Die KI verfolgte ein ganzes Spiel lang einen kahlen Kopf. Mehr Trainingsdaten ändern das nicht.

Im Oktober 2020 verbrachte eine automatisierte Kamera bei einem schottischen Fußballspiel das gesamte Spiel damit, den kahlen Kopf eines Linienrichters statt des Balls zu verfolgen. Der Clip ging viral. Die meisten Menschen lachten darüber als niedlichen Fehler. Ich sah ihn mir aus einem anderen Grund immer wieder an: Das System war nicht kaputt. Es tat genau das, wofür wir es gebaut hatten.

Dieser Clip ist die denkbar klarste Veranschaulichung dafür, warum physikbeschränkte Computer Vision das Einzige ist, was Vision-Systeme in der Produktion vertrauenswürdig macht — und warum es das Problem nicht löst, immer mehr Trainingsdaten darauf zu werfen, was ich zuerst versucht habe.

Unter Stadionflutlicht erzeugt ein kahler Kopf spekulare Glanzlichter — helle, runde, weiße Reflexionen — mit Pixelgradienten, die statistisch nicht von einem Fußball zu unterscheiden sind. Der Detektor, ein Standard-CNN der YOLO-Familie, verarbeitete jedes Einzelbild für sich und ordnete dem Kopf zu 98 % Konfidenz "Ball" zu. Der eigentliche Ball, der mit hoher Geschwindigkeit durch Schatten verschwamm, erreichte 80 %. Das System folgte der höheren Zahl. Das ist kein Bug. Das ist das Modell, das seinen eigenen Augen glaubt.

Ein Detektor findet Muster. Er hat keine Ahnung, dass ein "Ball", der konstant 1,7 Meter über dem Boden sitzt, an einem senkrechten Zylinder befestigt ist und die Seitenlinie entlanggeht, physikalisch unmöglich ist.

Die Lösung ist kein besserer Datensatz. Die Lösung ist Physik.

Das Kahlkopf-Problem ist überall — es geht nur nicht immer viral

Ich habe jahrelang Vision-Pipelines in zwei Welten ausgeliefert, die sich überhaupt nicht ähneln: Stadion-Gantries, die einen Ball verfolgen, und Fab-Linien, die Silizium inspizieren. Sie teilen eine Krankheit. Das Modell sieht eine Form, die es erkennt, und meldet sie, ohne jeden Mechanismus zu fragen, ob das, was es meldet, in der physischen Welt überhaupt existieren könnte.

Bei der Halbleiterinspektion ist das Symptom kein kahler Kopf — es ist der Nuisance-Defekt. KLA besitzt etwa 63 % des Marktes für Prozesskontrolle, und ihre Breitband-Werkzeuge der 2900-Serie können Strukturen bis zu 10 Nanometer auflösen. Die Detektionsempfindlichkeit ist nicht der Engpass. Der Engpass ist, dass ein einziger Breitbandscan Tausende von Anomalien pro Wafer markiert, und die meisten davon sind Staub, Oberflächenartefakte oder Musterrauschen, die die Ausbeute nie berühren werden. Jede einzelne muss dennoch von einem Deep-Learning-Modell klassifiziert werden, das auf einer Bibliothek historischer Defekte trainiert wurde.

Folgendes hat dieses Modell nicht: irgendein Verständnis davon, wie Licht physikalisch mit einer Vertiefung im Vergleich zu einem Fleck oder einem Prozessrückstand interagiert. Wenn also eine Fab zu einem neuen Prozessknoten übergeht — etwa Gate-all-around bei 2 nm —, wird die Trainingsbibliothek über Nacht veraltet, und die Nuisance-Rate schießt in die Höhe. Und die Kosten eines Fehlers sind nicht abstrakt. Ein Ausbeuteverlust von 1 % bei fortschrittlichen Knoten geht in die Millionen, denn ein einzelner Wafer kann Zehntausende von Dollar kosten.

