Neun Experten im Bereich der Embodied AI besprechen: Welche Probleme wurden bei der Massenproduktion im vergangenen Jahr begegnet, und welche Engpässe bestehen noch bei der Umsetzung in diesem Jahr?

Nach der Frühlingsgalas sind die beiden großen technologischen Hauptlinien im Inland 2026 klar geworden:

Der Kampf um die KI (Großmodelle) zwischen den Großkonzernen und der Kampf um die Embodied Intelligence (Roboter) zwischen den Startup-Teams.

Das spannendere und von der Branche am meisten diskutierte Thema ist natürlich letzteres, der Kampf um die Embodied Roboter, insbesondere 2026 wird zum Schlüsseljahr für die Embodied Roboter, um von der "Massenproduktion" zur "Markteinführung" zu gelangen.

Schon in der ersten Woche des Jahres gab es fünf große Finanzierungen - Qianxun Intelligence erhielt in zwei Runden fast 2 Milliarden Yuan an Finanzierungen, Zhipingfang erhielt über 1 Milliarde Yuan in der Serie B, Yinhe Tongyong erhielt 2,5 Milliarden Yuan in der Serie A+, Songyan Power erhielt fast 1 Milliarde Yuan in der Serie B und Youliqi erhielt 300 Millionen Yuan an Eigenkapitalfinanzierungen.

Nach dieser Runde von Kapitalzuflüssen hat sich auf dem Gebiet der Embodied Intelligence im Inland mindestens 7 Unicorn-Unternehmen mit einem Marktwert von über 10 Milliarden Yuan etabliert: Unitree, Zhipingyuan, Yinhe Tongyong, Xinghaitu, Zhipingfang, Zibianliang, Qianxun Intelligence.

Allerdings, nachdem die Embodied Roboter die erste Runde von Massenproduktionsversuchen hinter sich gebracht haben und die Marktfaszination erneut entfacht wurde, sollte die gesamte Branche sich eher fragen:

Welche Probleme traten 2025 bei der ersten Massenproduktion von Embodied Robotern zutage?

Welche bestimmten Engpässe und Trends gibt es 2026 bei der nächsten Welle der Markteinführung von Embodied Robotern?

Zu diesen beiden Fragen, die die zukünftige Entwicklung der Embodied-Roboter-Branche betreffen, habe ich in einer kürzlich stattgefundenen Jahrestagung zur Standardisierung von Humanoidrobotern und Embodied Intelligence ein äußerst wertvolles Gespräch gehört. Die Teilnehmer an diesem Gespräch waren alle Praktiker aus führenden Institutionen auf dem Gebiet der Embodied Intelligence im Inland -

Wang Zhongyuan, Direktor des Instituts für KI, Chen Jianyu, Gründer von Xingdong Jiyuan, Gao Jiyang, Gründer von Xinghaitu, Wang Yu, Professor an der Tsinghua-Universität, Wang Qian, Gründer von Zibianliang Robot, Zhao Tongyang, Gründer von Zhongqing Robot, Xu Jincheng, Gründer von Pasini, Cheng Hao, Gründer von Jiasu Jinhua und Ding Wenchao, Chefwissenschaftler von Tashi Zhihang.

Aus den tiefgehenden Diskussionen dieser neun Praktiker aus führenden Institutionen auf dem Gebiet der Embodied Roboter haben wir einige Antworten auf die obigen beiden Fragen gefunden.

01 Die Massenproduktion von Embodied Robotern - N "Konsistenz"-Probleme

Frage: Was ist das schwerste "Knochenstück" bei der Massenproduktion von Embodied Robotern?

Chen Jianyu: Bei der Massenproduktion sehen wir zwei größere Probleme:

Erstens, das "Konsistenz"-Problem.

Da die Roboter-Kette sehr lang ist, von der Lieferkette, den Bauteilen bis hin zum gesamten Gerät, dem System und den Algorithmen, kann in jedem Schritt eine kleine Variable auftreten, die die Konsistenz beeinträchtigt.

Beispielsweise hatten wir einmal das Problem, dass einige der in derselben Charge hergestellten Humanoidroboter immer schlecht liefen. Nach langem Suchen stellten wir fest, dass die Arbeiter bei der Montage der Motoren bei einigen Robotern das Kleben nicht richtig gemacht hatten. Solche Probleme sind in der praktischen Produktionsumgebung nicht ungewöhnlich.

Die Lösung war, dass wir mehrere Prüfschritte und Sperren einrichteten, um die Risiken Schritt für Schritt auszuschließen.

Zweitens, da Produkte wie Embodied Roboter noch sehr neu sind, können wir nicht alle Probleme im Voraus berücksichtigen, insbesondere bei unseren eigenen kleinen Testserien können Probleme auftreten, die wir nicht bedacht haben.

Beispielsweise hatten wir ein Produkt auf dem Markt, das für eine Zeit keine Probleme verursachte. Später hatte ein großer Kunde, der eine größere Menge des Produkts kaufte und es länger und intensiver nutzte, in seiner Nutzungssituation einige Probleme, die wir überhaupt nicht erwartet hatten.

