Pionierarbeit, lange bevor es einen Namen dafür gab
Manchmal erkennt man erst im Rückblick, dass man an etwas Neuem mitgearbeitet hat. Als mein Team bei ADIC vor über zwanzig Jahren die Remote Management Unit (RMU) entwickelte – ein System, das den Fernzugriff auf Tape-Bibliotheken über einen simplen Webbrowser ermöglichte – dachten wir nicht in Kategorien wie „IoT" oder „Embedded Internet". Diese Begriffe gab es schlicht noch nicht.
Nach einigem Nachdenken kommt die Erinnerung zurück: Wir setzten auf einen ARM-basierten Prozessor der NET+ARM-Familie von NetSilicon – Chips, die speziell dafür entwickelt wurden, kleinen, eingebetteten Geräten Internet-Konnektivität zu verleihen. Als Betriebssystem kam VxWorks zum Einsatz, entwickelt mit der Wind River Workbench. Das war zu dieser Zeit alles andere als Standard – NetSilicon zeigte seine NET+ARM-Chips erstmals größerem Publikum auf der Embedded Systems Conference im Frühjahr 2000, praktisch zeitgleich mit unserer eigenen Entwicklungsarbeit. Wir bewegten uns also nicht am Rand dieser Technologie, sondern mitten in ihrer Entstehungsphase.
Auch an die Software-Seite erinnere ich mich gut: Wir experimentierten mit Suns Embedded-Java-Technologien, die vielversprechend klangen, in der Praxis aber oft zu ressourcenhungrig für die knappen Kapazitäten eingebetteter Systeme waren. Auch IBM brachte in dieser Phase einiges an Technologie in den Markt – vieles davon funktionierte in der Praxis aber nicht zuverlässig genug für den produktiven Einsatz.
Warum das kein Zufall war
Eine Sache wird im Rückblick klar: Es gab schlicht noch keinen fertigen Baukasten für "Internet auf einem eingebetteten Chip". Allgemein nutzbare, schlanke TCP/IP-Implementierungen für kleine Mikrocontroller kamen erst etwas später auf den Markt – etwa uIP ("micro IP") des schwedischen Forschers Adam Dunkels, das 2001/2002 erschien. Vorher baute praktisch jedes Team seine eigene, anwendungsspezifische Lösung – genau das, was wir bei ADIC taten.
Und heute?
Ein Vierteljahrhundert später hat sich das Bild komplett gedreht. Was damals mühsame Einzelanfertigung war, ist heute Commodity-Technik: Ein Raspberry Pi für unter 50 Euro bringt mehr Rechenleistung mit als so manches damalige Serverzimmer – inklusive fertiger, stabiler TCP/IP-Stacks, WLAN, Bluetooth und einer riesigen Software-Community. Was wir damals mit selbstgebauten Lösungen und viel Fluchen erkämpften, ist heute eine Frage von wenigen Codezeilen und einem Blick in die Dokumentation.
Der eigentliche Sprung der letzten Jahre liegt aber nicht mehr bei der reinen Internet-Anbindung – dieses Problem ist gelöst. Er liegt darin, wo die Intelligenz selbst sitzt. Lange war die Logik hinter vernetzten Geräten simpel: Sensor misst, Daten gehen in die Cloud, dort passiert die eigentliche Verarbeitung, Antwort kommt zurück. Das funktioniert, kostet aber Zeit, Bandbreite und wirft Datenschutzfragen auf – vor allem, wenn die Verbindung mal ausfällt oder Latenz kritisch ist.
Genau hier setzt der aktuelle Trend an: Edge AI, teils auch TinyML genannt. Die Idee: Statt jede Entscheidung in die Cloud auszulagern, laufen kompakte KI-Modelle direkt auf dem Gerät selbst – auf einem Raspberry Pi, einem Mikrocontroller, einer Kamera. Bilderkennung, Spracherkennung oder Anomalie-Erkennung passieren lokal, in Echtzeit, ohne dass Rohdaten das Gerät überhaupt verlassen müssen. Das bringt drei handfeste Vorteile: geringere Latenz, funktionierender Betrieb auch ohne Internetverbindung, und – aus meiner Sicht als jemand, der Datenschutz nie nur als Compliance-Thema, sondern als Vertrauensfrage versteht – eine deutlich bessere Ausgangslage für den Datenschutz, weil sensible Daten gar nicht erst das Haus verlassen.
Die Parallele zu meiner RMU-Zeit ist frappierend: Damals ging es darum, überhaupt Konnektivität auf ein kleines System zu bekommen. Heute geht es darum, wie viel Intelligenz man diesem kleinen System zutrauen kann, ohne die Cloud zu brauchen. Das Problem hat sich verschoben – aber der Grundgedanke, möglichst viel direkt am Gerät zu lösen, statt alles an einen entfernten Großrechner zu delegieren, ist überraschend konstant geblieben.
Fazit
Wer heute mit ein paar Klicks ein KI-Modell auf einem Raspberry Pi zum Laufen bringt, sieht selten, wie viel mühsame Handarbeit vor 25 Jahren nötig war, um überhaupt eine stabile Internetverbindung auf ein kleines eingebettetes System zu bekommen. Es gab keine fertigen Bausteine, keine Community-Foren mit vorgefertigten Lösungen – nur ARM-Prozessoren, ein Echtzeitbetriebssystem und die Bereitschaft, Probleme selbst zu lösen, für die es schlicht noch keine Vorlage gab.
Der Weg von der RMU zu Edge AI ist damit auch eine Geschichte der Verlagerung: erst ging es darum, ein Gerät überhaupt ins Netzwerk zu bringen, dann darum, wie viele Daten man in die Cloud schickt, und heute darum, wie viel Intelligenz direkt auf dem Gerät selbst stattfinden kann. Die Fragen ändern sich, das Grundprinzip bleibt: möglichst viel dort lösen, wo das Problem tatsächlich auftritt – nah am Gerät, nah an den Daten, nah an der Realität.
Für mich persönlich schließt sich damit ein Kreis, den ich vor zwei Jahrzehnten nicht kommen sah. Und für alle, die heute mit Raspberry Pi und Edge AI experimentieren: Es lohnt sich zu wissen, auf wessen Schultern diese Bequemlichkeit eigentlich steht.