Die Fertigungshalle hat dieselbe Krankheit mit einer leiseren, gemeineren Ausprägung. Auf einer Produktionslinie mit KI-gestützter Qualitätskontrolle weiß man in Echtzeit fast nie, wann das Modell falsch liegt, weil neben der Kamera keine Ground-Truth-Labels liegen. Ein Beleuchtungswinkel verschiebt sich nach der Wartung. Eine Linse trübt sich über ein paar Wochen ein. Eine Vorrichtung verschleißt. Fehlausschüsse steigen, und man bekommt Nacharbeitsschleifen, oder Fehlannahmen schleichen sich ein, und man bekommt Durchschlüpfer — und man erfährt erst, welches von beidem, wenn ein Qualitätsdurchschlupf eine Eindämmung, eine Quarantäne, eine vollständige Nachinspektion erzwingt.

Das Modell versagte nicht lautstark. Es driftete in aller Stille, und der erste Alarm war eine Kundenrücksendung.

Diese Stille ist teuer. Die Kosten mangelhafter Qualität belaufen sich beim durchschnittlichen Hersteller auf rund 20 % des Gesamtumsatzes. Ein in der Planung erkannter Defekt kostet etwa 100 $; derselbe Defekt in der Produktion erkannt kostet 10.000 $. Intel hat berichtet, allein durch die Vermeidung von Ausschuss mit KI-Inspektion rund 2 Millionen $ pro Jahr zu sparen. Der Nutzen ist real — und genau deshalb ist der Fehlermodus der stillen Drift so zerstörerisch. Er frisst den Nutzen auf, ohne es einem zu sagen.

Und die Überkorrektur ist genauso kostspielig wie die Drift. Ich habe erlebt, wie eine automatisierte optische Inspektionsanlage im Wert von mehreren Millionen Dollar stillschweigend abgeschaltet wurde, weil ihre Abstimmung so aggressiv war, dass sie gute Teile schneller aussortierte, als sie schlechte fand — sie konnte einen Knapp-Test nicht bestehen, den Standard, der fragt, ob Ihre Inspektion Defekte tatsächlich von akzeptabler Variation unterscheidet. Ein System, das die Ausbeute auf dem Papier schützt und sie in der Praxis zerstört, ist schlimmer als kein System, denn jemand hat dafür bezahlt, und jemand misstraut jetzt jeder automatisierten Entscheidung, die es berührt.

Warum lösen mehr Trainingsdaten das nicht?

Als mein Team zum ersten Mal gegen diese Wand lief, war ich mir der Antwort sicher, und ich lag falsch.

Die vorherrschende Lehrmeinung in der Computer Vision besagt, dass Edge Cases ein Datenproblem sind. Ihr Modell versagt bei den seltsamen Fällen, weil es nicht genug seltsame Fälle gesehen hat, also gehen Sie hin und sammeln mehr davon. Ich glaubte das. Ich vertrat es. Wir bauten einen viel größeren, viel vielfältigeren Datensatz — anderes Licht, andere Winkel, mehr der verwirrenden Fälle — und trainierten neu. Die Zahlen des Modells auf dem Validierungsset waren wunderschön. Ich erinnere mich an das Gefühl, dass wir die Lücke geschlossen hatten.

Dann setzten wir es auf einer echten Linie ein, ein Wartungstrupp justierte eine Leuchte, und der Ausschussbehälter begann sich mit guten Teilen zu füllen.

Nichts in unserem prächtigen Datensatz deckte genau diese neue Beleuchtungsgeometrie ab, weil diese Geometrie noch nicht existiert hatte, als wir die Daten sammelten. Wir hätten hingehen und auch das sammeln können — und dann die nächste Verschiebung jagen, und die nächste Linsentrübung, für immer. Genau da traf mich endlich der Satz, der mich schon lange gequält hatte: Edge Cases sind nicht 5 % des Problems. Sie sind 80 % der Engineering-Zeit, 90 % der Support-Kosten und 100 % der Haftung. Aus einer unendlichen Menge kann man sich nicht durch Aufzählen herausarbeiten.

Einer meiner Ingenieure wollte weiter nachziehen — die Konfidenzschwelle anheben, bis die Falsch-Positiven verschwanden. Auf einer Folie funktioniert das. In der Praxis tauscht das Drängen auf null Falsch-Positive diese nur gegen Falsch-Negative ein: Jetzt übersieht man die echten Defekte, die echten Bedrohungen, die Dinge, zu deren Erkennung man das System überhaupt eingesetzt hat. Nach genug solcher Diskussionen musste ich es laut aussprechen: Jeder Regler, den wir zu drehen wussten, war eine Art, das Versagen zu verschieben, nicht es zu beseitigen.

