: Im ersten Quartal 2026 meldete Baidu 3,2 Millionen voll fahrerlose operative Fahrten und bis April über 22 Millionen kumulierte öffentliche Fahrten.[19] Im zweiten Quartal bestätigte Baidu offene Strassentests in der Schweiz in Partnerschaft mit PostBus.[20]

Gerade dieser Schweizer Bezug ist wichtig. Die hiesige Mobilität kann von kontrollierten, datenschutzkonformen Pilotbetrieben profitieren: etwa auf Arealen, in der letzten Meile, bei Nachtlogistik oder als Ergänzung im öffentlichen Verkehr. Ob eine Anwendung zuverlässig wird, entscheidet jedoch nicht nur die KI. Kartenqualität, Wetter, Velo- und Fussverkehr, Betriebsleitstelle, Versicherungsfragen, Fahrgastrechte und klare Bewilligungen gehören genauso zum System.

6. Heimroboter: Erinnerung ist nützlich – und eine Datenschutzaufgabe

Heimroboter sind der persönlichste Teil dieser Entwicklung. 1X positioniert NEO als Haushaltssystem mit Redwood AI, Kontext- und Erinnerungsfunktionen. Für unbekannte komplexe Aufgaben ist ein geplanter Fern-Supervisionsmodus vorgesehen.[21] Das ist praktisch relevant: Ein Roboter, der sich an Vorlieben, Räume oder wiederkehrende Abläufe erinnert, kann Unterstützung individueller machen. Zugleich wächst die Verantwortung: Wer darf diese Daten sehen, wie lange werden Bild- und Audiodaten gespeichert, und was passiert bei einem Fehler oder Eigentümerwechsel?

DroidUp Moya und Realbotix gehen noch weiter in Richtung sozialer Interaktion. Moya wird als stark biomimetischer Begleitroboter mit Kameraaugen und anpassbarem Aussehen beschrieben; Realbotix bietet individualisierbare Serviceplattformen mit beweglichen Gesichtspunkten und Kameras.[22] [23] Diese Systeme zeigen, wie glaubwürdig Interaktion wirken kann. Sie beweisen nicht, dass Maschinen Gefühle haben, und sie sollten menschliche Pflege, Freundschaft oder professionelle Beratung nicht vortäuschen.

Für Schweizer Haushalte und Institutionen kann der Nutzen bis 2030 in Erinnerungshilfen, einfachen Routinen, Kommunikation und barrierearmer Assistenz liegen. Die Einführung muss aber mit klaren Grenzen starten: sichtbare Aufnahmeanzeigen, lokale oder streng geschützte Datenverarbeitung, Rollenrechte, Löschkonzepte und jederzeit verständliche menschliche Eskalationswege. Unser Artikel über UBTech UWORLD U1 zeigt, weshalb gerade realistisch wirkende Robotik eine besonders sorgfältige Diskussion über Vertrauen und Nähe verlangt.

Die Schweizer Aufgabe bis 2030: aus Neuheit nachweisbaren Nutzen machen

Die grössten Durchbrüche sind nicht automatisch die lautesten. Für die Schweiz bietet die nächste Etappe eine konstruktive Rolle: Hochschulen und Spitäler können klinische und technische Evidenz erarbeiten; KMU können spezialisierte Komponenten, Integrationsleistungen und sichere Betriebsmodelle entwickeln; öffentliche Stellen können kontrollierte Testfelder ermöglichen. Wichtig ist, dass jede Technologie mit einer konkreten Frage beginnt: Welches Problem löst sie besser, messbarer und sicherer als heute?

Bis 2030 werden KI und Robotik wahrscheinlich sichtbarer, körperlicher und persönlicher. Lernende Humanoide, BCIs, KI-gestützte Biologie, Robotaxis, Heimrobotik und orbitales Computing entwickeln sich jedoch mit sehr unterschiedlicher Reife. Wer die Evidenz hinter einer Schlagzeile prüft und dennoch mutig pilotiert, kann die Chancen nutzen. Für Schweizer Unternehmen liegt der Vorsprung nicht darin, jeden Hype zu kopieren – sondern darin, aus guten Technologien verlässliche, sichere und gesellschaftlich akzeptierte Systeme zu machen.