Der digitale Zwilling wird lebendig, wie KI biologische Daten umgebungsbewusst macht

Eine Hologramm-Fliege, gesteuert von einem echten Nervensystem, reagiert live auf einen realen Raum.

^{Bild: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Am 3. September 2026 veröffentlichten Forschungsteams um Janelia FlyEM die vollständige Verschaltungskarte eines kompletten Nervensystems, jede einzelne Nervenzelle und jede Verbindung dazwischen dokumentiert. Nur neun Tage später zeigten die Entwickler Pavlo Tkachenko und Stijn Spanhove, wozu ein solcher Datensatz fähig ist, sobald man ihn tatsächlich laufen lässt: Sie verbanden das Nervensystem mit einer Augmented-Reality-Brille und ließen ein Hologramm entstehen, das sich eigenständig durch einen echten Wohnraum bewegte, Blumen anflog und vor einer Hand auswich.

Was auf den ersten Blick wie ein kurioses Technik-Experiment wirkt, steht stellvertretend für eine Entwicklung, die weit über ein einzelnes Beispiel hinausreicht: Biologische Datensätze, von neuronalen Karten über Patientenmodelle bis zu Tierverhalten, werden zunehmend mit künstlicher Intelligenz und räumlicher Sensorik verbunden und dadurch von stillen Aufzeichnungen zu aktiv reagierenden Systemen.

• Zwei Entwickler ließen ein KI-simuliertes, echtes Gehirn eigenständig im digitalen und realen Raum agieren.
• Grundlage ist ein vollständiges, per Elektronenmikroskop erfasstes Nervensystem.
• Der Markt für digitale Zwillinge im Gesundheitswesen wächst zweistellig bis mittstellig pro Jahr.
• Auch Tierhaltung und Naturschutz nutzen bereits KI-gestützte, reagierende Verhaltensmodelle.
• Entscheidend ist überall dasselbe Prinzip: Daten plus Modell plus reale Umgebung.

Dieser Artikel ordnet ein, wie ein solches biologisches Modell technisch überhaupt entsteht, warum ein Datensatz allein noch kein Verhalten erzeugt, wo diese Idee heute bereits in Medizin, Landwirtschaft und Naturschutz ankommt, und wo ihre Grenzen liegen.

Der Moment, in dem aus einem Datensatz ein Verhalten wird

Jedes Unternehmen und jede Forschungseinrichtung sitzt auf Datensätzen, die etwas beschreiben, aber nichts tun. Ein Prozesshandbuch beschreibt einen Ablauf, reagiert aber nicht, wenn sich der Ablauf ändert. Eine Patientenakte zeigt, was war, nicht was gerade passiert. Diese Art von Daten ist wertvoll und trotzdem seltsam leblos, solange niemand sie mit der realen Welt verbindet.

Am 3. September 2026 veröffentlichten Janelia FlyEM, die Universität Cambridge, das MRC Laboratory of Molecular Biology und Google Research in der Fachzeitschrift Cell den sogenannten MaleCNS-Konnektom, die vollständige Verschaltungskarte des Nervensystems einer männlichen Fruchtfliege, Gehirn und Nervenstrang zusammen: 166.700 Nervenzellen, 25,6 Millionen dokumentierte Verbindungen, rekonstruiert aus echten Elektronenmikroskop-Aufnahmen.^[1] Nur wenige Tage später verbanden die Entwickler Pavlo Tkachenko und Stijn Spanhove diesen Datensatz mit Snap Spectacles, einer durchsichtigen AR-Brille, und ließen daraus ein Hologramm entstehen, das eigenständig auf einen realen Wohnraum reagierte, Blumen anflog, vor einer sich nähernden Hand auswich und auf einer echten Teetasse landete.^[2]

Aus einer stillen Verschaltungskarte wurde binnen weniger Tage ein reagierendes Hologramm.