Das ist keine Randerfahrung. Rund 95 % der Computer-Vision-Projekte erreichen nie die Produktion, und der Grund ist fast nie der Algorithmus — es ist genau diese Art von Umsetzungsversagen, die Kluft zwischen einem Modell, das im Labor funktioniert, und einem, das die Fertigungshalle überlebt. Eine MIT-Studie ergab, dass 95 % der KI-Piloten in Unternehmen innerhalb von sechs Monaten keinen messbaren ROI lieferten. Wir waren kurz davor, zu einem Posten in dieser Statistik zu werden.

Was Physik-Beschränkungen tatsächlich leisten

Der Wendepunkt war klein und im Nachhinein fast peinlich.

Statt vom Detektor mehr Sicherheit zu verlangen, setzten wir vor seine Ausgabe ein Gate, das eine physikalische Frage stellte: Hätte sich dieses Ding so bewegen können, wie du sagst, dass es sich bewegt hat? Eine Spur, die die Kinematik eines Objekts mit Masse und Impuls verletzt — eine Detektion, die zwischen zwei Einzelbildern eine Strecke überspringt, die kein Ball zurücklegen könnte —, wird abgelehnt, bevor ihr überhaupt geglaubt wird. Wir haben den Detektor nicht angefasst. Die Falsch-Positiv-Rate sank trotzdem.

Das ist die ganze Idee, und sie lässt sich verallgemeinern. Ein verfolgtes Objekt kann nicht zwischen Einzelbildern teleportieren. Ein echter Defekt hat Parallaxe — er verschiebt sich gegen den Hintergrund, wenn sich der Blickwinkel ändert, so wie es ein Schatten niemals tut. Ein Schatten hat keine Tiefe. Das sind Beschränkungen, denen die physische Welt kostenlos gehorcht, und sie bewegen sich nicht, wenn sich Ihre Beleuchtung ändert. Die physikalischen Eigenschaften eines korrekt gefertigten Teils ändern sich nicht, wenn eine Vorrichtung verschleißt oder eine Leuchte verrückt wird. Das macht die Physik zum einzigen stabilen Anker in einem System, in dem alles Datengetriebene driftet.

Eine Konfidenzschwelle anzuheben verlangt vom Modell, härter zu bluffen. Eine Physik-Beschränkung weigert sich einfach, das Unmögliche zu glauben.

Die Frage, die wir jetzt stellen, lautet also nicht "Sieht das im Vergleich zu den Trainingsbildern wie ein gutes Teil aus?" Sie lautet "Ist dieses Bild mit der bekannten Geometrie und dem Materialverhalten des realen Objekts konsistent?" Das sind grundlegend verschiedene Fragen, und nur die zweite übersteht einen Prozessknoten-Übergang oder ein Wartungsfenster an einem Dienstagnachmittag.

Es gibt dafür einen ausgereiften Werkzeugkasten, und die ehrliche Wahrheit ist, dass das meiste davon in Forschungsarbeiten lebt statt in ausgelieferten Produkten. Physik lässt sich auf drei Wegen in ein Vision-System einbacken: in die Netzwerkarchitektur selbst, in die Verlustfunktion als physikbasierte Strafe während des Trainings oder in die Generierung synthetischer Daten durch physikalisch akkurates Rendering. Der Haken — derjenige, der dies aus der Produktion fernhält — ist, dass die Physik meist beim Training aufhört. Das eingesetzte Modell ist im Moment der Inferenz, wenn es tatsächlich darauf ankommt, immer noch eine rein datengetriebene Blackbox.

