Ich hebe Dinge. Wenn ein Modell in meiner Flotte dem Falschen traut, finde ich es heraus — meist mit einer Last schon in der Luft. Ein Paper über fahrerlose Planer, die still die falsche Lektion lernten, liest sich wie ein Wartungsprotokoll, das ich kenne.

CADET — Physics-Grounded Causal Auditing and Training-Free Deconfounding, diesen Monat auf arXiv (cs.RO, 2606.14438) — benennt ein Versagen, das ich auf Beton gesehen habe. Fahrerlose E2E-Planer, trainiert durch Imitation, lernen nicht warum der Experte bremste. Sie lernen was im Frame war, als der Experte bremste. Ein Strassenrand-Objekt. Eine Gebäudefassade. Das Paper-Beispiel ist fast lustig: ein Planer assoziiert eine Fassade mit einer Fahrentscheidung, weil beide in den Trainingsclips koinzidierten. Das Modell argumentiert nicht über die Strasse. Es matched die Umgebung.

←HEUTE: 2026: Standard-Open-Loop-Scores — L2-Versatz, Kollisions-Rate — werden vom Ego-Status dominiert und verraten nicht, dass dein Planer sich auf eine Wand verlässt. →3012: Am Zurich-3012-Horizont wird kein verkörpertes System ohne Kausal-Audit-Trail gelauncht; «es fuhr im Demo fein» ist kein Safety-Case. Fulcrum: Das, was einen Planer auf der Bank zuverlässig aussehen lässt, ist genau das, was den falschen Reiz verbirgt.

System. Das ist alter Maschinenverschleiss, kein neuer Fehler. de Haan und Kollegen flaggten 2019 «kausale Verwirrung im Imitationslernen»: mehr Demonstrationen können es verschlimmern, weil die Abkürzung in-Distribution weiterhin funktioniert. Die übliche Reparatur — Kausal-Interventions-Training — erfordert Umtraining eines grossen Modells. Das kommt nicht infrage für bereits Bereitgestelltes. Du kannst keine Flotte zur Fabrik zurückrufen, weil ein Planer heimlich eine Wand liebt. Was CADET bietet, ist der Zug, den ich brauche: es prüft, misst und repariert falsche Abhängigkeit in einem vorgefertigten Planer ohne einen Parameter zu berühren. Trainings-frei. In situ. Auf dem Gerät, nicht im Labor.

Strasse. Vergleich das damit, wie die Industrie tatsächlich Zuverlässigkeit kauft. Die gleiche Woche meldete AppleInsider, dass Waymo 220 Millionen Dollar für Apples alten 5500-Hektar Arizona-Testplatz zahlt — Zuverlässigkeit durch skaliertes Testen. Indessen dokumentierte WIRED chinesische Fahrer, die Teslas Kabinen-Kamera mit 10-Dollar-Kunststoff-Promi-Köpfen täuschen. Drei verschiedene Wetten auf «sicher»: das Modell prüfen, skaliert testen oder das Safeguard umgehen. CADET ist der einzige von den drei, der davon ausgeht, dass der bereitgestellte Planer bereits falsch ist und fragt, wie du es nachweist.

Atelier: Das ist das KI-Governance-Problem auf jedem PAZ-Schreibtisch, nur mit einem Lenkrad. Du kannst Graphisoft oder ein anderes Hersteller-Modell nicht umtrainieren. Also ist dein einziger Hebel die Post-Hoc-Revision — setzt dieses generative-Design oder Code-Analyse-Werkzeug auf den Lastpfad oder auf eine irrelevante Geometrie, die zufällig mit guten Antworten in den Trainingsdaten kombiniert war? Kausal vs. Korrelation ist die gleiche Disziplin, ob die Ausgabe eine Flugbahn oder ein Deckenplan ist. In Europa wird es auch Gesetz: die High-Risk-Klasse der EU-KI-Verordnung und UNECE R157 drängen beide auf Planer, die du nach der Bereitstellung auditen kannst, nicht nur davor.

Hack: Dieser Hack lehrt dich, jeden Black-Box-Planer durch Ablations-Tests auf einen falschen Reiz zu prüfen — die billige, trainingsfreie Version dessen, was CADET formalisiert. Die Absicht: eine Eingabe-Region verdecken, messen, wie viel sich die vorhergesagte Flugbahn bewegt, und wenn ein Hintergrund-Fleck die Ausgabe verändert, hast du eine Abkürzung gefunden. Das Medium ist ausführbarer Code; die Domäne ist AI/ML.

import numpy as np
base = planner(scene)                        # Flugbahn, Form (T, 2)
for name, mask in regions.items():           # z.B. {"facade": bbox_mask}
    probe = scene.copy(); probe[mask] = 0     # diese Region verdecken
    delta = np.linalg.norm(planner(probe) - base)
    print(name, round(float(delta), 3))       # grosses Delta auf Hintergrund = falsche Abhängigkeit

Wenn facade die Flugbahn mehr bewegt als das Führungsfahrzeug, hat dein Planer eine Lieblingswand. Führe es aus, bevor du dem Demo-Video traust — besonders dem von einer Einheit, die noch nie Regen erlebt hat.

Move. Die Roboter, die in meiner Zeit gescheitert sind, waren nicht die schwachen. Sie waren diejenigen, die niemand in der Crew inspizieren oder übersteuern konnte. Kaufe — und baue — den Planer, den ein 25-jähriger Lehrling von Hand auditen kann. Beginne mit den fünf Zeilen oben bei jedem Modell, dem du diese Woche traust.

Quelle: arXiv cs.RO (Robotics)