^{Grafik: Vom passiven Datensatz zum aktiven System | © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Genau dieser Übergang, von der reinen Beschreibung zur echten, sichtbaren Reaktion, ist der rote Faden dieses Artikels. Er lässt sich, wie die folgenden Kapitel zeigen, auf weit mehr übertragen als auf ein einzelnes Insekt.

• Der MaleCNS-Konnektom kartiert 166.700 Nervenzellen und 25,6 Millionen Verbindungen.
• Veröffentlicht am 3. September 2026 in der Fachzeitschrift Cell.
• Zwei Entwickler verbanden den Datensatz Tage später mit einer AR-Brille.
• Das Ergebnis reagierte live und unvorhersehbar auf einen echten Raum.
• Aus einem ruhenden 3D-Datensatz wurde ein aktives, beobachtbares System.

Wie ein solcher biologischer Datensatz überhaupt entsteht, und welche Chancen genau dieser Aufbauprozess für die Biologie selbst eröffnet, zeigt das nächste Kapitel.

Wie ein solches Modell gebaut wird, und welche Chance darin für die Biologie liegt

Ein biologischer 3D-Datensatz dieser Tiefe entsteht nicht am Reißbrett, sondern durch aufwendige Rekonstruktion realen Gewebes, und je nach Maßstab kommen dafür sehr unterschiedliche Verfahren zum Einsatz.

Für den MaleCNS-Konnektom wurde reales Nervengewebe in tausende hauchdünne Schichten zerlegt, jede Schicht unter dem Elektronenmikroskop fotografiert, und anschließend jede einzelne Nervenfaser manuell wie automatisiert über alle Schichten hinweg nachverfolgt, ein Verfahren, das für die Auflösung einzelner Zellen und Synapsen nötig ist, aber enorm rechenintensiv bleibt.^[3] Für größere biologische Strukturen, ganze Organe oder Organismen, kommen stattdessen andere 3D-Rekonstruktionsverfahren zum Einsatz, etwa CT- und MRT-Bildgebung oder photogrammetrisches und volumetrisches Scanning, je nachdem, ob Zellebene oder der gesamte Körper im Vordergrund steht.

Damit aus einer solchen Verschaltungskarte tatsächlich Verhalten wird, braucht es zusätzlich ein Rechenmodell. Im Fall des Konnektoms war das ein Modell, das der Forscher Philip Shiu und Kollegen bereits 2024 in Nature veröffentlicht hatten und das reales Verhalten wie Fressen oder Putzen vorhersagen konnte.^[4] Für ausreichend Rechengeschwindigkeit wurde der Kern auf spezialisierte Hardware portiert, nahe genug an Echtzeit, um wie eine lebendige Reaktion zu wirken statt wie eine träge Simulation.

Vom Gewebeschnitt zur lauffähigen Karte, und von dort in drei völlig unterschiedliche Anwendungsfelder.

^{Grafik: Rekonstruktionsverfahren und Anwendungsfelder biologischer 3D-Datensätze | © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Genau dieser Aufbauprozess eröffnet der Biologie ein eigenständiges Anwendungsfeld, unabhängig von Industrie oder Technik. Ein individuelles Gesundheitsmodell, ein Verhaltensmodell von Nutztieren oder ein Modell einer bedrohten Tierart folgen alle demselben Grundprinzip: erst Rekonstruktion, dann ein Modell, das daraus Verhalten ableitet. Auch für die Forschung selbst eröffnet das neue Möglichkeiten, Hypothesen lassen sich am lauffähigen digitalen Modell testen, statt jeden Versuch am lebenden Tier durchführen zu müssen.

• Elektronenmikroskopie rekonstruiert biologische Strukturen auf Zellebene.
• CT, MRT und photogrammetrisches Scanning erfassen größere Organe und Organismen.
• Ein zusätzliches Rechenmodell übersetzt die Karte erst in tatsächliches Verhalten.
• Spezialisierte Hardware macht die Simulation nahezu echtzeitfähig.
• Das Bauprinzip gilt gleichermaßen für Medizin, Tierhaltung und Naturschutz.

