Industrial Edge AI tritt in eine neue Phase ein. Nach Angaben der International Federation of Robotics erreichte die Zahl der weltweit eingesetzten Industrieroboter im Jahr 2025 mit fünf Millionen einen Rekordwert, während die jährlichen Installationen 600.000 überstiegen. Die Organisation berichtete außerdem, dass die Auslieferungen professioneller Serviceroboter im selben Jahr um 24 % gestiegen sind. Diese Zahlen bedeuten nicht, dass jede KI-Anwendung die Pilotphase bereits hinter sich gelassen hat. Sie zeigen jedoch, dass Physical AI – also KI, die in Maschinen eingebettet ist, welche die physische Welt wahrnehmen und in ihr handeln – in realen Betriebsumgebungen eingesetzt wird.
Für OEMs verändert sich daher die Fragestellung. Es geht nicht mehr nur darum, ob ein KI-Modell auf einem Edge-Gerät ausgeführt werden kann. Entscheidend ist vielmehr, ob das Gesamtsystem mehrere Workloads koordinieren, sich mit der industriellen Infrastruktur verbinden, die geltenden Sicherheitsanforderungen unterstützen und über mehrere Produktgenerationen hinweg weiterentwickelt werden kann. Vier Entwicklungen könnten diese Fragen im Jahr 2027 zunehmend relevant machen.
KI-Workloads werden zu koordinierten Systemen
Frühe Edge-AI-Projekte konzentrieren sich möglicherweise auf eine einzelne, sichtbare Funktion: ein Objekterkennungsmodell, einen Navigationsalgorithmus oder eine Inspektionsaufgabe. Ein kommerzielles System muss möglicherweise zusätzliche Funktionen unterstützen. Ein autonomer mobiler Roboter kann Wahrnehmung, Sensorfusion, Routenplanung, Anwendungslogik und zeitkritische Steuerung miteinander kombinieren. Eine Inspektionsplattform kann mehrere Bilddatenströme verarbeiten und gleichzeitig Daten mit Produktionsanlagen und einem übergeordneten System austauschen.
Diese Workloads stellen unterschiedliche Anforderungen an Rechenleistung, Speicher und Bandbreite. Auch ihre Anforderungen an Latenz und Leistungsaufnahme können voneinander abweichen. Wird eine Plattform anhand der Spitzenleistung eines einzelnen Modells ausgewählt, kann dies daher zu Integrationsproblemen führen, sobald die vollständige Anwendung zusammengeführt wird.
OEMs sollten die Aufteilung der Workloads frühzeitig im Entwicklungsprozess berücksichtigen. CPUs, GPUs, NPUs und dedizierte Steuerungsressourcen können unterschiedliche Aufgaben übernehmen. Werden sie als Bestandteile einer gemeinsamen Architektur betrachtet, kann dies Engineering-Teams dabei helfen, Workloads zuzuweisen und die Notwendigkeit separater Recheninseln für neue Funktionen zu begrenzen. Dieser Ansatz kann es erleichtern, zusätzliche Funktionen zu integrieren, ohne frühzeitig ein Redesign des Systems durchführen zu müssen.
Die IT/OT-Konvergenz definiert den industriellen Edge neu
Die International Federation of Robotics nennt die Konvergenz von Informationstechnologie und Operational Technology als einen Trend, der die Robotik prägt. Dieselbe Entwicklung verändert auch die industrielle Automatisierung, da intelligente Maschinen zu vernetzten Knotenpunkten innerhalb der Daten- und Steuerungsarchitektur einer Fabrik werden.
Das bedeutet nicht, dass jeder Workload in die Cloud verlagert werden muss. Echtzeit-Inferenz, Entscheidungsfindung und Steuerung müssen möglicherweise lokal bleiben, während ausgewählte Daten und Dienste mit übergeordneten Systemen verbunden werden.
Teams müssen diese Grenzen bewusst festlegen: Welche Funktionen benötigen lokale Autonomie? Welche Daten sollen die Maschine verlassen? Und wie wird der Betrieb fortgesetzt, wenn sich die Konnektivität verändert? Die KI-Verarbeitung muss außerdem über die für die jeweilige Anwendung erforderlichen Schnittstellen mit Kameras, Sensoren, industriellen Netzwerken und Steuerungssystemen verbunden werden.
Ziel ist eine resiliente Topologie, die die lokale Reaktionsfähigkeit schützt und gleichzeitig ermöglicht, Daten und Dienste dorthin zu übertragen, wo sie den größten Mehrwert schaffen.
Sicherheit über den gesamten Lebenszyklus wird zur Entwicklungsanforderung
Sicherheit kann nicht länger als eine Funktion behandelt werden, die erst kurz vor der Markteinführung ergänzt wird. Ein vernetztes Industrieprodukt kann über viele Jahre hinweg in Betrieb bleiben. Während dieser Zeit werden sich Schwachstellen, Softwareabhängigkeiten und regulatorische Anforderungen weiter verändern.
Der EU Cyber Resilience Act macht diese Verantwortung über den gesamten Lebenszyklus deutlicher. Er führt Cybersicherheitsanforderungen ein, die die Planung, das Design, die Entwicklung und die Wartung von Produkten mit digitalen Elementen abdecken. Die Meldepflichten gelten seit dem 11. September 2026, während die wichtigsten Verpflichtungen ab dem 11. Dezember 2027 gelten werden.
Für OEMs reichen die Auswirkungen über die Compliance-Dokumentation hinaus. Die zugrunde liegende Plattform muss eine Softwarebasis unterstützen, die über die erwartete Produktlebensdauer hinweg gewartet werden kann. Sicherheitsprozesse, Schwachstellenmanagement und Aktualisierbarkeit werden damit ebenfalls zu Aspekten der Systemarchitektur.
Eine frühzeitige Berücksichtigung dieser Anforderungen kann dazu beitragen, das Risiko zu verringern, erst spät im Entwicklungsprozess festzustellen, dass der Software-Stack eines Prototyps die Sicherheits- und Wartungsanforderungen des kommerziellen Produkts nicht erfüllen kann. Die Eignung für den gesamten Lebenszyklus wird daher zu einem Bestandteil der Plattformauswahl und Beschaffung und nicht nur zu einer operativen Frage nach der Bereitstellung.
OEMs entwickeln Produktplattformen statt Einzellösungen
Viele Industrieprodukte entwickeln sich zu Produktfamilien. Ein Robotikhersteller benötigt möglicherweise verschiedene Nutzlast- oder Sensorkonfigurationen. Ein Anbieter industrieller Bildverarbeitung kann unterschiedliche Kameraanzahlen, Leistungsstufen oder Inspektionsaufgaben abdecken. Eine HMI-Plattform kann für verschiedene Maschinen angepasst werden.
Die Rechen- und Softwarearchitektur für jede Variante neu aufzubauen, erhöht den Engineering-Aufwand, den Validierungsaufwand und die Lebenszykluskosten. Zudem erschwert es die Planung zukünftiger Produktgenerationen.
Ein modularer Ansatz kann die Wirtschaftlichkeit verändern. Ein wiederverwendbares Carrier-Board-Konzept, eine konsistente Softwarebasis und skalierbare Rechenoptionen können Teams dabei helfen, Teile ihrer Entwicklungsarbeit für verwandte Produkte erneut zu nutzen. Nicht jede Komponente lässt sich unverändert übertragen, und jedes endgültige Design erfordert weiterhin eine anwendungsspezifische Validierung. Der potenzielle Nutzen liegt darin, unnötige Neuentwicklungen zu reduzieren.
Damit ist Modularität mehr als eine Entscheidung für einen bestimmten Formfaktor. Sie kann dazu beitragen, Engineering-Investitionen zu schützen, die Entwicklung von Produktvarianten zu verkürzen und einen besser beherrschbaren Weg für zukünftige Upgrades zu schaffen.
Von Trends zu Plattformentscheidungen
Diese vier Entwicklungen können Engineering- und Produktteams einen praktischen Rahmen für die Bewertung einer Industrial-Edge-AI-Plattform bieten.
Kann sie den Mix aus KI-, Anwendungs- und zeitkritischen Workloads koordinieren, den das Gesamtsystem benötigt? Kann sie sich mit den relevanten Sensoren, Netzwerken und Steuerungsinfrastrukturen verbinden, ohne den lokalen Betrieb zu beeinträchtigen? Kann ihre Softwarebasis über den gesamten Produktlebenszyklus hinweg gewartet und abgesichert werden? Kann die Architektur für zukünftige Varianten wiederverwendet oder angepasst werden?
Die Spitzenleistung der KI bleibt wichtig, ist jedoch nur eine Eingangsgröße. Eine Produktionsplattform muss Rechenleistung, I/O, Softwarewartbarkeit und Modularität zusammenführen. Werden diese Elemente als ein Gesamtsystem bewertet, können Integrationsrisiken erkannt werden, bevor sie kostspielige Redesigns verursachen.
Eine produktionsorientierte Grundlage für Industrial Edge AI
Diese Designkriterien sind nicht nur Anforderungen der Zukunft. Nach ersten Engineering-Evaluierungen stellt SECO eine begrenzte erste Charge von Engineering Samples des SOM-SMARC-Dragonwing-IQ8 für ausgewählte OEMs und Entwicklungsteams bereit. SECO ist das erste Unternehmen, das ein industrielles SMARC-System-on-Module auf Basis der Qualcomm Dragonwing™ IQ8 Series für OEM-Evaluierungen verfügbar macht.
Das Modul basiert auf dem Qualcomm Dragonwing™ IQ-8275 Prozessor und ist darauf ausgelegt, über die Qualcomm® Hexagon™ NPU eine KI-Beschleunigung von bis zu 40 TOPS zu bieten. Gigabit- und 2,5-Gigabit-Ethernet, PCIe Gen4, Kameraschnittstellen und CAN-Unterstützung sollen die Konnektivität bereitstellen, die zur Evaluierung von Bildverarbeitungs-, Netzwerk- und anwendungsspezifischen Industriearchitekturen erforderlich ist, ohne die KI-Rechenleistung als isolierte Komponente zu behandeln.
Als Teil des Works with Arduino™-Ökosystems ist SOM-SMARC-Dragonwing-IQ8 darauf ausgelegt, einen kontinuierlicheren Weg von der Anwendungsentwicklung mit dem Arduino® VENTUNO™ Q Board bis zum industriellen Produktdesign zu unterstützen. Statt lediglich ein Board gegen ein anderes auszutauschen, spielt jede Plattform ihre jeweiligen Stärken aus: Arduino und Arduino® App Lab sollen Prototyping und Validierung beschleunigen, während SECO Carrier-Board-Design, Softwareintegration und die langfristigen Anforderungen des Endprodukts unterstützt. Clea OS soll eine Grundlage für sicherheitsorientierte Geräteverwaltung und langfristige Softwarewartung schaffen.
Für den Produktlebenszyklus entwickeln, nicht nur für die erste Demonstration
Die Chance im Jahr 2027 besteht nicht einfach darin, mehr KI in eine Maschine zu integrieren. Es geht darum, Intelligenz zu entwickeln, die so konzipiert ist, dass sie auch bei der Weiterentwicklung des Produkts dauerhaft unterstützt werden kann. Eine frühzeitige Bewertung der vollständigen Architektur kann OEMs dabei helfen, das Risiko von Redesigns zu reduzieren und einen größeren Teil ihrer Engineering-Arbeit in zukünftigen Systemen wiederzuverwenden.
Da eine begrenzte erste Charge von SOM-SMARC-Dragonwing-IQ8 Engineering Samples verfügbar ist, können ausgewählte OEMs und Entwicklungsteams prüfen, ob die Dragonwing IQ8 Technologie, industrielle Konnektivität und eine auf den Lebenszyklus ausgerichtete Softwarebasis für ihr nächstes Industrial-Edge-AI- oder Physical-AI-Produkt geeignet sind.
Engineering Sample anfordern