Warum steigt ein Gigant im Bereich der Bekleidungstechnologie in das Feld der verkörperten Intelligenz ein?

Das goldene Zeitalter der „Physikalischen KI“ steht möglicherweise vor der Tür.

Ende April notierte sich Qunhe Technology an der Hongkonger Börse und stieg innerhalb von zwei Tagen um fast 400 %. Dieses führende Unternehmen im Bereich Heiminformationstechnologie sammelte über 15 Jahre lang riesige Mengen an 3D-Modell-Daten mit echten physikalischen Parametern, schaffte es als erstes Unternehmen der „Sechs Drachen von Hangzhou“ an die Börse und läutete offiziell das neue Zeitalter der „Physikalischen KI“ ein.

Interessanterweise arbeitet ein weiterer Branchenriese ebenfalls in Hangzhou an ähnlichen Projekten.

Im Gegensatz zu Qunhe Technology, die sich auf die „3D-Steifkörpersimulation“ konzentriert, zielt dieses Unternehmen auf den Bereich der „3D-Flexibilitätssimulation“ ab, der über extrem hohe technische Anforderungen verfügt, aber gleichzeitig nur sehr wenige verfügbare Daten aufweist.

Dieses Jahr im Februar veröffentlichte Lingdi Technology das selbst entwickelte physikalische Simulations- und Synthesedatensystem SynReal. Als Branchenriese im Bereich Kleidungstechnologie sammelte Lingdi Technology über 10 Jahre lang riesige Mengen an „3D-Flexibilitätsdaten“ für Stoffe. Das SynReal-System kann die Trainingskosten für die Embodied-Intelligence-Simulation senken und gleichzeitig den Datendurchsatz steigern. Beispielsweise wird der Kleidungsfaltroboter von Galaxy General, der bei der Frühlingsgala eingesetzt wurde, teilweise von Technologien von Lingdi Technology unterstützt.

Der Kleidungsfaltroboter von Galaxy General bei der Frühlingsgala (Quelle/Unternehmen)

Warum ist die „Flexibilitätssimulation“ so schwierig? Warum wird sie als „Heiliger Gral der Embodied Intelligence“ bezeichnet? Warum hat ein Branchenriese im Bereich Kleidungstechnologie beschlossen, in den Roboterbereich einzusteigen, und womit hat er den Erfolg erzielt?

Die Geschichte beginnt mit dem „Problem des Roboters beim Falten von Kleidung“.

01 Roboter können nicht einmal Kleidung falten

Wenn Sie glauben, dass Embodied-Intelligence-Roboter sehr „intelligent“ sind, können Sie versuchen, ihn ein Kleidungsstück falten zu lassen.

Dieses Spitzenprodukt der Technik, das Lasten tragen, lange Strecken laufen und sogar die Ergebnisse eines Halbmarathons übertreffen kann, steht vor einem gewöhnlichen T-Shirt möglicherweise hilflos da: Er kann es nicht glatt streichen, nicht fest greifen und nicht ordentlich falten.

Natürlich gibt es viele Anbieter, die Kleidung „gut falten“ können. Es gibt im Allgemeinen zwei Realisierungspfade:

Der eine Weg besteht darin, die Aktionsprogramme „fest zu codieren“: Das Kleidungsstück wird an einer festgelegten Position platziert, im Voraus glatt gestrichen und bereitgelegt, dann führt die Maschine die festgelegten Aktionen aus;

Andere Roboter sind „intelligenter“: Sie können verschiedene Kleidungsstücke flexibel greifen und die Aufgabe auch bei Störungen durch Menschen fortsetzen – aber der Preis dafür ist, dass mehr als ein halbes Jahr an Datenerfassung durch menschliche Bedienungen erforderlich ist, um als „Trainingsmaterial“ für den Roboter zu dienen. Sobald sich die Szene, das Licht, die Tischoberfläche oder das Material des Kleidungsstücks ändern, kann das „Material“ nicht mehr wiederverwendet werden.

Als kluger Mensch werden Sie sich sicher fragen: Können wir nicht in dem Computer eine „virtuelle Welt“ aufbauen, die den physikalischen Regeln der realen Welt entspricht, um Roboter mit Code zu trainieren?

Das ist tatsächlich möglich, und viele Branchenriesen machen das bereits, beispielsweise Nvidia Issac, Microsoft AirSim oder MuJoCo, das von DeepMind übernommen wurde. Im Gegensatz zu KI-Software wie großen Modellen wird dieser Ansatz aufgrund der engen Verbindung mit der physischen Welt oft als „Physikalische KI“ bezeichnet.

Wie oben erwähnt dominieren jedoch derzeit in der physikalischen KI die „Steifkörperdaten“ absolut. Wenn Sie die Datenbank öffnen, finden Sie überall Blöcke, Roboterarme und regelmäßige Objekte. Sie sind einfach zu definieren und leicht zu berechnen.