Damit aus einem solchen Modell tatsächlich Verhalten wird, reicht die Datenbasis allein noch nicht aus. Warum das so ist, zeigt das nächste Kapitel.

Warum Daten allein noch kein Verhalten sind

Ein Datensatz, egal wie detailliert, beschreibt zunächst nur Zusammenhänge. Er zeigt, was mit was verbunden ist, so wie ein Organigramm zeigt, wer wem berichtet, ohne dass dadurch bereits eine einzige Entscheidung getroffen wird.

Damit aus einer solchen Beschreibung tatsächliches Verhalten wird, braucht es ein zusätzliches Modell, das festlegt, wann aus einem Zusammenhang eine konkrete Reaktion wird. Im Konnektom-Beispiel übernahmen bestimmte, aus der Biologie bekannte „absteigende“ Nervenzellen genau diese Rolle, sie steuern Drehungen, Fluchtreflexe, Rückwärtslaufen, Fressen oder Putzen, und ihre Aktivität wurde direkt in Bewegung übersetzt.^[5] Für ein Unternehmen ist das Prinzip identisch: eine Wissensbasis oder ein Prozessmodell allein trifft keine Entscheidungen. Erst ein zusätzliches Regel- oder KI-Modell, das auf dieser Basis arbeitet, macht daraus etwas, das tatsächlich reagiert.

Zwischen Datenbasis und Handlung steht immer ein zusätzliches Entscheidungsmodell.

^{Grafik: Vom Netzwerk-Diagramm zur konkreten Entscheidung | © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Diese Unterscheidung ist keine akademische Feinheit, sondern der Punkt, an dem viele Digitalisierungsprojekte tatsächlich scheitern: eine Datenbank aufzubauen ist die leichtere Hälfte der Arbeit, sie tatsächlich entscheidungsfähig zu machen die schwerere.

• Ein Datensatz zeigt nur Zusammenhänge, keine Entscheidungen.
• Im Konnektom übersetzen bestimmte Nervenzellen Aktivität direkt in Bewegung.
• Unternehmen brauchen ebenso ein zusätzliches Entscheidungsmodell über der Datenbasis.
• Der Aufbau der Datenbasis ist meist der leichtere Teil der Arbeit.
• Ohne Entscheidungsschicht bleibt jeder Datensatz folgenlos.

Selbst mit einem Entscheidungsmodell bleibt ein System folgenlos, solange es nicht weiß, was um es herum gerade wirklich passiert. Genau diese fehlende Verbindung behandelt das nächste Kapitel.

Der fehlende Baustein: eine Verbindung zur realen Umgebung

Selbst ein Datensatz mit Entscheidungsmodell bleibt folgenlos, solange er nicht weiß, was gerade tatsächlich um ihn herum passiert. Genau hier kommt räumliche Computertechnik, Spatial Computing, ins Spiel: Sie liefert die laufende, aktuelle Information über die reale Umgebung, die ein Modell braucht, um situativ statt nur theoretisch richtig zu reagieren.

Im Konnektom-Projekt übernahm eine AR-Brille diese Rolle. Snap Spectacles verfügen bereits über ein Verständnis des umgebenden Raums, Oberflächen, Tiefe, Objekte, Handbewegungen, das die Entwickler direkt an das simulierte Nervensystem weiterleiteten.^[6] Für ein Unternehmen kann dieselbe Rolle ebenso gut eine Kamera in einer Produktionshalle, ein Sensor an einer Maschine oder ein Wearable an einem Patienten übernehmen. In der Medizin geschieht das bereits im großen Maßstab: Der Markt für digitale Zwillinge im Gesundheitswesen wird 2026 auf rund 7,5 Milliarden US-Dollar geschätzt und soll bis 2031 auf über 101 Milliarden US-Dollar wachsen, angetrieben genau durch diese laufende Verbindung von Patientenmodellen mit echten, kontinuierlich erfassten Messdaten.^[7]

Ob AR-Brille, Fabriksensor oder Patienten-Wearable, entscheidend ist die laufende Verbindung zur Realität.

^{Bild: Spatial Computing als Sensor-Schnittstelle für Entscheidungsmodelle | © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Entscheidend ist dabei nicht die konkrete Technologie, sondern dass ein Modell erst durch eine solche laufende Verbindung zur Realität von der Theorie zur praktischen Anwendung wird.

• Snap Spectacles lieferten dem Konnektom-Projekt ein Verständnis des realen Raums.
• Der Markt für digitale Zwillinge im Gesundheitswesen wächst 2026 bis 2031 von 7,5 auf über 101 Milliarden US-Dollar.
• Dieses Wachstum basiert direkt auf der Verbindung von Patientenmodellen mit realen Messdaten.
• Die konkrete Sensor-Technologie ist austauschbar, AR-Brille, Kamera oder Wearable.
• Ohne laufende Realitätsverbindung bleibt jedes Modell rein theoretisch.

Rohe Sensordaten sind für ein Entscheidungsmodell allerdings selten direkt nutzbar. Wie aus rohen Messwerten verständliche Signale werden, zeigt das nächste Kapitel.

Rohdaten in verständliche Signale übersetzen

Eine Kamera liefert Pixel, kein Wissen darüber, dass sich dort gerade eine Person nähert oder ein Messwert kritisch wird. Deshalb braucht es einen Übersetzungsschritt: eine zusätzliche KI, die rohe Sensordaten in die Art von Information verwandelt, mit der das eigentliche Entscheidungsmodell arbeiten kann.

Im Konnektom-Projekt übernahm Googles KI-Modell Gemini diese Aufgabe, es erkannte Objekte im Raum, eine Tasse, eine Vase, eine Katze, und übersetzte sie zusammen mit Distanzmessungen der Brille in die Art von Sinnesreiz, den das simulierte Nervensystem tatsächlich erwartet.^[8] Schnelle Bewegungen in der Nähe wurden dabei als Gefahr interpretiert, derselbe Reiz, der ein reales Tier zusammenzucken lässt. Dieselbe Übersetzungsschicht findet sich in der Naturschutzforschung wieder: KI-Modelle wie das am California Institute of Technology entwickelte MegaDetector oder das darauf aufbauende SpeciesNet durchsuchen automatisiert Kamerafallen-Bilder, erkennen und zählen Tierarten und machen so aus Millionen Rohaufnahmen verwertbare Populationsdaten, ganz ohne manuelle Sichtung.^[9]

Erst die Übersetzung macht aus Rohbildern verwertbare, artgenaue Information.

^{Grafik: KI-gestützte Objekterkennung als Übersetzungsschicht zwischen Sensor und Modell | © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Ob Fliegenhirn oder Naturschutzkamera, ohne diesen Zwischenschritt bleiben selbst die besten Sensordaten für ein Entscheidungsmodell bedeutungslos.

• Gemini übersetzte im Konnektom-Projekt erkannte Objekte in Sinnesreize.
• Schnelle Bewegungen wurden dabei gezielt als Gefahr interpretiert.
• MegaDetector und SpeciesNet übernehmen dieselbe Übersetzungsrolle in der Naturschutzforschung.
• Beide Systeme verwandeln Millionen Kamerafallen-Bilder in auswertbare Artdaten.
• Ohne KI-Übersetzungsschicht bleiben rohe Sensordaten für ein Modell nutzlos.

Erst wenn all diese Bausteine zusammenkommen, entsteht etwas, das für Außenstehende wie eine eigenständige, sichtbare Reaktion wirkt. Genau das zeigt das nächste Kapitel.