Die Arbeit, auf die wir uns stützen, schließt diese Lücke bei der Inferenz. Modernes Tracking kombiniert einen klassischen Kalman-Filter — eine jahrzehntealte Methode, um anhand der Bewegungsgesetze zu schätzen, wo ein sich bewegendes Objekt als Nächstes sein wird — mit Deep Learning, statt sich für das eine oder das andere zu entscheiden. Ansätze wie KalmanNet unterstützen den Filter mit einem neuronalen Netz für nicht vollständig bekannte Dynamiken. Ein 2026er-System namens Phys-3D erzwingt physikalisch plausible 3D-Bewegung über Lochkamera-Geometrie und meldet einen Zählfehler von 2,97 % selbst bei dichter Verdeckung und Kamerawackeln. PhyOT geht weiter und behandelt das neuronale Netz selbst als Sensor, der einen von Newtons Gesetzen bestimmten Kalman-Aufbau speist. Der rote Faden: Das Netz schlägt vor, und die Physik entscheidet. Die physikbeschränkten Vision-Systeme, die wir bauen, setzen genau diese Art von Beschränkungsschicht in den Inferenzpfad — Kalman-Filterung, Optical-Flow-Gates und physikinformierte Architektur —, sodass die Ablehnung des Unmöglichen live geschieht, nicht in einem Trainings-Notebook.

Warum machen die großen Anbieter das nicht einfach?

Man fragt mich das ständig, meist mit einem Anflug von Misstrauen — wenn Physik-Beschränkungen so offensichtlich richtig sind, warum liefern dann Hawk-Eye oder KLA sie nicht als Standard aus? Die Antwort ist, dass die Marktführer etwas Physik haben, aber fast immer am falschen Ort, und die Lücken sind aufschlussreich.

Pixellot fügte nach der Kahlkopf-Ära ein Multi-Hypothesen-Tracking hinzu, das diese spezielle Fehlerklasse weitgehend beseitigte — aber ihre Physik ist nachträgliche Spurenglättung, keine Beschränkungsschicht, sodass immer wieder neue Fehlermodi auftauchen (Trikot-OCR bei Bewegungsunschärfe, Abseitsprojektion auf einem nicht ebenen Spielfeld). Und das ist nicht anekdotisch: Auf SoccerNet, dem größten öffentlichen Benchmark für Sport-Tracking, gilt Multi-Objekt-Tracking bei schneller Bewegung und starker Verdeckung nach wie vor als weit von gelöst entfernt, und es wurde noch kein physikbewusster Tracker darin integriert. Dieser leere Raum ist die ganze Chance. Hawk-Eye, das Sony gehört, hat wirklich starke geometrische Beschränkungen — es trianguliert aus sechs bis acht kalibrierten 4K- und 8K-Kameras, verfolgt 29 Skelettpunkte pro Spieler und ist genau genug, dass die NFL es für First-Down-Messungen verwendet. Aber diese Strenge kostet über eine Million Dollar pro Spielstätte und erfordert dedizierte Infrastruktur. Es ist keine Schicht, die man zu seiner bestehenden Pipeline hinzufügt; es ist ein Stadionumbau.

Auf der industriellen Seite wiederholt sich das Muster. KLAs Defekt-Physik-Modelle sind real, aber auf bestimmte Prozessknoten festgebacken, was der Grund dafür ist, warum Knotenübergänge die Nuisance-Rate in die Höhe treiben — und KLAs eigene Investition von 2,3 Milliarden Dollar in die Inspektion der nächsten Generation ist ein Hinweis darauf, dass sie wissen, dass die Lücke existiert. Cognex' ViDi-Deep-Learning-Werkzeuge sind hervorragend und können mit nur 5–10 Bildern trainiert werden, was die Einrichtungszeit um 90 % verkürzt — aber es gibt keine Physik bei der Inferenz, sodass sie der stillen Drift genauso ausgesetzt sind wie alle anderen. Und NVIDIAs Metropolis- und Omniverse-Ökosystem simuliert prächtige Physik — zur Erzeugung synthetischer Trainingsdaten. Die Physik hört beim Training auf; das eingesetzte Modell ist immer noch datengetrieben.

Über das gesamte Feld hinweg ist die Spalte "Physik-Integration" entweder leer oder auf das Training gerichtet. Das eingesetzte Modell, dasjenige, das die Entscheidung in Echtzeit trifft, rät immer noch aus Pixeln.

Das ist die Lücke, in die hinein wir bauen. Keine Plattform, kein Stadionumbau — eine Physik-Beschränkungsschicht, die in Ihrer bestehenden Pipeline sitzt und das Unmögliche ablehnt, bevor es teuer wird. Ob Sie automatisierte Kameras über ein Spielfeld laufen lassen, Wafer bei 10 nm inspizieren oder Defekte an einer Linie klassifizieren — die Beschränkung hält, wenn sich die Beleuchtung bewegt, denn die Beleuchtung ist genau das, wovon die Physik nicht abhängt.

