Der ehemalige CEO von Kepler gründet erneut ein Unternehmen. Sota Unlimited setzt auf die Expansion des "Roboterhirns" ins Ausland.

Am 14. Mai hat GeekPark erfahren, dass Hu Debo, der ehemalige CEO von Kepler Robotics, seine zweite Unternehmung im Bereich des Embodied AI begonnen hat. Das neue Unternehmen heißt "Sota Boundless".

Diesmal hat er sich für einen anderen Weg entschieden als bei Kepler.

Im Jahr 2023, als der Markt für humanoide Roboter gerade an Fahrt gewann, gründete Hu Debo gemeinsam mit anderen Kepler Robotics und konzentrierte sich auf ganzheitliche zweibeinige humanoide Roboter, Chassis mit zwei Armen und industrielle Anwendungen. Zwei Jahre später ist Kepler eine der führenden Unternehmen für humanoide Roboter in industriellen Anwendungen in China geworden und hat im April dieses Jahres eine Finanzierung in Milliardenhöhe in der Serie A++ abgeschlossen.

Aber Hu Debos neues Projekt setzt nicht auf die Herstellung ganzer Roboter und betrachtet auch keine industriellen Anwendungen. Sota Boundless konzentriert sich eher auf das "Gehirn" des Embodied AI: Mit dem Weltbewegungsmodell, multimodalen VLA und einem Datenerfassungssystem als Kern versucht es, das schwierigste Problem zu lösen, wenn Roboter in die physische Welt eintreten - nicht das "Sehen" der Welt, sondern das Verständnis von Berührung, Bewegung, Raum und physikalischen Veränderungen.

Bei der kommerziellen Umsetzung hat Sota Boundless auch einen eher "atypischen" Weg gewählt: Es beginnt mit der Sortierung im Hintergrund von Supermärkten in Europa und Amerika und erweitert sich auf Geschäftsszenarien wie das Nachfüllen von Regalen, das Aufräumen von Regalen und das Kommissionieren für E-Commerce. Als frühe Barriere dienen globale Kunden, ein geschlossener Datenkreis und die Zusammenarbeit mit der chinesischen Hardware-Supply-Chain.

Nach Ansicht von Hu Debo besteht im Ausland ein dringender Bedarf an der Substitution von Arbeitskräften durch Roboter, aber es gibt nicht viele Lösungen, die tatsächlich lieferbar sind. Und von der chinesischen Supply-Chain aus, die globale Kunden, die Implementierung, die Wartung und die Datengesetzgebung zu verbinden, ist an sich eine hohe Hürde.

01

Der Weg des Weltbewegungsmodells,

zunächst die Agent-Methode nutzen

Nach Ansicht von Hu Debo liegt die Schwachstelle des gegenwärtigen Embodied AI nicht darin, dass Roboter überhaupt nicht arbeiten können, sondern dass das zugrunde liegende Paradigma noch nicht konsolidiert ist.

Texte und Bilder sind im Wesentlichen diskrete Informationen, während Roboter mit kontinuierlichen, nichtlinearen physischen Räumen konfrontiert sind: Flaschen können rollen, flexible Objekte können sich verformen, das Greifen erzeugt Kontaktkräfte, und zwischen Bewegung und Umgebung besteht eine Echtzeitrückkopplung. Roboter müssen nicht nur erkennen, "was das ist", sondern auch beurteilen, "wo ich greifen soll, wie stark ich greifen soll, welche Hindernisse ich umgehen soll und was als Nächstes passieren wird".

Dies ist auch das Problem, das viele bestehende Technologien in realen Szenarien haben. VLA und multimodale VLA können bereits einige Greif- und Bedienaufgaben ausführen, aber es ist eher so, dass sie Bewegungsmuster aus einer großen Anzahl von Beispielen lernen. Wenn sich die Position, die Verdeckung und der Kontaktzustand von Objekten in einem Szenario ändern, braucht das Modell nicht nur das "Nachahmen, wie es in der Vergangenheit gemacht wurde", sondern das echte Verständnis von Raumbeziehungen, physikalischen Gesetzen und Bewegungskonsequenzen.

Deshalb setzt Sota Boundless seinen Kernfokus auf das Weltbewegungsmodell.