Wenn ein System beginnt, sichtbar zu reagieren

Erst wenn Datensatz, Entscheidungsmodell, räumliche Erfassung und Übersetzung der Rohdaten zusammenkommen, entsteht etwas, das wie eine eigenständige Reaktion wirkt. Im Konnektom-Projekt wich das Hologramm einer sich nähernden Hand aus, bewegte sich auf eine echte Blume zu und verweilte kurz zögernd auf einer Teetasse, exakt so, wie es die zugrunde liegende „Stopp“-Nervenzelle vorhersagen würde, sichtbar und nachvollziehbar für jeden, der die Szene beobachtete.^[10]

Für Unternehmen und Forschungseinrichtungen ist genau dieser Moment, in dem ein System sichtbar und nachvollziehbar reagiert, der eigentliche Wertschöpfungsschritt. Eine Gesundheitswarnung, die im Moment eines auftretenden Problems erscheint, statt erst im nächsten Bericht, oder eine Verhaltensauffälligkeit bei einem Nutztier, die in Echtzeit gemeldet wird statt erst bei der nächsten Kontrolle, folgt demselben Prinzip: Daten, Modell und reale Umgebung greifen sichtbar ineinander.

Der Moment, in dem ein Modell sichtbar reagiert, ist der eigentliche Wertschöpfungsschritt.

^{Grafik: Vom Entscheidungssignal zur sichtbaren, nachvollziehbaren Reaktion | © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Dieses Prinzip lässt sich, wie das nächste Kapitel im Detail zeigt, bereits heute in mehreren realen biologischen Anwendungsfeldern konkret nachweisen.

• Das Hologramm reagierte im Video nachvollziehbar auf reale Objekte und Bewegungen.
• Sichtbare, situative Reaktion ist der eigentliche Wertschöpfungsmoment eines Systems.
• Eine Warnung im Moment des Problems ersetzt den nachträglichen Bericht.
• Dasselbe Prinzip gilt für Gesundheits- wie für Tierverhaltensdaten.
• Daten, Modell und Umgebung müssen sichtbar ineinandergreifen.

Wie konkret dieses Prinzip heute bereits in Medizin, Landwirtschaft und Naturschutz angewendet wird, zeigt das folgende Kapitel anhand realer Projekte und Marktzahlen.

Digitalisierung von Lebewesen: drei reale Anwendungsfelder

Die Digitalisierung von Lebewesen ist kein Nebenschauplatz des hier beschriebenen Prinzips, sondern bereits heute eines seiner konkretesten Anwendungsfelder, mit belastbaren Projekten und wachsenden Marktzahlen in mindestens drei Bereichen.

In der Medizin läuft seit 2014 das Living Heart Project von Dassault Systèmes, ein detailliertes virtuelles Modell des menschlichen Herzens, das elektrische, strukturelle und Fließdynamik-Vorgänge simuliert. Gemeinsam mit der US-Arzneimittelbehörde FDA entstand daraus 2024 das sogenannte Enrichment Playbook, ein offiziell anerkannter Leitfaden dafür, wie virtuelle Herzsimulationen als digitale Evidenz in der Zulassung neuer Herzgeräte dienen können, teils anstelle von Tierversuchen.^[11] 2025 folgte eine KI-gestützte, vollständig parametrische Version des Modells, die sich an individuelle Patientenanatomien anpassen lässt.^[12]

In der Landwirtschaft wird dasselbe Prinzip unter dem Begriff Precision Livestock Farming bereits breit eingesetzt: Sensoren, Ohrmarken und Kamerasysteme von Anbietern wie Afimilk, DeLaval oder Cainthus überwachen Verhalten, Gesundheit und Fruchtbarkeitszyklen von Nutztieren in Echtzeit und melden Auffälligkeiten, bevor ein Tierarzt sie bei der nächsten Routinekontrolle entdecken würde. Der globale Markt für KI in der Präzisionstierhaltung wuchs 2025 auf rund 2,7 Milliarden US-Dollar und soll bis 2030 auf über 8 Milliarden US-Dollar steigen.^[13]

Im Naturschutz übernehmen KI-Modelle wie MegaDetector und SpeciesNet die automatisierte Auswertung von Kamerafallen-Bildern in Schutzgebieten weltweit, ergänzt durch bioakustische Sensornetze, die bedrohte Vogelarten oder nächtliche Wildtierbewegungen anhand ihrer Rufe erkennen, oft direkt auf stromsparender Hardware vor Ort, ganz ohne durchgehende Internetverbindung.^[14]

Drei völlig unterschiedliche Lebewesen, ein und dasselbe Digitalisierungsprinzip.

^{Infografik: Reale Anwendungsfelder biologischer Digitalisierung in Medizin, Landwirtschaft und Naturschutz | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Drei Branchen, ein gemeinsames Prinzip, reagierende statt rein beschreibende Datensätze.

^{Tabelle: Reale Anwendungsfelder biologischer Digitalisierung, Stand Sommer 2026 | Quelle: Herstellerangaben, FDA, Marktforschungsberichte | © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Diese drei Felder zeigen, dass das eingangs beschriebene Prinzip, Datensatz, Modell und reale Umgebung, längst über Forschungslabore hinaus in produktiven, kommerziellen Anwendungen angekommen ist.

• Das Living Heart Project dient seit 2024 offiziell als digitale Evidenz für die FDA-Zulassung.
• Der Markt für digitale Zwillinge im Gesundheitswesen wächst zweistellig bis vierstellig prozentual.
• Precision Livestock Farming wächst von 2,7 auf über 8 Milliarden US-Dollar bis 2030.
• MegaDetector und SpeciesNet automatisieren Naturschutz-Monitoring weltweit.
• Alle drei Felder folgen demselben Grundprinzip wie das Konnektom-Beispiel.

So beeindruckend diese Beispiele sind, keines davon funktioniert ohne sorgfältige technische und fachliche Grenzziehung. Was solche Systeme nicht von allein können, zeigt das abschließende Kapitel.

Was ein solches System nicht von allein kann

So beeindruckend die gezeigten Ergebnisse wirken, sie ersetzen keine sorgfältige technische und fachliche Entwicklung. Ein Entscheidungsmodell allein kennt keine physikalischen Einschränkungen, keine Sicherheitsvorgaben und keine medizinischen oder betrieblichen Rahmenbedingungen.

Die Entwickler des Konnektom-Projekts benennen das selbst offen: Das simulierte Nervensystem lief auf einem gewöhnlichen Laptop, nicht in der Brille selbst, und Dinge wie Beinrhythmus, feste Wände oder die genaue Landephysik mussten separat technisch ergänzt werden, weil ein Gehirn allein keine Physik kennt.^[15] Auch im medizinischen Kontext gilt eine vergleichbare Grenze: Selbst das seit über einem Jahrzehnt entwickelte Living-Heart-Modell dient der FDA ausdrücklich als ergänzende, nicht als alleinige Evidenz, menschliche Prüfung und klassische klinische Daten bleiben Teil des Zulassungsprozesses.^[16]

Die Einschätzung kann aus Daten kommen, die verlässliche Umsetzung bleibt Handarbeit.

^{Grafik: Grenzen automatisierter biologischer Digitalisierung | © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Unternehmen wie für biologische Anwendungen gilt damit dieselbe Regel: Die Einschätzung, was in einer bestimmten Situation richtig wäre, kann zunehmend aus Daten und Modellen kommen, die verlässliche, sichere und regelkonforme Umsetzung dieser Einschätzung in der physischen Welt bleibt Aufgabe sorgfältiger technischer und fachlicher Entwicklung.

• Ein Entscheidungsmodell kennt keine eigene Physik oder Sicherheitsvorgaben.
• Im Konnektom-Projekt wurden Bewegungsphysik und feste Hindernisse separat ergänzt.
• Auch das Living-Heart-Modell dient der FDA nur als ergänzende, nicht alleinige Evidenz.
• Menschliche Prüfung bleibt in Medizin, Landwirtschaft und Naturschutz zentral.
• Einschätzung kann aus Daten kommen, verlässliche Umsetzung bleibt Handarbeit.