Aber wir alle wissen, dass in der realen Welt mindestens ein Drittel aller Objekte „flexibel“ ist: von der Kleidung, die wir tragen, über das Obst im Supermarkt, die Plastiktüte, die wir in der Hand halten, bis hin zu unserer eigenen Haut.

Die Bewegungsbahn eines starren Objekts ist relativ festgelegt. Bei einem weichen Stoffstück hingegen kann jede Faser frei schwingen.

Wenn der Roboter es greift und eine geringe Kraft ausübt, löst dies eine Kettenreaktion aus. Wie entstehen Falten? Wie hängt der Stoff herab? Jede Änderung eines Punktes beeinflusst das Ganze. Ein gewöhnliches Stoffstück wird in der 3D-Simulation in Zehntausende von Eckpunkten unterteilt, und jeder Eckpunkt hat mehrere Freiheitsgrade. Das führt zu einer explosionsartig ansteigenden Rechenmenge in astronomischer Höhe, und die Schwierigkeit steigt sprunghaft an.

Die flexible 3D-Simulationstechnologie von Lingdi Technology (Quelle/Unternehmen)

Wenn zwei flexible Objekte miteinander in Kontakt kommen, beispielsweise beim Falten von Kleidung, also beim Falten und Berühren von Stoff mit Stoff selbst, ist die Komplexität der physikalischen Interaktion von „höllischem Schwierigkeitsgrad“.

Aus diesem Grund wird die „flexible 3D-Simulation“ als „Heiliger Gral der Embodied Intelligence“ bezeichnet: Sie verfügt nicht nur über extrem wenige Daten, sondern ist auch sehr rechenintensiv, stellt aber gleichzeitig ein technisches Problem dar, das für die praktische Anwendung der Embodied Intelligence unbedingt gelöst werden muss.

Stellen Sie sich vor, welche schrecklichen Folgen es hätte, wenn ein Pflegeroboter Menschen als nicht verformbare „Steifkörper“ behandeln würde.

02 In der Kleidungsbranche taucht ein „verborgener Meister“ auf

Das Problem der „flexiblen 3D-Simulation“ plagt die Industrie seit vielen Jahren. Als alle Aufmerksamkeit auf Roboterunternehmen und KI-Labore gerichtet war, hat niemand erwartet, dass der echte Durchbruch aus einem scheinbar „unverwandten“ Bereich kommen würde.

Der Bereich der 3D-Kleidungstechnologie.

Wie hängt ein virtuelles Stoffstück herab? Wie schwingt es? Wie wickelt, biegt, dehnt und faltet es sich mit einem anderen Stoffstück? Diese Probleme, die im Bereich der physikalischen Simulation als „höllisch schwierig“ gelten, sind bei Lingdi Technology zum Alltag geworden.

Dieses 2015 gegründete Branchenriese im Bereich Kleidungstechnologie sammelte über 10 Jahre lang riesige Mengen an hochwertigen und extrem seltenen „3D-Flexibilitätssimulationsdaten“. Als heimlicher Meister im Bereich Kleidungstechnologie steht es nicht nur dauerhaft auf der „Liste der fast Einhorn-Unternehmen von Hangzhou“, sondern zählt aufgrund seiner flexiblen 3D-Simulationstechnologie auch zu den „18 Pionieren der Embodied Intelligence von Hangzhou“.

Natürlich reicht die bloße Datensammlung nicht aus.

In den letzten zehn Jahren hat das Forschungsteam von Lingdi Technology erstaunliche langfristige Investitionen in die Grundlagenforschung zur physikalischen Simulation flexibler Objekte getätigt. Es hat zahlreiche Forschungsergebnisse auf weltweit führenden Grafikkonferenzen wie SIGGRAPH veröffentlicht, die Kernprobleme wie die physikalische Simulation verformbarer Körper, die komplexe Kontaktverarbeitung und die leistungsstarke numerische Berechnung abdecken.

Die Forschungsergebnisse von Lingdi Technology im Jahr 2025 (Quelle/Unternehmen)

Während die Embodied-Intelligence-Industrie also ein halbes Jahr lang mühsam an den Daten für das „Falten eines Kleidungsstücks“ arbeitet, hat Lingdi Technology in seinem „Waffenarsenal“ bereits über zehn Jahre an Vorräten angesammelt. Während andere an dem „höllischen Schwierigkeitsgrad“ der flexiblen 3D-Simulationsberechnung leiden, sucht die Grundlagenforschung von Lingdi Technology bereits nach Lösungen für dieses Problem.

Heute tritt dieser „verborgene Meister“ endlich in den Vordergrund.

Das von Lingdi Technology eingeführte physikalische Simulations- und Synthesedatensystem SynReal ist das „Meisterwerk“, das die gesamten Fähigkeiten von zehn Jahren vereint.

Es wird versuchen, den „Heiligen Gral“ zu ergreifen, damit Roboter die „Weichheit der Welt“ wirklich spüren können.

03 Die 3D-Simulation bestimmt die Obergrenze der Embodied Intelligence

SynReal besteht hauptsächlich aus drei Teilen:

1. SynReal Sim – ein hochpräziser Simulationsmotor;

2. SynReal Arena – eine Trainingsplattform für Embodied Intelligence;

3. SynReal Core – ein Trainingsmodell, das auf großen Mengen von synthetischen Interaktionsdaten basiert.

Das klingt vielleicht etwas kompliziert. Einfacher ausgedrückt: SynReal Sim ist dafür verantwortlich, eine „virtuelle Welt“ zu schaffen, die den physikalischen Regeln entspricht, SynReal Arena bietet den Robotern einen „virtuellen Trainingsplatz“, und SynReal Core sorgt dafür, dass Roboter Fähigkeiten erlernen und aufbauen.

Zusammen bilden sie eine „Roboter-Trainingsschule“ von SynReal. Roboter können dort durch Millionen von „virtuellen Trainingsvorgängen“ pro Minute allmählich lernen, wie sie mit der physischen Welt umgehen, und nach ihrem „Abschluss“ in der Schule in der realen Welt „arbeiten“.

Im Gegensatz zu den „virtuellen Schulen“ für physikalische Simulations- und Synthesedatensysteme wie SynReal gibt es einen anderen Ansatz für das Training von Embodied Intelligence: das Training durch manuelle Datenerfassung, der sogenannte „von Menschen erlernte“ Roboter.

Im Vergleich dazu ist diese Trainingsmethode technisch einfacher zu realisieren. Da die „von Menschen erfassten“ Daten aus der realen physischen Welt stammen, enthalten sie bestimmte Details und Störungen, die Roboter dabei helfen, sich an die reale Umgebung anzupassen.

Aber die Nachteile der „von Menschen erfassten“ Methode sind ebenfalls sehr offensichtlich: Sie ist extrem teuer, zeitaufwändig und mühsam, und es ist schwierig, sie auf andere Szenarien zu übertragen.

Man muss wissen, dass die Erfassungszeit für die „von Menschen erfassten“ Methode oft in „Monaten“ oder „Jahren“ gemessen wird. Die Erfassung hochwertiger Demonstrationsdaten für eine einzelne Aufgabe dauert normalerweise mehrere Monate für ein professionelles Team, mit Kosten von Hunderttausenden bis zu Millionen Yuan.

Eine Simulationsplattform hingegen kann innerhalb weniger Stunden Millionen von Datenspuren mit vielfältigen Variationen generieren. Diese Kostenkontrolle und der Datenumfang sind für die „von Menschen erfasste“ Methode fast unmöglich zu erreichen.

Im Vergleich zu anderen physikalischen KI-Simulationsplattformen zeichnet sich SynReal durch drei einzigartige Vorteile aus: „Wahrheit, Geschwindigkeit und Stabilität“.

Erstens die „Wahrheit“: Mit der Unterstützung von riesigen gespeicherten 3D-Simulationsdaten für starre und flexible Objekte kann SynReal Robotern nicht nur eine realere, komplexere und der realen Welt nähere Trainingsumgebung bieten, sondern auch eine genauere statische und dynamische Berechnung durchführen. Der Fehler liegt fast 20 % unter dem des Branchenbenchmarks Issac Sim.

Der Effekt der hochpräzisen physikalischen Simulation (Quelle/Unternehmen)

Zweitens die „Geschwindigkeit“: Dies ist einer der wichtigsten Indikatoren für die „virtuelle Roboter-Schule“. Die Simulationsgeschwindigkeit bestimmt, ob die Datengenerierung in großem Maßstab realisierbar ist. Das Technikteam von Lingdi hat den gesamten Ablauf der „flexiblen 3D-Simulation“ auf Basis der GPU-Parallelrechenarchitektur neu gestaltet, wodurch der Durchsatz der Simulation erheblich gesteigert werden kann. Die Simulationsgeschwindigkeit ist 5- bis 10-mal schneller als bei Issac Sim, was die Effizienz des Robotertrainings deutlich verbessert.

Drittens die „Stabilität“: Wie oben erwähnt ist die 3D-Simulation eines einzelnen flexiblen Objekts bereits sehr schwierig. Wenn zwei oder mehr flexible Objekte miteinander in Kontakt kommen, steigt die Schwierigkeit der physikalischen Interaktion sprunghaft an – auch in 3D-Spielen treten bei flexiblen Objekten wie Haaren oder Kleidung am häufigsten „Clipping-Fehler“ auf. Um dieses Problem zu