Modellüberlegungen | Bildquelle: Sota Boundless

Nach Hu Debos Einschätzung liegt der Wert des Weltmodells darin, dass es nicht nur den Robotern ermöglicht, die physische Welt "zu sehen", sondern auch die Fähigkeit, die physische Welt intern vorherzusagen: Wie wird sich ein Objekt bewegen, wenn es geschoben wird, wie wird sich ein flexibles Objekt verformen, wenn es Kräften ausgesetzt wird, und welche Ergebnisse werden verschiedene Bewegungen haben. Beim Weltbewegungsmodell wird dieses Verständnis der Welt mit der Bewegungserzeugung kombiniert, so dass Roboter direkt auf der Grundlage des physikalischen Zustands Bewegungen planen und ausführen können.

Sota Boundless möchte ein physikalisches Intelligenzgehirn aufbauen, das um ein einheitliches Weltbewegungsmodell im latenten Raum herum kreiert wird. Es nutzt nicht nur visuelle, sprachliche und Bewegungsdaten, sondern auch Ego-Videos, taktile Informationen, den Zustand des Endeffektors, den Kontaktprozess und die Aufgabenlogik. Mit anderen Worten, das Modell lernt von Anfang an nicht nur die "beobachtete Welt", sondern auch, "wie ein Körper in der Welt agiert".

Modellüberlegungen | Bildquelle: Sota Boundless

Allerdings wird Sota Boundless nicht alle Fähigkeiten auf ein End-to-End-Modell setzen, bevor das Weltbewegungsmodell wirklich reif ist. Zurzeit verwendet es eine Agentic-AI-Architektur, die intern als Physica-Claw bezeichnet wird.

Diese Architektur ähnelt eher einem Robotersystembetriebssystem: Die obere Ebene ist für die Benutzerinteraktion, die Aufgabenverstehen, die Planung und die Organisation zuständig, während die untere Ebene verschiedene Fähigkeiten integriert. Für Aufgaben mit klaren Regeln und stabilen Umgebungen können traditionelle Bewegungskontroll-, Pfadplanungs-, Greif- und Platzierungsmodule aufgerufen werden; für Schritte, die Erkennung, Beurteilung und Generalisierung erfordern, kann multimodales VLA verwendet werden; für Aufgaben, die räumliche Schlussfolgerungen, physikalische Vorhersagen und komplexe Bedienungen erfordern, wird das Weltmodell oder das Weltbewegungsmodell eingesetzt.

Der Vorteil dieser Architektur besteht darin, dass sie es den Robotern ermöglicht, sofort "anzufangen". In realen Geschäftsszenarien kann man nicht warten, bis ein perfektes End-to-End-Großmodell entwickelt ist, um die Roboter einzusetzen.

Hu Debo ist der Meinung, dass die Agent-Architektur nur ein Teil der gegenwärtigen Lösung ist, nicht die endgültige Form. Langfristig wird, wenn das Weltbewegungsmodell stark genug ist, die Fähigkeit, die bisher in VLM, VLA, Aufgabenaufteilung, traditioneller Steuerung und mehreren Fähigkeiten verteilt war, allmählich vom Modell internalisiert werden. Dann wird die Architektur des Robotergehirns einfacher und leichter skalierbar werden. Denn je mehr Module es gibt und je komplexer die Kette ist, desto schwieriger ist es, das System durch Daten und Rechenleistung kontinuierlich zu verbessern; und echte skalierbare Intelligenz kommt oft von einer einheitlicheren und einfacheren Modellstruktur.

Um diesen Punkt zu erreichen, ist Datengewinnung ein weiterer unumgänglicher Engpass.

Derzeit fehlt der Embodied-AI-Branche allgemein an hochwertigen Daten über physikalische Interaktionen. Internetvideos können reichhaltige visuelle Informationen liefern, aber sie können Bewegungen, Kräfte, Berührungen und den Zustand des Körpers nicht vollständig aufzeichnen; traditionelle Fernsteuerungsdaten von Robotern sind näher an der Aufgabe selbst, aber die Kosten sind hoch und die Effizienz ist niedrig, so dass es schwierig ist, sie in großem Maßstab zu erweitern. Hu Debo ist skeptisch gegenüber der Methode, Daten ausschließlich durch Fernsteuerung von Realrobotern zu sammeln, da diese Methode zu teuer und die Datenerfassung zu ineffizient ist, um ein wirklich skalierbares Datenparadigma zu werden.