Der Teil über "null Falsch-Positive", den niemand hören will

Jeder Käufer bittet mich irgendwann um null Falsch-Positive. Ich verstehe den Instinkt, und ich sage ihnen jedes Mal dasselbe: Es ist technisch machbar, und es wird Ihnen wahrscheinlich schaden.

Ein System auf null Falsch-Positive zu drängen, erhöht unweigerlich die Falsch-Negativen — der übersehene echte Defekt, die Bedrohung, die durchrutscht. Das Ziel ist niemals null einer Fehlerart; es ist das richtige Gleichgewicht für den spezifischen Einsatz Ihrer Anwendung. Was Physik-Beschränkungen Ihnen geben, ist eine bessere Grenze, auf der man balancieren kann. Herkömmliche Reduktion von Falsch-Positiven — Schwellenwert-Abstimmung, Kalibrierung, Autoencoder, die laut Forschung Falsch-Positive um irgendwo zwischen 22 % und 87 % senken können — all das setzt an der Konfidenz des Modells an. Die Physik setzt an der Realität an. Sie lehnt die physikalisch unmögliche Detektion ab, ohne das Modell bei der wirklich mehrdeutigen zaghafter zu machen. Sie bekommen weniger Fehlalarme und Sie zahlen nicht mit übersehenen Defekten dafür, weil Sie eine Fehlerkategorie beseitigt haben, statt sie einzutauschen.

Es gibt hier auch regulatorischen Rückenwind, und zwar nicht den, den man erwartet. Die wichtigsten Bestimmungen des EU AI Act treten am 2. August 2026 in Kraft, und obwohl die meiste industrielle Inspektion nicht als hochriskante biometrische Überwachung eingestuft wird, drängen die Dokumentations- und Transparenzanforderungen des Gesetzes breit in Richtung Systeme, deren Entscheidungen man erklären kann. Eine datengetriebene Blackbox, die "Ball, 98 %" sagt, kann einem nicht sagen, warum. Ein System, das eine Detektion ablehnte, weil sie die Parallaxe verletzte, kann es. Falsifizierbarkeit ist nicht mehr nur gutes Engineering; sie wird zu einer Compliance-Haltung.

Was ich jetzt glaube

Ich bin in diese Sache mit der Überzeugung hineingegangen, dass Computer Vision ein Datenproblem sei und dass das Team mit dem größten, saubersten Datensatz gewinnen würde. Ich lieferte ein Modell aus, das mich auf einer Fabrikhalle widerlegte, vor Menschen, deren Durchsatz davon abhing.

Was ich jetzt glaube, ist enger gefasst und beständiger. Ein Vision-Modell, das nur weiß, wie Dinge aussehen, ist für immer nur eine Beleuchtungsänderung, einen Prozessknoten, einen kahlen Linienrichter davon entfernt, Ihnen selbstbewusst etwas Unmögliches zu erzählen. Die Systeme, die die Produktion überleben, sind diejenigen, die auch wissen, was die physische Welt erlaubt — und jede Detektion daran prüfen, bevor sie handeln.

Der Markt ist im Begriff, das in großem Maßstab auf die harte Tour zu lernen. Computer Vision ist 2026 ein 33-Milliarden-Dollar-Markt, der mit fast 20 % pro Jahr wächst, agentische Vision-Systeme beginnen, aus eigener Autorität reale Handlungen auszulösen, und je autonomer sie werden, desto weniger tolerierbar wird eine selbstbewusste unmögliche Antwort. Sie können weiter Edge-Case-Aufnahmen sammeln und der nächsten Beleuchtungsänderung, dem nächsten Knotenübergang nachjagen, für immer. Oder Sie können dem Modell den einen Satz von Regeln beibringen, die niemals driften. Wenn Sie sehen möchten, wie wir diese Beschränkung in eine Produktions-Pipeline einbauen, dann würde ich genau dort beginnen.

Ein Ball kann nicht teleportieren. Bauen Sie das System, das das weiß.