Markt-Radar · Stand 10/2026 · Wird monatlich aktualisiert
Physical AI in der Industrieautomatisierung
Physical AI in der Industrieautomatisierung zählt 143 Fachpublikationen, erfordert vor großen Budgets aber einen ehrlichen Markttest.
Im Podcast:Folge #068: Physical AIFolge #064: Human Augmentation & Physical AI bei German Bionic
Für eure Entscheidung heißt das: Erst in einem ehrlichen Markttest mit klarem Abbruchkriterium validieren, bevor ihr festes Budget bindet.1,2
Erste Einordnung: Erst validierenValidiert zuerst, wenn für euch noch unklar ist, welchen messbaren Hebel Physical AI in eurer eigenen Fertigung oder Produktlinie hat.
- Patenteniedrig
- Forschungmittel
- Medienmittel
- EU-Förderungniedrig
- Dealsniedrig
Das Wichtigste
Forschung fokussiert auf additive Fertigung und Materialprozesse
Von 2016 bis 2026 sind 143 wissenschaftliche Publikationen im Kernfeld erschienen, allein 73 im noch unvollständigen Jahr 2026. Die meistzitierten Arbeiten ab 2023 von Instituten wie der Northwestern University oder dem Karlsruhe Institute of Technology nutzen physik-informierte neuronale Netze für Temperaturvorhersagen, Ermüdungsanalysen und Prozessmodelle in der additiven Fertigung sowie im Verbundwerkstoffbau. Das heißt: Prüft den Einsatz zuerst dort, wo ihr komplexe thermische oder mechanische Fertigungsprozesse präziser steuern wollt.1,3,4
Erste Anbieter adressieren Laufzeitschichten, Sicherheit und Halbleiter
In den 105 Medienartikeln zum Kernfeld treten erste spezialisierte Angebote für den Fabrikbetrieb auf. TÜV SÜD und Accenture zeigen auf der NVIDIA GTC Berlin 2026 eine Safety Suite für Physical AI, Xentara adressiert die Laufzeitschicht in der Automatisierung und Analog Devices entwirft den Halbleiter-Ansatz für physische Intelligenz. Das heißt: Ihr könnt für erste Piloten bereits auf Werkzeuge für Sicherheit und Laufzeitumgebungen zurückgreifen, statt alles selbst zu entwickeln.5,6,7
Patente sichern das Grundverfahren, nicht die Fabrikhalle
In den Patentdaten finden sich 92 Patentfamilien zur Technologie in allen Anwendungen, aber 0 nennen explizit die Industrieautomatisierung. Konzerne wie Siemens, Mitsubishi Electric und Hitachi Energy melden Schutzrechte für Strömungssimulationen, Strukturoptimierung und Energiesysteme an, meist in den Klassen für neuronale Netze (G06N3) und rechnergestütztes Design. Das heißt: Wer heute aufbaut, stößt in der Fertigungsanwendung kaum auf bestehende Patentblockaden, muss den Transfer in die Fabrik aber selbst leisten.8,9,10
Die Zahlen
2016unvollständig2026
Im Kern 92 Familien
So gezählt
Google Patents (BigQuery): Patentfamilien (jede Erfindung einmal gezählt), deren englischer Titel oder Kernbegriffe die Technologie („physical AI“, „embodied AI“, „embodied artificial intelligence“, „physics-informed machine learning“, „physics-informed neural network“) nennen, nach frühestem Prioritätsjahr 2016 bis 2026: 92 Familien. Nur 0 Familien nennen zusätzlich die Anwendung („automation“, „manufacturing“, „factory“, „assembly“), zu wenige für belastbare Zahlen. Reihe, Anmelder und Anteile zählen deshalb die Technologie in allen Anwendungen. Häufigste Patentklassen dieser Familien: G06N3 (51), G06F30 (25), G06F17 (13). 2025 und 2026 sind noch unvollständig (rund 18 Monate zwischen Anmeldung und Veröffentlichung) und zählen nicht in den Trend. Anteil der international angemeldeten Familien (mindestens zwei Patentämter, EP oder WO; 34 mit bekanntem Anmelder) mit Anmelder aus Deutschland: 9 %, aus der EU-27: 26 %. Das Land eines Anmelders ist das Land, das die Mehrheit seiner Familien nennt. Anmelder: Familien je Anmelder, Schreibvarianten zusammengefasst, Privatpersonen nicht gelistet; wer fast nur gemeinsam mit einem größeren Anmelder anmeldet, ist dort zusammengefasst. Belege: Familien ab Priorität 2023, Technologie und Anwendung im Titel zuerst, dann nach Zahl der Patentämter, höchstens zwei je Anmelder. Hell gezeichnete Jahre sind noch nicht vollständig erfasst und zählen nicht in den Trend.
2016unvollständig2026
So gezählt
OpenAlex (wissenschaftliche Publikationen): Wissenschaftliche Publikationen (Artikel, Preprints, Konferenzbeiträge, Bücher), die im Titel die Technologie („physical AI“, „embodied AI“, „embodied artificial intelligence“, „physics-informed machine learning“, „physics-informed neural network“) und ebenfalls im Titel die Anwendung („automation“, „manufacturing“, „factory“, „assembly“) nennen: 143 von 2016 bis 2026. 2025 und 2026 sind noch unvollständig (Publikationen werden noch nachgetragen) und zählen nicht in den Trend. Der Trend vergleicht den Anteil an allen erfassten Publikationen des jeweiligen Jahres, damit das Wachstum der Wissenschaft insgesamt nicht als Wachstum des Felds zählt. Institutionen: Zahl der Publikationen 2021 bis 2026 mit mindestens einer Autorin oder einem Autor der Institution. Belege: die 10 meistzitierten Publikationen ab 2023. Hell gezeichnete Jahre sind noch nicht vollständig erfasst und zählen nicht in den Trend.
2016unvollständig2026
So gezählt
CORDIS (EU-Forschungsförderung): EU-geförderte Projekte aus Horizon 2020 und Horizon Europe mit Projektstart ab 2016, deren Titel oder Beschreibung die Technologie („physical AI“, „embodied AI“, „embodied artificial intelligence“, „physics-informed machine learning“, „physics-informed neural network“) und die Anwendung („automation“, „manufacturing“, „factory“, „assembly“) nennt: insgesamt 25 Projekte, gezählt nach Startjahr. 2026 ist noch unvollständig (laufendes Jahr) und zählen nicht in den Trend. Belege: die 15 Projekte mit der größten EU-Förderung unter den 50 relevantesten. Von den 25 relevantesten Projekten gehören nach Prüfung der Titel 5 zum Thema; ihre EU-Förderung beträgt zusammen 3,9 Mio. €. Das ist die Förderung ganzer Konsortien, nicht Geld an einzelne Unternehmen. Partner: Koordinatoren und Teilnehmer dieser 5 Projekte. Hell gezeichnete Jahre sind noch nicht vollständig erfasst und zählen nicht in den Trend.
Wer das Feld prägt
- SiemensDEKonzernHält Patentfamilien zur Technologie insgesamt, konkret zum Training physik-informierter neuronaler Netze für turbulente Strömungen.10
- Mitsubishi ElectricJPKonzernZählt zu den Top-Anmeldern bei der Technologie in allen Anwendungen und patentiert Methoden zur Strukturoptimierung mittels physik-informierter neuronaler Netze.8
- AccentureKonzernPräsentiert gemeinsam mit TÜV SÜD eine Physical AI Safety Suite für den sicheren Einsatz in der Praxis.5
- Tüv SüdDEMittelstandBringt mit Accenture eine Sicherheits-Suite für Physical AI auf den Markt.5
- Neura RoboticsDEStartupÜbernimmt Adlatus, um das eigene Angebot im Bereich Physical AI auszubauen.11
- RoboForceUSStartupSichert sich 52M $ für die Entwicklung von Physical-AI-Robotern für industrielle Arbeit.12
- XentaraStartupPositioniert sich als Anbieter für die Laufzeitschicht von Physical AI in der Industrieautomatisierung.7
- Analog DevicesUSKonzernEntwickelt den Halbleiter-Ansatz für physische Intelligenz in der industriellen Automatisierung.6
- Formove GmbHDEStartupErhält EU-Förderung für den Aufbau einer Datenbasis für Physical AI.13
- Karlsruhe Institute of TechnologyDEForschungErforscht physik-informierte neuronale Netze zur datenfreien Ersatzmodellierung in der Verbundwerkstofffertigung.4
Wohin Geld fließt
Build, Partner oder Invest
Strategische Relevanz: Für Maschinenbauer und produzierende Unternehmen ergänzt Physical AI das Kerngeschäft durch präzisere Prozesssteuerung in der Fertigung und koordinierte Abläufe. Für Anbieter von Laufzeitumgebungen, Sicherheitslösungen und Robotik wie Xentara oder RoboForce entsteht hier ein neues Geschäft.Distanz zum Kerngeschäft: Das Feld verlangt Fähigkeiten in neuronalen Netzen (G06N3) und rechnergestützter Konstruktion, gekoppelt an tiefes Domänenwissen über physikalische Fertigungsprozesse. Es liegt nah für Teams, die bereits Simulation und Anlagensteuerung verbinden, und weit weg für reine Anwender ohne eigene Modellierungskompetenz.
Erst validierennaheliegend
Validiert zuerst, wenn für euch noch unklar ist, welchen messbaren Hebel Physical AI in eurer eigenen Fertigung oder Produktlinie hat. Da der Reifegrad mangels belastbarer Patentzahlen im Anwendungsfeld unklar ist, schützt ein ehrlicher Markttest mit klarem Abbruchkriterium davor, Budget in ein noch unscharfes Feld zu binden.
Build
Baut selbst, wenn die physik-informierte Prozessmodellierung euer Kerngeschäft direkt differenziert und ihr die Fähigkeiten für neuronale Netze im Haus habt; obwohl die fünf größten Anmelder nur 20 % der Patente zur Technologie insgesamt halten, spricht das Fehlen jeglicher spezifischer Automatisierungspatente gegen ein vorschnelles Großprojekt ohne vorherige Validierung.
Partner
Partnert, wenn ihr euer Kerngeschäft um eine eng abgegrenzte Fähigkeit wie Prozessmodelle für die additive Fertigung oder Sicherheits-Frameworks ergänzen wollt, wofür ein Anteil von 64 % Forschungseinrichtungen in den passenden EU-Projekten gute Anknüpfungspunkte bietet; ohne vorherige Validierung des konkreten Anwendungsfalls bindet aber auch eine Partnerschaft unnötig Ressourcen.
Invest
Investiert, wenn das Feld für euch zentral ist, euch die Fähigkeiten für Robotik oder Datenplattformen fehlen und ihr über Beteiligung oder Übernahme zugreifen wollt; bei lediglich 2 relevanten Deal-Meldungen im Titel ist die Auswahl an reifen Zielen im Markt derzeit jedoch sehr klein.
Hypothese: Ein zeitlich begrenzter Pilot zur Prozessmodellierung oder Laufzeitsteuerung liefert innerhalb bestehender Fertigungslinien eine belastbare Entscheidungsgrundlage, bevor ihr Budget für Build, Partner oder Invest freigebt. Diese Annahme bestätigt sich in den nächsten 12 Monaten, wenn aus den 73 Fachpublikationen des Jahres 2026 erste spezifische Patentanmeldungen für die Fabrikautomatisierung und weitere kommerzielle Laufzeit- oder Sicherheitsangebote hervorgehen.
Wann die Antwort Nein ist
Für Unternehmen ohne komplexe physikalische Fertigungsprozesse wie die additive Fertigung oder ohne eigenen Automatisierungsbedarf trägt das Feld heute nicht. Ihr erkennt das daran, dass selbst in der Patentdatenbank noch 0 Familien die Technologie direkt mit Fertigung oder Montage im Titel verknüpfen.
Prüfpunkte für die nächsten 12 Monate
Beobachtet in den nächsten 12 Monaten, ob die 73 wissenschaftlichen Publikationen aus 2026 in erste internationale Patentanmeldungen speziell für die Fabrikautomatisierung münden und ob mehr als die bisherigen 2 Deals pro Dreijahreszeitraum stattfinden. Setzt parallel einen eng abgegrenzten Piloten im Venture Clienting auf, etwa zur Laufzeitschicht mit Xentara oder zur Sicherheitsprüfung über die Suite von TÜV SÜD und Accenture, und legt vorab fest, bei welchem Ergebnis ihr abbrecht.
Wie hy zwischen Build, Partner und Invest entscheidet: Build, Partner oder Invest.
Was ihr klären solltet, bevor ihr Budget bindet
- In welchen eurer Fertigungsprozesse, etwa in der additiven Fertigung oder im Verbundwerkstoffbau, stoßen reine Datenmodelle heute an Grenzen, die physik-informierte neuronale Netze lösen können?
- Habt ihr die Fähigkeiten für neuronale Netze (G06N3) und physikalische Simulation im eigenen Team, oder müsst ihr für einen Markttest auf Partner aus den 64 % Forschungseinrichtungen der EU-Projekte zugreifen?
- Welches harte Abbruchkriterium legt ihr für einen Piloten bei Laufzeitumgebungen oder Sicherheits-Suites fest, bevor ihr festes Budget in Physical AI bindet?
30 Minuten mit dem Team Strategy & Innovation
Wir gehen das Radar mit euch durch und legen unsere Startup- und Patentdaten daneben.
Was das Radar nicht sieht
- Startups: wer jung ist, kaum patentiert und noch nicht in der Presse steht.
- Deals: Runden, Beteiligungen und Kooperationen, die nicht öffentlich gemeldet sind.
- Eure Position: was ihr schon könnt, wie weit das Feld von eurem Kerngeschäft weg ist.
Dazu bei Return on Innovation
Quellen und Methode
13 Belege
- Hybrid thermal modeling of additive manufacturing processes using physics-informed neural networks for temperature prediction and parameter identification · Northwestern University · US · 2023-01-12
- Three-dimensional displacement using pre-trained physics informed neural networks · Halliburton Energy Services · US · 2023-11-20
- Multi-fidelity physics-informed machine learning framework for fatigue life prediction of additive manufactured materials · University of Electronic Science and Technology of China · CN · 2025-03-13
- Physics-informed neural networks for data-free surrogate modelling and engineering optimization – An example from composite manufacturing · Karlsruhe Institute of Technology · DE · 2023-05-25
- TÜV SÜD und Accenture präsentieren "Physical AI Safety Suite" auf der NVIDIA GTC Berlin 2026 · presseportal.de · 2026-10-21
- Analog Devices maps the semiconductor case for physical intelligence in industrial automation · marketscale.com · 2026-07-19
- Xentara Targets the Runtime Layer for Physical AI in Industrial Automation · arcweb.com · 2026-10-07
- Systems and methods for shape optimization of structures using physics informed neural networks · Mitsubishi Electric; Mitsubishi Electric Mobility; Mitsubishi Electric Research Laboratories · JP · 2024-02-09
- Method and processing system for use with an asset of an electric power system, and method of providing a physics informed machine learning model · Hitachi Energy · CH · 2023-11-15
- System and method for training a physics informed neural network with reynolds averaged navier stokes formulation of turbulent flows · Siemens · DE · 2023-05-17
- Neura Robotics acquires Adlatus to build physical AI powerhouse · finance.yahoo.com · 2026-08-24
- RoboForce raises $52M to develop physical AI robots for industrial labor · siliconangle.com · 2026-03-16
- FORMOVE: FORMOVE: DATA FOUNDATION FOR PHYSICAL AI · Formove GmbH · DE · 2026-09-01
Methode: Wir zählen und lesen öffentliche Daten (Google Patents (BigQuery), OpenAlex (wissenschaftliche Publikationen), Online-Medien (Google News, GDELT), CORDIS (EU-Forschungsförderung), Finanzierungsmeldungen (Google News)) zu den Suchbegriffen des Felds. Das Briefing ist aus diesen Belegen geschrieben, jede Aussage verweist auf ihre Quelle. Es ist ein Blick von außen: ein Indikator, kein vollständiges Bild.
Was die Daten nicht zeigen: Dieser Blick von außen zeigt nicht, welche internen Projekte Maschinenbauer und Fabrikbetreiber ohne Pressemeldung oder Patentanmeldung verfolgen und welche Kosten oder Stückzahlen in ersten Piloten anfallen. Gerade weil die Patent- und Förderdaten im Anwendungsfeld nur niedriges Vertrauen bieten, bleibt die tatsächliche Verankerung in den Werkshallen verdeckt.