Deshalb wird Sota Boundless eigene Datenerfassungsgeräte entwickeln, einschließlich eines Headset-Geräts zur Ego-Visuellerfassung und eines handgehaltenen Geräts zur Erfassung aller Modalitäten (UMI), um nicht nur visuelle und Bewegungsdaten, sondern auch taktile Informationen, Kontaktzustände, die Position des Endeffektors und andere multimodale Informationen zu sammeln.

Nach Hu Debos Vorstellung wird die Datenquelle von Sota Boundless in mehrere Ebenen aufgeteilt: Die erste Ebene besteht aus Ego-Videos, öffentlichen Datensätzen und Videodaten, um die Datenmenge zu erhöhen und umfassende Weltwissen und Betriebsvielseitigkeit zu internalisieren; die zweite Ebene ist die Erfassung aller Modalitäten mit dem UMI-Gerät, um die Daten über physikalische Interaktionen möglichst kostengünstig zu erweitern und die Embodied-Ausrichtung zu verbessern; die dritte Ebene sind die Daten, die nach der Implementierung der Roboter in realen Geschäftsszenarien gesammelt werden, um das Modell nachzutrainieren, Reinforcement Learning durchzuführen und die Erfolgsrate in den Szenarien zu erhöhen.

02

Die chinesische Supply-Chain in ausländische Szenarien bringen

Wenn Sota Boundless im Bereich der Technologie auf das Embodied-AI-Gehirn setzt, setzt es bei der kommerziellen Umsetzung auf eine andere Art von "ganzheitlicher" Fähigkeit: Nicht die Selbstentwicklung aller Komponenten von Motoren, Gelenkmodulen bis hin zu Chassis und Roboterhauptkörpern, sondern die Verbindung von Gehirn, Betriebssystem, Endeffektor, Datenerfassung, Hardwareintegration, ausländischer Lieferung und Wartungssystem um reale Szenarien herum.

Dies ist auch eines der größten Merkmale von Hu Debos neuer Unternehmung.

Derzeit hat sich die Hardware-Supply-Chain für Roboter verändert. Komponenten wie Gelenke, Chassis, Batterien, Steuerplatinen und Strukturteile werden immer reifer, und die Reaktionsgeschwindigkeit, die Kosten und die Ingenieurskapazität der chinesischen Supply-Chain sind ausreichend, um mehr szenariospezifische Roboterlösungen zu unterstützen.

Deshalb hat Sota Boundless nicht entschieden, einen kompletten humanoiden Roboterhauptkörper neu zu entwickeln, sondern wählt ein offeneres Ökosystemkooperationsmodell: Es arbeitet offen mit Partnern in der Kernkomponenten-Supply-Chain zusammen und führt die Integration und Anpassung des Hauptkörpers für verschiedene Szenarien durch. Hu Debo ist der Meinung, dass dies nicht nur die Forschungs- und Entwicklungskosten und -zeiträume senkt, sondern auch die Firma flexibler macht, die am besten geeignete Hardwarekombination für verschiedene Szenarien zu wählen.

Aber das bedeutet nicht, dass Sota Boundless nur an Software arbeitet.

Nach Ansicht von Hu Debo ist die Integration von Hardware und Software im Embodied AI immer noch wichtig, aber der Schwerpunkt der Integration hat sich verändert.

Deshalb legt Sota Boundless bei der Hardwareseite am meisten Wert auf Endeffektoren und Datenerfassungsgeräte, nicht auf die Selbstentwicklung eines kompletten Roboters von Grund auf.