Solche Probleme sind derzeit unvermeidlich, aber wir können zwei Dinge tun:

Erstens, schnelle Iteration. Wenn ein Problem auftritt, versuchen wir schnell, es zu analysieren und zu lösen.

Zweitens, eine "Fehlerliste" erstellen, um Erfahrungen zu sammeln und ähnliche Probleme in Zukunft zu vermeiden.

Gao Jiyang: Die Kopplung zwischen dem gesamten Gerät und der Künstlichen Intelligenz ist ein sehr wichtiges Problem.

Durch die Produktion und die Technologie können wir eine gewisse Konsistenz gewährleisten, aber wir haben festgestellt, dass es immer noch geringe Unterschiede zwischen den einzelnen Robotern gibt. Wenn wir ein Basis-Modell hinzufügen, werden diese geringen Unterschiede vergrößert.

Dafür ist ein Kalibrierungsprozess erforderlich, bei dem alle Sensoren und mechanischen Strukturen des gesamten Geräts in einem einheitlichen mathematischen Raum kalibriert und mit dem Modell gekoppelt werden.

Basierend auf diesem Ansatz gibt es nicht nur eine Massenproduktion des gesamten Geräts, sondern auch eine Massenproduktion der Künstlichen Intelligenz. Die Kopplung dazwischen erfolgt über die Kalibrierung. Dies ist ein relativ einzigartiges Problem bei der Massenproduktion von Robotern oder Embodied Intelligence.

Wang Qian: Die beiden haben über die Teile gesprochen, die wir kontrollieren können. Bei unserer eigenen Produktion und Kalibrierung gibt es immer noch einen Teil, den wir nicht kontrollieren können, nämlich das Problem der Lieferkette.

Ich erinnere mich besonders gut an einen Fall, bei dem ein Motor immer wieder unregelmäßige und schwer vorherzusagende Schäden aufwies. Wir waren sehr verwundert, warum unsere Wettbewerber mit demselben Motor keine solchen Probleme hatten.

Später stellten wir fest, dass die Betriebsbedingungen unterschiedlich waren. Unsere Wettbewerber verwendeten die üblichen Betriebsbedingungen, und der Lieferant hatte diese Bedingungen gut optimiert. Wir befanden uns zwar auch innerhalb der Kalibrierungsbedingungen des Lieferanten, aber der Lieferant hatte möglicherweise etwas faul gemacht und die Tests und Optimierungen für diesen Bereich nicht richtig durchgeführt.

Dies zeigt auch die Wichtigkeit der Standardisierung. Wenn wir ein ausreichend umfassendes Standardsystem hätten, könnten wir solche Probleme vermeiden.

Aber in derzeitigem Stadium ist es unvermeidlich, dass wir einige Umwege gehen müssen. Wir müssen weiterhin Erfahrungen sammeln, indem wir das Produkt in verschiedenen Umgebungen intensiv testen und massenproduzieren, damit diese Probleme zutage treten können. Dies ist ein Entwicklungsprozess der gesamten Branche.

Zhao Tongyang: Zunächst müssen wir die Massenproduktion klar definieren.

Von letzten Jahr bis jetzt kann die Auslieferung von einigen tausend Humanoidrobotern im Vergleich zur Automobilbranche nur als "Kleinserienproduktion" bezeichnet werden .

Im Vergleich zur hundertjährigen Automobilbranche befindet sich die Roboterbranche noch weit entfernt von der Massenproduktion. Dies ist eine Tatsache.

Dabei hat sich die Lieferkette auch noch weit nicht auf dem Niveau der Massenproduktion entwickelt.

Beim Automobil gibt es für jedes Bauteil, von Reifen und Getrieben bis hin zu Glas und Lenkrädern, Dutzende oder sogar Hunderte von etablierten Lieferanten, die sich über fast ein Jahrhundert entwickelt haben. Die Roboterbranche, insbesondere die Humanoid-Roboter-Branche, hat erst in den letzten zwei bis drei Jahren einen rapiden Aufschwung erlebt.

Bei den Lieferanten für Roboter gibt es derzeit noch nicht viele Optionen, und die Qualität befindet sich noch in der Erprobungsphase.

Darüber hinaus befindet sich die Branche immer noch in einer Phase des schnellen Wachstums. Die Produktschnellwechsel machen es für die Herstellung von Formen schwierig, sich voll einzubringen.

Aufgrund der schnellen Entwicklung der Branche hat ein Produkt möglicherweise nur eine Wettbewerbsfähigkeit von 1 - 2 Jahren. Wenn ein Unternehmen Tausende von Produkten vorhält, kann es in der nächsten Runde des Wettbewerbs aus der Konkurrenz fallen und große Lagerbestände anfallen lassen. Dies führt dazu, dass wir und die Lieferanten nicht bereit sind, Produkte in großen Mengen zu produzieren, was wiederum die gesamte Lieferkette verlangsamt.

