Die Pi API macht Feinabstimmung und Inferenz für Roboter-Basismodelle zu einem gehosteten Dienst. Am 13. Oktober 2026 gab Physical Intelligence im offiziellen Blog den Beta-Start der Pi API bekannt: Entwickler laden ihre eigenen Roboterdaten hoch, starten das Fine-Tuning auf Rechenleistung und Infrastruktur, die Physical Intelligence betreibt, und lassen das abgestimmte Modell über ein gehostetes Gateway auf ihrem Roboter inferieren; Evaluationsdaten steuern die nächste Iteration. Die Bewerbung ist offen, Teams sollen beschreiben, was sie bauen wollen.
Weg fällt genau der Teil, der Robotikteams am meisten fehlt
Das Versprechen allgemeiner Roboter-Basismodelle wie pi0 und pi0.5 war immer, Daten und Aufwand für die Anpassung an neue Aufgaben, Umgebungen und Maschinen zu senken. Aber weniger ist nicht null: Wer ein Basismodell auf den eigenen Roboter bringen will, braucht weiterhin ML-Infrastruktur, Rechenleistung und komplexe Datenpipelines – genau den Teil, in dem die meisten Robotikfirmen am schwächsten sind. Die Pi API folgt derselben Logik wie gehostete Inferenz für große Sprachmodelle: Sie nimmt die schwerste, am wenigsten differenzierende Ingenieursarbeit weg und lässt drei Handlungen übrig – Daten hochladen, Fine-Tuning starten, Inferenz aufrufen. Nach Unternehmensangaben nutzt das neueste über die API bereitgestellte Modell Daten beim Fine-Tuning effizienter und leistet für Partner mehr; weil sich die zugrunde liegenden Modelle schnell austauschen lassen, sollen künftige Modelle weiter über denselben Zugang erscheinen.
Frühe Kunden laufen bereits unter realen Bedingungen
Um zu zeigen, dass das mehr ist als eine Labordemonstration, hat Physical Intelligence Fortschritte früher Partner veröffentlicht. Actor setzt die API auf autonomen Schwermaschinen ein: Ein unbemannter Radlader schaufelt Material und belädt einen Muldenkipper im echten kommerziellen Einsatz, ohne Fahrer in der Kabine. Almonds zweiarmiger Roboter Axol begann nach vier Tagen Iteration mit der API, Distanzstücke für seine eigene Montage zu entgraten – das Ziel ist, dass Axol sich selbst mit zusammenbaut. Die Einsätze reichen von Japan über die Schweiz bis zu mehreren Standorten in den USA, die meisten mit cloudgehosteter Inferenz, und das Unternehmen räumt offen ein, dass es an manchen Standorten Netzwerkprobleme gab. Gemeinsam ist den Fällen nicht die Aufgabe, sondern die Schleife: Demonstrationen sammeln, trainieren, am Roboter testen und aus den Fehlern ableiten, welche Daten als Nächstes fehlen – eine Schleife, für die man früher ein eigenes Team brauchte.
Im größeren Bild geht es um mehr als eine neue Produktoberfläche. Roboter-Basismodelle existierten bisher vor allem als Paper, Demovideos und offene Gewichte, die normale Teams selbst mit Gewichten nicht unbedingt zum Laufen bekamen. Mit gehostetem Fine-Tuning und gehosteter Inferenz wandert der Engpass von der Frage nach einem Infrastrukturteam hin zu guten Aufgabendaten. Genauso wichtig ist das Unerwähnte: Die Ankündigung nennt keine Preise, keine Latenzwerte und keinen Termin für die allgemeine Verfügbarkeit; ob Cloud-Inferenz für latenzempfindliche Szenen reicht, werden erst mehr Teams unter realen Bedingungen klären. Google bettet seine Modelle dagegen in das eigene Ökosystem ein, etwa mit der übergeordneten Planung von Gemini Robotics ER 2; Physical Intelligence setzt auf Modelle als Dienst. Welche Route zuerst zahlende Robotikkunden hervorbringt, dürfte sich im nächsten Jahr zeigen.