Sota Boundless plant, zunächst mit einem dreifingerigen Endeffektor zu beginnen. Im Vergleich zu herkömmlichen Zwei-Finger-Klemmen kann der Dreifinger-Endeffektor mehr Greifpositionen abdecken und einen Ausgleich zwischen Stabilität und Bedienungskomplexität herstellen; im Vergleich zu einem fünf-fingerigen Handgelenk ist er leichter zu entwickeln, leichter zu steuern, und die Kosten und die Zuverlässigkeit sind für die frühe kommerzielle Implementierung besser geeignet. Für Sota Boundless ist der Dreifinger-Endeffektor nicht nur eine einzelne Hardwareauswahl, sondern soll die Datenerfassung, das Modelltraining und die reale Ausführung möglichst übereinstimmen lassen.

Dies ist auch der Grund für die Selbstentwicklung des handgehaltenen Datenerfassungsgeräts für alle Modalitäten (UMI) der Firma. Es möchte nicht nur visuelle Bahnen erfassen, sondern auch den Zustand des Endeffektors, taktile Informationen, den Kontaktprozess, Bewegungsbeschränkungen und andere Informationen sammeln. Nur wenn das Erfassungsgerät, der Endeffektor und die zukünftige Implementierungsform möglichst übereinstimmen, ist es wahrscheinlicher, dass die Daten in Modellfähigkeiten umgewandelt werden, anstatt in der Abbildungsprozess verloren zu gehen.

Datenüberlegungen | Bildquelle: Sota Boundless

Beim Roboterdesign wird Sota Boundless zunächst ein praktischeres Chassis mit zwei Armen verwenden, um eine schnelle Implementierung zu ermöglichen.

Derzeit hat Sota Boundless bereits Kooperationsabsichten mit europäischen und amerikanischen Geschäftsgiganten, Herstellungs- und Logistikgruppen und anderen Unternehmen erreicht. Der schnellste Fortschritt ist im europäischen Supermarktszenario erzielt worden. Die Firma hat mit einer führenden europäischen Supermarktkette einen langfristigen Rahmenvertrag unterzeichnet. Die erste Phase wird mit einem POC beginnen; wenn der Test erfolgreich ist, prognostiziert die Kette fast tausend Bestellungen.

Hu Debo schätzt, dass die Lücke an Arbeitskräften durch Roboter im Ausland größer ist, aber es gibt nicht viele verfügbare Lösungen. Insbesondere in europäischen und amerikanischen Supermärkten, Logistik- und Herstellungsbereichen haben viele Stellen hohe Arbeitskosten, sind repetitiv und es ist schwierig, Arbeitskräfte zu rekrutieren, aber sie sind noch nicht ausreichend von der traditionellen Automatisierung erfasst. Für Roboterunternehmen gibt es in diesen Szenarien sowohl klare Anforderungen als auch eine leichtere Möglichkeit, die ROI zu berechnen.

03

Hu Debos zweite Unternehmung bleibt global orientiert

Der Grund, warum Sota Boundless von Beginn an ausländische Geschäftsszenarien als Hauptschlachtfeld wählt, hängt auch mit Hu Debos persönlicher Erfahrung zusammen.

Hu Debo ist ein Unternehmer aus den 70ern und ein "Veteran", der viele Jahre lang im globalen Markt hart gekämpft hat. 1999 trat er in die Zhongxing Telekommunikation ein und begann seine Karriere in der Telekommunikationsbranche. 2001 übernahm er die Verantwortung für ausländische Geschäfte in Europa, Russland, Asien-Pazifik und anderen Regionen. 2006 wurde er der ausländische Repräsentant von Huawei und war intensiv an der Expansion von Huaweis High-End-Markt in Europa beteiligt.

Diese Erfahrung hat ihn frühzeitig darauf aufmerksam gemacht, dass die echte Globalisierung chinesischer Technologieunternehmen nicht nur darin besteht, Produkte ins Ausland zu verkaufen, sondern auch in die lokalen Kundenstrukturen einzudringen und Vertriebs-, Lieferungs-, Service-, Compliance- und langfristige Vertrauensbeziehungen aufzubauen.

2015 sagte Hu Debo voraus, dass "Roboter + AI" eine wichtige technologische Welle in den nächsten Jahrzehnten werden würde, und wechselte in die Gründung von Drohnen- und Unterwasserroboterunternehmen. In dieser Zeit arbeitete er mit Huawei Hisilicon zusammen, um eine visuelle AI-Drohne zu entwickeln. Das Produkt erreichte mehrere zehn Länder, und er sammel