Zum Hauptinhalt Zur Navigation Zur Suche

Autonomes Fahren: So kämpfen Tesla, Uber und Co um Vertrauen und Sicherheit

GTC 2026
Eine Paneldiskussion zeigt, wie Entwickler, Betreiber und Behörden autonome Autos heute wirklich testen.
/ Peter Steinlechner
Kommentare Auf Google folgen (öffnet im neuen Fenster)
Cybercab von Tesla im Januar 2026 auf der Brussels Motor Show (Bild: JONAS ROOSENS/BELGA MAG/AFP via Getty Images)
Cybercab von Tesla im Januar 2026 auf der Brussels Motor Show Bild: JONAS ROOSENS/BELGA MAG/AFP via Getty Images

Auf der GTC 2026 wird beim Thema autonomes Fahren schnell klar: Die großen Visionen sind formuliert, jetzt geht es um Details, Daten und Risiken. In einer Paneldiskussion mit Vertretern von Nvidia, Tesla, Waabi, Motional, Uber und der kalifornischen Verkehrsbehörde DMV dreht sich alles um eine Frage: Wie lässt sich Sicherheit wirklich nachweisen?

Moderator Ali Kani, Automotive-Chef bei Nvidia, bringt die Herausforderung gleich zu Beginn auf den Punkt. Anders als bei KI-Textgeneratoren gehe es hier nicht um harmlose Fehler. "Wir wollen hier nie einen Fehler machen", sagt er – schließlich gehe es um menschliche Sicherheit.

Zwischen den technischen Details wird ein größerer Trend sichtbar: Autonomes Fahren entwickelt sich zu einem der wichtigsten praktischen Einsatzfelder moderner KI.

Ashok Elluswamy, für die KI-Software bei Tesla zuständig, beschreibt offen, dass viele Methoden aus großen Modellen direkt übernommen werden. Training, Nachtraining und kontinuierliches Lernen ähneln stark den Verfahren aus Sprachmodellen.

Das Ziel formuliert er ungewöhnlich klar: Fahrzeuge seien der erste Schritt hin zu einer allgemeinen KI für die physische Welt. Es gehe nicht mehr nur um Fahrfunktionen, sondern um Systeme, die komplexe reale Situationen verstehen und darauf reagieren – mit all den Unsicherheiten der echten Welt.

Unterschiedliche Ansätze, gleiches Ziel

Die technischen Strategien bleiben dabei gegensätzlich. Elluswamy beschreibt Teslas Ansatz als radikal vereinfacht: Kameras statt Sensorfusion, ein durchgehendes neuronales Netz vom Eingang bis zur Fahrzeugsteuerung. "Wir haben das gesamte System end-to-end gemacht", erklärt er.

Das auf autonomes Fahren für den Güterverkehr spezialisierte Unternehmen Waabi verfolgt eine Art Gegenentwurf. CEO Raquel Urtasun setzt auf Kamera, Lidar und Radar, um unterschiedliche Fehlerquellen abzufangen. "Diese Modalitäten haben sehr unterschiedliche Fehlerarten", sagt sie.

Die Firma Motional (Level-4-Robotaxis) wiederum kombiniert mehrere Sensoren mit sogenannten Large Driving Models. CEO Laura Major betont vor allem die schwierigen Fälle: "Wir konzentrieren uns auf die wirklich harten Situationen."

Das könnte sein, wenn ein Fußgänger plötzlich zwischen parkenden Autos auf die Straße tritt, ein anderes Fahrzeug unerwartet einschert oder eine unübersichtliche Baustelle mit provisorischer Beschilderung und ungewöhnlichen Verkehrsführungen bewältigt werden muss.

Simulation statt Straße – aber nur mit Einschränkungen

Einigkeit herrscht bei der Validierung: Ohne Simulation geht es nicht mehr. Milliarden virtueller Kilometer, extreme Szenarien und gezielte Grenzfälle sind Standard.

Motional erzeugt bewusst Situationen, "die wir hoffentlich nie auf der Straße sehen", und testet diese zusätzlich auf abgesperrten Strecken und im realen Verkehr.

Tesla nutzt dagegen riesige Mengen realer Fahrdaten. Seltene Ereignisse werden herausgefiltert und immer wieder abgespielt. "Man findet die Nadel im Heuhaufen und testet sie immer wieder", beschreibt Elluswamy den Ansatz.

Mehrere Sprecher betonen, dass nur das finale Zusammenspiel aus Hardware und Software zählt. Wird das System verändert, verlieren frühere Tests einen Großteil ihrer Aussagekraft.

Validierung beginnt dann praktisch von vorn. Das erklärt, warum Fortschritte langsamer wirken, als viele erwarten: Jede Iteration zwingt zu neuen, aufwendigen Nachweisen.

Klare Regeln, langsamer Fortschritt

Miguel Acosta, Leiter für autonome Fahrzeuge beim California DMV, beschreibt den regulatorischen Rahmen. Seit mehr als zehn Jahren existiert ein dreistufiges System – vom Test mit Sicherheitsfahrer bis zum kommerziellen Einsatz.

Aktuell testen rund 30 Unternehmen, sechs davon ohne Fahrer. Nur drei sind im regulären Betrieb. Zentral ist der sogenannte Safety Case, also eine umfassende Begründung der Sicherheit inklusive Technik, Organisation und Prozessen.

Vertrauen entsteht nicht im Labor

Neben Technik und Regulierung entscheidet am Ende die Nutzererfahrung. Noah Zych, verantwortlich für autonome Mobilität bei Uber, beschreibt das pragmatisch: "Geben Sie den Leuten eine gute erste Fahrt."

Schon wenige Minuten könnten aus Skepsis Begeisterung machen – oder Vertrauen dauerhaft zerstören. Deshalb setzt Uber auf kleine Einsatzgebiete und vorsichtige Skalierung.

Die Diskussion zeigt vor allem eines: Autonomes Fahren ist kein einzelner Technologiesprung, sondern ein komplexer, iterativer Prozess. Neue KI-Ansätze, massive Simulationen und reale Tests greifen ineinander.


Relevante Themen