Apples AMP1 lässt Allzweck-KI-Modelle Roboterarme steuern – und sie schlagen die Spezialisten
Wichtige Erkenntnisse
- •AMP1, entwickelt von den Apple-Forschern Chen Chen und Omid Bagherieh, ermöglicht Allzweck-KI-Modellen die Steuerung von Roboterarmen durch das Erzeugen und Ausführen von Python-Code – ohne Fine-Tuning oder Demonstrationsbibliothek.
- •Im RoboLab-120-Simulations-Benchmark erzielte AMP1 85,6 % in Kombination mit Gemini 4 Argon und 82,8 % mit Claude Opus 5.5 und übertraf damit NVIDIAs Astranomy-Modell mit 74,8 %.
- •In Realwelt-Tests über 108 Versuche an drei Franka-Roboterarm-Setups absolvierte AMP1 104 Versuche mit einer Erfolgsquote von 96,3 %, während Basissysteme 49 bzw. 30 Versuche schafften; Betriebsausfälle sanken um das 15- bis 20-Fache.
- •Das Framework läuft zero-shot in Einarm-, Zweiarm- und mobilen Roboterkonfigurationen ohne Neutraining und kann seine Strategie in Echtzeit durch Werkzeugnutzung und Suchen anpassen.
- •Apple hat AMP1s Code und Simulationsdaten im November 2026 öffentlich freigegeben – im selben Monat, in dem das HALO-System für die Navigation humanoider Roboter startete –, sodass andere Labore die Ergebnisse unabhängig testen können.
Apple-Forscher haben eine neue Robotik-Studie mit einer provokanten These veröffentlicht: Ein Roboter braucht möglicherweise kein speziell entwickeltes Gehirn, um nützlich zu sein. Das System namens AMP1 – kurz für Agentic Manipulation Policies – ermöglicht Allzweck-KI-Modellen, Roboterarme durch das Schreiben und Ausführen von Python-Code zu steuern. Laut der Studie übertraf es spezialisierte Roboter-Policies bei Manipulationsaufgaben sowohl in Simulationen als auch in Realwelt-Tests.
Die Studie mit dem Titel „On Agentic Manipulation Policies“ (arXiv:2611.09892) wurde im November 2026 veröffentlicht. Der Code und die Simulationsdaten sind öffentlich zugänglich, sodass andere Labore die Behauptungen direkt überprüfen können.
So funktioniert AMP1
AMP1 läuft zero-shot. Das zugrunde liegende Modell erhält kein Fine-Tuning für den jeweiligen Roboter oder die Aufgabe, und das Framework benötigt keine Bibliothek von Demonstrationen. Die Studie beschreibt AMP1 in mehreren Roboterkonfigurationen im Einsatz, darunter Einarm-, Zweiarm- (bimanuelle) und mobile Setups. Die Unterstützung verschiedener Hardware ohne Neutraining ist genau die Flexibilität, die spezialisierten Systemen meist fehlt.
Das Framework kann seine Strategie zudem in Echtzeit anpassen, einschließlich der Nutzung von Werkzeugen und der Durchführung von Suchen, je nach Anforderungen.
Die Ergebnisse
In Simulationen testete das Team AMP1 im RoboLab-120-Benchmark. Gekoppelt mit dem Modell Gemini 4 Argon erreichte AMP1 eine Erfolgsquote von 85,6 %. Mit Claude Opus 5.5 als Antrieb kam es auf 82,8 %. Zum Vergleich: NVIDIAs Astranomy-Modell erzielte im selben Benchmark 74,8 %. Da AMP1 zero-shot lief, messen diese Vergleiche Allzweck-Reasoning mit spezialisierten Policies, die eigens für verkörperte Aufgaben entwickelt wurden.
AMP1 erzielte laut der Studie auch in anderen Benchmarks Spitzenwerte: 95,2 % bei LIBERO-PRO und 100 % bei robosuite.
Die Realwelt-Leistung wurde in 108 Versuchen an drei Franka-Roboterarm-Setups bewertet. AMP1 absolvierte davon 104, eine Erfolgsquote von 96,3 %, während die Basissysteme 49 bzw. 30 Versuche abschlossen. Die Studie berichtet außerdem, dass AMP1 Betriebsausfälle im Vergleich zu führenden Basismodellen um das 15- bis 20-Fache reduzierte – eine Verbesserung, die größtenteils auf eine bessere Fehlerbehebung zurückgeführt wird.
Das Team und der größere Kontext
Zu den Autoren der Studie gehören die Apple-Forscher Chen Chen und Omid Bagherieh. Die Arbeit erscheint kurz nach Apples HALO-System für die Navigation humanoider Roboter, das ebenfalls im November 2026 veröffentlicht wurde – zwei Robotik-Veröffentlichungen von Apple innerhalb eines Monats.
Zu den spezialisierten Kategorien, gegen die AMP1 gemessen wurde, zählen Vision-Language-Action-Modelle (VLAs) und World-Action-Modelle (WAMs). VLAs verarbeiten, was ein Roboter sieht, zusammen mit einer Textanweisung, und geben physische Aktionen aus. WAMs fügen ein gelerntes Modell des Weltverhaltens hinzu. Beide wurden speziell für verkörperte Aufgaben entwickelt und sind typischerweise auf große Mengen roboterspezifischer Trainingsdaten angewiesen.
AMP1 verfolgt einen anderen Ansatz. Statt ein Roboterhirn von Grund auf zu bauen, nutzt es das Reasoning großer Allzweck-Modelle und gibt ihnen eine Möglichkeit, über Code zu handeln. Dieser Kontrast umreißt die Bedeutung der Studie: Wenn Allzweck-Modelle ohne taskspezifisches Training mit spezialisierten Policies mithalten können, sind die großen Mengen roboterspezifischer Trainingsdaten hinter VLAs und WAMs möglicherweise keine Voraussetzung für leistungsfähige Manipulation.
Was das bedeutet
Die Ergebnisse kommen mit in der Berichterstattung genannten Einschränkungen: AMP1 ist auf Drittanbieter-Modelle wie Gemini 4 Argon und Claude Opus 5.5 angewiesen, sodass seine Leistung teilweise von Systemen abhängt, die Apple nicht kontrolliert. Andererseits bedeutet die öffentliche Freigabe von Code und Simulationsdaten, dass andere Forschungslabore diese Behauptungen selbst überprüfen können – die unabhängige Replikation ist damit der klarste nächste Test für die berichteten Zahlen.
Dieser Artikel wurde ursprünglich von CryptoBriefing berichtet und von Diego Almada Lopez redigiert.