Wie überzeugend das eingangs beschriebene Prinzip bereits heute in der Praxis wirkt, zeigt sich am eindrücklichsten im folgenden Video.

Ein echtes Nervensystem beim Reagieren live miterleben

Die bisherigen Kapitel haben gezeigt, wie ein biologischer 3D-Datensatz entsteht, warum er allein noch kein Verhalten erzeugt, welche Rolle räumliche Sensorik und KI-Übersetzung spielen, und wo dieses Prinzip bereits heute in Medizin, Landwirtschaft und Naturschutz angewendet wird. Am anschaulichsten wird das an dem Projekt, das diesen Artikel eingeleitet hat.

Eingebettet wird das Video zum Konnektom-Projekt von Pavlo Tkachenko und Stijn Spanhove, das zeigt, wie eine Hologramm-Fliege live durch einen realen Raum gesteuert wird, inklusive Zweitbildschirm mit Anzeige der Neuronenaktivität des zugrunde liegenden Modells.^[17]

^{Video: FlyBrain Spectacles, live gesteuertes Hologramm auf Basis des MaleCNS-Konnektoms | Projekt: Pavlo Tkachenko und Stijn Spanhove (pavlo-stijn.dev), Repost via Instagram @canmatrixx | © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Im Video wird sichtbar, was in den vorherigen Kapiteln technisch eingeordnet wurde: Ein realer Datensatz, ein Entscheidungsmodell, räumliche Sensorik und eine KI-Übersetzungsschicht greifen so ineinander, dass ein Beobachter eine eigenständige, nachvollziehbare Reaktion sieht, kein Zufall, sondern das Ergebnis derselben Struktur, die auch hinter Herzsimulationen, Stallsensorik und Naturschutz-Kameras steht.

• Video zeigt das reale Konnektom-Projekt von Tkachenko und Spanhove.
• Ein Zweitbildschirm macht die Entscheidungsfindung des Modells sichtbar.
• Dieselbe Grundstruktur trägt auch medizinische, landwirtschaftliche und ökologische Anwendungen.
• Die Technik wird genau dann unsichtbar, wenn alle Bausteine zusammenpassen.
• Dieses Prinzip lässt sich auf viele weitere biologische Anwendungsfelder übertragen.

Dieses Beispiel macht greifbar, wohin sich die Digitalisierung biologischer Systeme bereits heute entwickelt hat, von der einzelnen Forschungsdemo zu einem Prinzip mit realen Milliardenmärkten dahinter.

Von der biologischen Idee zum eigenen Digital-Twin-Projekt

Eine belastbare Entscheidung für ein eigenes Digital-Twin-Projekt, ob in der Medizintechnik, der Landwirtschaft oder der industriellen Produktion, entsteht nicht durch ein einzelnes beeindruckendes Beispiel, sondern durch dasselbe Zusammenspiel, das dieser Artikel beschrieben hat: ein sauberer Datensatz, ein passendes Entscheidungsmodell und eine laufende Verbindung zur realen Umgebung.

Das Expertenteam der VISORIC GmbH aus München verbindet über 15 Jahre Erfahrung in 3D-Visualisierung, KI und Spatial Computing mit praktischer Erfahrung im Aufbau reagierender, raumbewusster Systeme, genau die Bausteine, die auch bei der Digitalisierung biologischer oder industrieller Datensätze entscheidend sind.^[18] VISORIC begleitet Unternehmen dabei, aus vorhandenen Datensätzen, seien es CAD-Modelle, Sensorprotokolle oder Trainingsunterlagen, reagierende, interaktive Systeme zu entwickeln, statt sie als reine Archive liegen zu lassen.

15 Jahre Erfahrung in 3D, KI und Spatial Computing, das VISORIC Expertenteam aus München.

^{Bild: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Ein durchdachtes Pilotprojekt, ein einzelner Datensatz, eine einzelne Trainingsumgebung, lässt sich dabei oft deutlich schneller und kostengünstiger realisieren, als viele Unternehmen erwarten. VISORIC begleitet diesen Weg von der ersten Einschätzung über die Visualisierung möglicher Anwendungsszenarien bis zur einsatzfähigen Entscheidungsvorlage.^[19]

• Einschätzung, ob und wie sich ein vorhandener Datensatz digital verkörpern lässt.
• 3D-Visualisierung und Spatial-Computing-Umsetzung reagierender Systeme.
• Von der ersten Pilotidee zur belastbaren Entscheidungsvorlage.

Genau darin liegt der Ausgangspunkt für ein Gespräch: nicht bei der großen Vision eines vollständigen digitalen Zwillings, sondern bei einem klar abgegrenzten, schnell umsetzbaren ersten Schritt.

Sie möchten herausfinden, ob und wie sich Ihre vorhandenen Datensätze in ein reagierendes, raumbewusstes System verwandeln lassen?

Sprechen Sie mit dem VISORIC Expertenteam aus München über Machbarkeit, Modellwahl und Visualisierung möglicher Anwendungsszenarien.

Kontakt:

E-Mail: info@visoric.com
Telefon: +49 89 21552678

Quellen und Referenzen

1. Fachpublikation zum MaleCNS-Konnektom, Cell (3. September 2026); Janelia FlyEM MaleCNS-Projektseite (male-cns.janelia.org).
2. Blogpost pavlo-stijn.dev/blog/posts/a-real-fly-brain-on-spectacles.html (12. September 2026), Pavlo Tkachenko und Stijn Spanhove.

3. Janelia FlyEM MaleCNS-Downloadseite; GitHub github.com/philshiu/Drosophila_brain_model.
4. Shiu et al., Nature (2024); GitHub github.com/PtPavloTkachenko/fly-brain-spectacles.

5. Blogpost pavlo-stijn.dev, Abschnitt zur Funktionsweise der absteigenden Neuronen.

6. Blogpost pavlo-stijn.dev; Instagram-Repost via @canmatrixx (Videobeleg).
7. Digital Twins in Healthcare Global Market Report 2026, ResearchAndMarkets / GlobeNewswire, August 2026.

8. Blogpost pavlo-stijn.dev, Abschnitt zur Gemini-Objekterkennung; GitHub-Repository fly-brain-spectacles.
9. Beery, S., The MegaDetector, California Institute of Technology (2023); PubMed, Fine-tuning SpeciesNet for wildlife classification (2026).

10. Instagram-Video via @canmatrixx; Blogpost pavlo-stijn.dev.

11. Dassault Systèmes, Living Heart Project und Enrichment Playbook, FDA-Kollaboration (2024).
12. Dassault Systèmes, Pressemitteilung zu KI-gestützten Virtual Twins des Living Heart Project (2025).
13. The Business Research Company, AI In Precision Livestock Farming Market Size Report 2026-2030.
14. Beery, S., The MegaDetector (Caltech, 2023); Frontiers in Conservation Science, Adaptive AI for wildlife monitoring (2026).

15. Blogpost pavlo-stijn.dev, Abschnitt „honest note“.
16. Research & Development World, How the Living Heart Project could transform FDA’s approach to device testing (2024).

17. Blogpost pavlo-stijn.dev; Instagram-Repost via @canmatrixx.

18. VISORIC Praxisprojekte in den Bereichen 3D-Visualisierung, Digitale Zwillinge und Spatial Computing.
19. XR Stager Plattform für Echtzeit-3D, Digitale Zwillinge und industrielle Spatial-Computing-Anwendungen.

Kontaktpersonen:
Ulrich Buckenlei (Kreativdirektor)
Mobil: +49 152 53532871
E-Mail: ulrich.buckenlei@visoric.com

Nataliya Daniltseva (Projektleiterin)
Mobil: + 49 176 72805705
E-Mail: nataliya.daniltseva@visoric.com

Adresse:
VISORIC GmbH
Bayerstraße 13
D-80335 München