Darüber hinaus unterscheiden sich die Standards für kleine und große Humanoidroboter. Kleinere Humanoidroboter haben keine besonders hohen Anforderungen an die mechanische Festigkeit und andere Aspekte, während größere Humanoidroboter springen und hüpfen können müssen, 10g - 20g Beschleunigung aushalten müssen und die Zahnräder nicht brechen dürfen. Dies erfordert eine langsame Validierung von der Simulation bis hin zur Konstruktion.

Einige Dinge können nicht einmal simuliert oder konstruiert werden, sondern nur getestet werden. Dies sind die Probleme, die die gesamte Branche in derzeitigem Stadium lösen muss.

Ding Wenchao: Viele von Ihnen haben über die Konsistenz der Gelenke und der Steuerung gesprochen. Ein Problem, das wir haben, ist, wie wir die Konsistenz zwischen dem "Geist", dem "Kleinhirn" und dem Körper des Roboters gewährleisten können.

Beispielsweise wenn ein Roboter für eine Aufgabe eingesetzt wird, ändern sich die dynamischen Eigenschaften des Roboters über seine gesamte Lebensdauer, einschließlich der Kraft- und Tastwahrnehmung. Die Unternehmen veröffentlichen eigentlich "Körper + Modell". Wie können wir sicherstellen, dass auch der "Geist" konsistent und in Massenproduktion herstellbar ist? Dies ist ein Problem, das wir derzeit lösen müssen.

Dieses Problem ist nicht nur ein Hardwareproblem. Es gibt auch viele Trainingstechniken und Datenverwendungstechniken auf der Ebene des "Geistes", die hinzugefügt werden können, damit der Roboter über seine gesamte Lebensdauer, unabhängig von Verschleiß und Alterung, die Generalisierungsfähigkeit des Modells beibehalten kann.

02 Die Markteinführung von Embodied Robotern - Wie baut man 2026 einen "Geist"?

Frage: Was muss 2026 noch verbessert werden, damit Roboter wirklich Generalisierungsfähigkeit haben und in verschiedenen Szenarien Wert schaffen können?

Wang Zhongyuan: In den letzten Jahren hat die Roboterbranche so viel Aufmerksamkeit erhalten, nicht nur wegen der Entwicklung der Hardware, sondern auch wegen der Fortschritte in der Künstlichen Intelligenz, insbesondere in den Großmodellen, die neue Möglichkeiten für die Embodied Intelligence eröffnet haben.

Im Vergleich zu traditionellen Großmodellen muss die Embodied Intelligence mit der Hardware gekoppelt werden. Im Gegensatz zur reinen digitalen Welt, in der die Großmodelle möglicherweise direkt Wert schaffen können, erfordert die Embodied Intelligence sowohl eine Verbesserung der Modellfähigkeit als auch die Abhängigkeit von der Hardware, was die Komplexität erhöht.

Die Embodied Intelligence fehlt derzeit noch an hochwertigen Daten. Dies bedeutet, dass die Daten für die Embodied Intelligence nicht nur aus der Internet-Simulationumgebung stammen müssen, sondern auch reale Daten von echten Robotern.

Natürlich ist es wichtig, wie diese realen Daten hochwertig und standardisiert erfasst werden können. Dies sind Dinge, die die Normungsausschüsse vorantreiben können.

Wenn wir in die Zukunft blicken, insbesondere in diesem Jahr, denke ich, dass es zwei Aspekte gibt:

Erstens, was die tatsächliche Markteinführung durch Unternehmen betrifft, glaube ich, dass es weiterhin hauptsächlich um VLM + VLA oder reines VLA gehen wird, um Daten in bestimmten Szenarien zu optimieren.

Zweitens, aus wissenschaftlicher Sicht wird der Schwerpunkt auf das Weltmodell gelegt, um das nächste Generation von Embodied-Intelligenz-Modellen mit echter Generalisierungsfähigkeit voranzutreiben.

Chen Jianyu: 2026 haben wir zwei Schwerpunkte:

Erstens, Daten-Closed-Loop.

Nach den letzten zwei Jahren der Entwicklung haben sich einige Paradigmen des End-to-End-VLA-Modells standardisiert. In diesem Fall ist die Verbesserung der Datenqualität der effektivste Weg, um die Modellfähigkeit zu verbessern.

Zweitens, die Verbesserung des Modellparadigmas.

Das derzeit standardmäßige VLA-Modell basiert hauptsächlich auf dem Paradigma des Imitationslernens. Wie können wir für Roboter ein besseres Modell zur Understanding der physischen Welt erstellen, um Roboter zu helfen, verschiedene Aufgaben in der physischen Welt besser, allgemeiner und präziser zu erledigen? Dies erfordert die Erforschung neuer Paradigmen.

Gao Jiyang: Wenn wir uns das Thema "Robotergeist" ansehen, besteht es hauptsächlich aus drei Teilen: