Michael Fleischman ist Chief Technology Officer und Mitgründer von OpenSpace

Einleitung: ein Moment der Konvergenz

Künstliche Intelligenz beflügelt die öffentliche Vorstellungskraft wie kaum eine Technologie zuvor. Ob es um Durchbrüche bei großen Sprachmodellen oder um die neuesten Entwicklungen in der Robotik geht – KI ist inzwischen Teil alltäglicher Gespräche, und das längst nicht mehr nur in Tech-Kreisen.

Doch warum gerade jetzt?

Was wir erleben, ist das Zusammenlaufen zweier bedeutender Trends: Spatial Computing und Generative KI. Bei OpenSpace entwickeln wir seit Jahren an dieser Schnittstelle – und nennen es die OpenSpace Spatial AI Engine: die zentrale Intelligenz, die viele unserer fortschrittlichsten Funktionen antreibt.

Spatial AI verbindet Spatial Computing, das die physische Welt interpretiert, mit generativer KI, die Sprache und Kontext versteht. Speziell auf die Anforderungen der Bauindustrie abgestimmt, bildet sie die Intelligenz hinter der OpenSpace Visual Intelligence Platform und verwandelt Rohaufnahmen von der Baustelle in Erkenntnisse, mit denen Teams direkt arbeiten können.

In diesem Beitrag werfen wir einen Blick unter die Haube der Spatial AI – was sie ist, warum sie relevant ist und wie sie die Zukunft der Bautechnologie mitgestaltet.

Warum entwickelt sich künstliche Intelligenz gerade jetzt so schnell?

Frühere KI-Entwicklungen stießen schnell an ihre Grenzen, weil die Technologie meist nur klar definierte und eng begrenzte Aufgaben bewältigen konnte. Heute hat sich grundlegend etwas verändert: Moderne Systeme können offene Aufgaben in Sprache und Wahrnehmung bearbeiten. Dadurch hat sich KI von einer immer wiederkehrenden technologischen Neuheit zu einem praktischen Werkzeug in zahlreichen Branchen entwickelt.

Der Begriff Künstliche Intelligenz existiert bereits seit den 1950er-Jahren – und das Interesse daran kam in Wellen. Gelegentlich stieg die Aufmerksamkeit sprunghaft an, oft im Zusammenhang mit popkulturellen Ereignissen, etwa der Veröffentlichung von 2001: Odyssee im Weltraum im Jahr 1968 oder Terminator im Jahr 1986.

Trotz dieser frühen Hype-Phasen verlief ein Großteil der KI-Geschichte relativ ruhig, zumindest was ihre Auswirkungen auf den Alltag betraf. Es gab beeindruckende Meilensteine – wie IBMs Deep Blue, der 1996 Schachgroßmeister Garry Kasparov schlug, oder Watson, der bei der amerikanischen Quiz-Show Jeopardy! triumphierte. Doch diese Erfolge waren eher isolierte Demonstrationen – nicht das „Jetsons“-Zukunftsbild, das uns einst versprochen wurde.

Was sich im letzten Jahrzehnt verändert hat, ist die Kombination aus Rechenleistung, Datenverfügbarkeit und algorithmischer Raffinesse. KI ist heute weit mehr als ein Laborphänomen – sie bewegt sich zunehmend aus dem Bereich der Science-Fiction heraus und wird zu einem praktischen Werkzeug in unterschiedlichsten Branchen.

Was ist Spatial Computing?

Spatial Computing bezeichnet Technologien, mit denen Maschinen ihre physische Umgebung wahrnehmen, sich darin orientieren und Zusammenhänge erfassen können, anstatt nur mit Texten oder Zahlen zu arbeiten. Der Begriff stammt aus den 1980er-Jahren, hat aber in den letzten Jahren durch neue Anwendungsfelder eine ganz neue Bedeutung bekommen – unter anderem durch:

Anwendungsbereich Beispiel
Virtuelle und erweiterte Realität Apple Vision Pro
Autonomes Fahren Waymo
Robotik und Drohnen Spot von Boston Dynamics
Vorhersage der Luftqualität PurpleAir-Sensoren

Während Unternehmen wie Apple Spatial Computing vor allem mit immersiven Erlebnissen in Verbindung bringen (Apple spricht bei seinen VR-Produkten explizit von „Spatial Computing“), ist das Konzept eigentlich viel umfassender: Es geht darum, Maschinen zu befähigen, ihre Umgebung zu erfassen, sich darin zu orientieren und darauf basierend Entscheidungen zu treffen.

Bei OpenSpace haben wir diesen Trend früh erkannt. Wir waren überzeugt: Mit der Weiterentwicklung von Sensorik – insbesondere Kameras, die kleiner, günstiger und leistungsfähiger werden – entsteht die Chance, Spatial Computing in die Baubranche zu bringen. Durch die Kombination dieser Sensoren mit Verfahren wie SLAM (Simultaneous Localization and Mapping) und Structure from Motion konnten wir die Baudokumentation automatisieren und die Daten von der Baustelle zugänglicher machen als je zuvor.

Diese frühe Entscheidung für Sensorik und Positionsbestimmung ist die Grundlage der heutigen Spatial-AI-Technologie von OpenSpace. Sie verwandelt Rohaufnahmen in eine navigierbare Dokumentation der Baustelle.

Diese Idee wurde zum Fundament von OpenSpace. Und bis heute haben unsere Nutzer bereits über 3,7 Milliarden Quadratmeter an Baustellenbildern erfasst.

Was ist generative KI?

Generative KI bezeichnet Systeme, die auf Basis erlernter Muster aus großen Datenmengen neue Inhalte erzeugen können, zum Beispiel Texte, Bilder, Audio oder Videos.

Diese generativen Modelle bilden die Grundlage für eine neue Generation von KI-gestützten Chatbots. Das bekannteste Beispiel ist ChatGPT – weit leistungsfähiger als frühere Chatbot-Generationen wie Siri oder Alexa (ganz zu schweigen von ihren Vorläufern, etwa Microsofts berüchtigtem Clippy).

Was macht heutige KI-Modelle so leistungsfähig?

Der entscheidende Durchbruch war eine maschinelle Lernarchitektur namens Transformer. Sie ermöglichte es, Modelle im großen Maßstab parallel auf vielen Rechnern zu trainieren – und dadurch riesige Datenmengen zu verarbeiten, wie es zuvor nicht möglich war.

Die daraus entstandenen sogenannten Foundation Models lernten etwas scheinbar Einfaches: das nächste Wort in einem Satz vorherzusagen. Doch dabei erwarben sie weit mehr als nur Grammatik oder Fakten – sie entwickelten auch ein erstaunliches Maß an Alltagsverständnis darüber, wie die Welt funktioniert.

Ein Beispiel: Das Modell „versteht“, dass eine fallengelassene Wasserflasche auslaufen kann – und dass verschüttetes Wasser rutschig sein könnte. Solches Kontextwissen war in früheren KI-Zeiten kaum vermittelbar.

So leistungsfähig Foundation Models auch sind – allein genügen sie nicht. Um sie für spezifische Branchen oder Anwendungsfälle nutzbar zu machen, braucht es ein sogenanntes Fine-Tuning. Dabei wird das Modell mit sorgfältig ausgewählten Beispielen – oft unter Einbezug menschlichen Feedbacks – weitertrainiert.

An dieser Stelle wird generative KI wirklich praktisch. Feinjustierte Modelle können dann spezialisierte Aufgaben übernehmen, etwa Berichte zusammenfassen oder Fragen gezielt beantworten – vorausgesetzt, sie sind gut trainiert und mit Fachwissen angereichert.

Ohne dieses Fine-Tuning wirken die Modelle oft vage oder generisch. Wie DPR Construction in einem aktuellen Bericht betonte, stoßen allgemeine KI-Tools in der Praxis – etwa auf Baustellen – schnell an ihre Grenzen. Sie liegen nicht immer komplett falsch, aber selten wirklich richtig.

Was ist die OpenSpace Spatial AI Engine?

Der entscheidende Unterschied liegt in einer dritten Komponente. Spatial Computing und generative KI stehen grundsätzlich vielen zur Verfügung, doch ohne Bezug zur Baupraxis liefern sie für reale Bauprojekte nur begrenzten Mehrwert. Das branchenspezifische Fine-Tuning der OpenSpace Spatial AI Engine auf Grundlage realer Baustellenbilder und praktischer Erfahrung macht aus allgemeiner KI eine Technologie, die den konkreten Anforderungen laufender Bauprojekte gerecht wird.

Dafür verbinden wir die Stärken aus drei Bereichen:

Bereich Beitrag zur Spatial AI Engine
Spatial Computing Verständnis physischer Umgebungen
Generative KI Verständnis von Sprache und Kontext
Branchenspezifisches Fine-Tuning Genauigkeit bei realen Aufgaben auf der Baustelle

Diese Verbindung ermöglicht es der Spatial AI Engine, weit mehr zu tun, als Baustellenbilder nur zu speichern. Sie versteht die Aufnahmen: Bilder werden automatisch räumlich und zeitlich verortet und mit Plänen, BIM-Modellen und Arbeitsabläufen verknüpft. So entsteht eine strukturierte und durchsuchbare Historie der Baustelle. Teams können gezielt finden, was sie benötigen, und direkt auf die gewonnenen Informationen reagieren.

Der Blick nach vorn: KI, die für Sie arbeitet

Das Ziel von Spatial AI ist nicht nur, Technologie intelligenter zu machen – sondern Ihre Arbeit einfacher, schneller und fundierter. Deshalb entwickeln wir bei OpenSpace Systeme, die speziell für die Bauindustrie optimiert sind, mit realen Daten trainiert wurden und sich nahtlos in bestehende Arbeitsabläufe integrieren lassen.

Und das ist erst der Anfang. Während sich die Technologien hinter Spatial Computing und Generativer KI kontinuierlich weiterentwickeln, wächst auch unser Potenzial, daraus praxisnahe und wirkungsvolle Werkzeuge für die gebaute Welt zu machen.

Häufig gestellte Fragen

Was ist der Unterschied zwischen Spatial Computing und generativer KI?

Spatial Computing bezieht sich auf die physische Welt und hilft Maschinen dabei, reale Umgebungen und die darin befindlichen Objekte wahrzunehmen und zu verstehen. Generative KI verarbeitet Sprache und Inhalte und erzeugt auf Basis erlernter Muster Texte, Bilder oder andere Medien. Beide lösen unterschiedliche Aufgaben. Gerade deshalb ist ihre Kombination so leistungsfähig: Spatial Computing liefert das Verständnis für die Baustelle, generative KI das Verständnis für Sprache und Kontext.

Was ist ein Foundation Model?

Ein Foundation Model ist ein großes KI-Modell, das mit einer breiten Informationsbasis trainiert wird und sich dadurch für viele unterschiedliche Aufgaben anpassen lässt. Statt von Anfang an für nur einen eng definierten Zweck entwickelt zu werden, lernt es zunächst allgemeine Muster und wird anschließend für konkrete Anwendungsfälle, etwa im Bauwesen, mit ausgewählten Beispielen und menschlichem Feedback weitertrainiert.

Kann KI Fachkräfte im Bauwesen ersetzen?

Nein. Die Funktionsweise von Spatial AI macht deutlich, dass Menschen weiterhin eine zentrale Rolle spielen. Das System ist auf sie angewiesen, wenn es um Aufgaben geht, die Maschinen nur begrenzt übernehmen können: die Baustelle erfassen, Praxiserfahrung einbringen und die Ergebnisse des Modells überprüfen. Ziel ist es, zeitaufwendige manuelle Dokumentationsaufgaben zu reduzieren, damit die Verantwortlichen ihr Fachwissen und ihr Urteilsvermögen dort einsetzen können, wo es wirklich gebraucht wird, nicht dieses Urteilsvermögen zu ersetzen.

 

Weitere Ressourcen: