Der Datenbedarf von 1 Milliarde Stunden wird nur mit 5 Millionen Stunden gedeckt – wie lässt sich die „Dateninfrastruktur“ für Embodied Intelligence ergänzen?

Um ein Roboter-"Gehirn" auf menschlichem Niveau zu trainieren, sind 1 Milliarde Stunden an echten Betriebsdaten erforderlich, während die derzeitige globale effektive Versorgung nur etwa 5 Millionen Stunden beträgt. Während humanoide Roboter zu einem Star-Sektor werden, der von Kapital verfolgt wird, hat ein Unternehmen aus Zhejiang namens „Embodied Training Ground“ einen wenig begangenen Weg gewählt – es baut keine Roboter, sondern liefert „Datenbrennstoff“ für die Roboterindustrie.

I. Eine Lücke von 200-fachem: Die „Datenknappheit“, die die Embodied Intelligence blockiert

Hinter dieser Entscheidung steckt ein Problem, das die gesamte Branche zu behindern droht.

Große Modelle fehlt es nicht an Textdaten – im Internet gibt es bereits riesige Mengen an Texten, die für das Training erfasst werden können. Doch die Embodied Intelligence – also das Erlernen von Operationen und Interaktionen der KI in der physischen Welt – steht vor einer völlig anderen Situation: Es herrscht ein extremer Mangel an Betriebsvideodaten aus realen Szenarien.

In der Branche kursiert eine weit verbreitete Zahl: Um ein Gehirn für Embodied Intelligence auf nahezu menschlichem Niveau zu trainieren, sind theoretisch 1 Milliarde Stunden an echten menschlichen Betriebsdaten erforderlich. Derzeit beträgt die nutzbare effektive Versorgung weltweit jedoch nur etwa 5 Millionen Stunden. Mit einer Lücke von 200-fachem ist die „Datenknappheit“ zu einem dringlicheren Engpass als Algorithmen geworden.

Warum ist die Datenerfassung so schwierig? In der Vergangenheit gab es im Wesentlichen zwei Möglichkeiten, um Trainingsdaten für Roboter zu erhalten: Erstens die manuelle Bedienung mit teuren Roboterarmen, Motion-Capture-Geräten und Ingenieuren im Labor, was hohe Kosten und geringe Effizienz mit sich bringt. Zweitens die Generierung von Daten in Simulationsumgebungen, aber es gibt immer eine „Kluft“ zwischen Virtuellem und Realem, sodass Roboter außerhalb des Labors leicht „nicht mit der Umgebung zurechtkommen“. Ein Branchenkenner hat eine Rechnung aufgemacht: Ein Fernbediener kann nur 1 Stunde gültige Daten pro Tag erzeugen, und selbst bei optimierten Abläufen liegt das Maximum bei 8 bis 10 Stunden.

II. Crowdsourcing-Modell: Jeder kann zum „Lehrer“ des Roboters werden

Das Embodied Training Ground möchte einen anderen Weg einschlagen.

Sie haben eine Crowdsourcing-Plattform für Daten für normale Menschen aufgebaut – dies ist möglicherweise die erste Embodied-Datenplattform in China, die für Endverbraucher geöffnet ist und den gesamten Prozess von „Aufgabenerteilung – Erfassung – Prüfung – Abrechnung“ erfolgreich durchlaufen hat. Die Kernlogik ist nicht kompliziert: In alltäglichen oder beruflichen Szenarien trägt man ein leichtes Erfassungsgerät, führt die erforderlichen Bedienbewegungen aus, lädt das Video hoch und erhält nach bestandener Prüfung eine Vergütung.

Mit anderen Worten kann jeder normale Mensch zum „Fernlehrer“ des Roboters werden.

Derzeit verwendet die Plattform ein technisches Konzept namens EGO-EXO 4D-Gesamterfassung: Der Erfasser trägt eine Kamera in der ersten Person, um Bedienungsdetails aufzuzeichnen, und um ihn herum sind drei fest installierte Kameras aufgestellt, die Umgebungsinformationen aus verschiedenen Blickwinkeln synchron aufnehmen. Nachdem die vier Perspektiven auf der Zeitachse exakt ausgerichtet sind, entsteht eine vollständige Aufzeichnung mit dreidimensionalem Raum und Bewegungszeitreihen. Im Vergleich zur Erfassung mit einer einzigen Kamera ermöglicht diese Methode dem Roboter nicht nur, eine bestimmte Aktion zu „sehen“, sondern auch die physische Umgebung und die Interaktionslogik zu verstehen, in der die Aktion stattfindet.

Daten des Teams zeigen, dass dieses Modell die Erfassungskosten auf etwa fünf Tausendstel der herkömmlichen Methode senken kann, und die tägliche Datenproduktion kann mehr als 100.000 Datensätze übersteigen.

III. Geräte bauen, Plattformen erstellen, Daten sammeln: Ein geschlossenes Geschäftsmodell aus „Hardware + Plattform + Daten“

Die Geschäftslogik des Embodied Training Ground lässt sich als geschlossenes Kreislaufmodell aus „Hardware + Plattform + Daten“ zusammenfassen.

Auf der Hardware-Seite haben sie ein leichtes Erfassungsgerät mit einem Preis von etwa 4000 Yuan auf den Markt gebracht. Mit jedem verkauften Gerät kommt ein stabiler Datenproduzent hinzu. Auf der Plattform-Seite werden Erfasser aus dem Endverbraucherbereich mit Robotikunternehmen und großen Modellteams aus dem Unternehmensbereich verbunden, sodass Daten und Anforderungen hier zusammengebracht und gehandelt werden. Mit der kontinuierlichen Anhäufung von Datenmengen entsteht schließlich ein wiederholt handelbarer „Datenmarktplatz“.

Derzeit haben sie strategische Partnerschaften mit mehreren Branchenunternehmen wie Galaxy General, Lingxin Qiaoshou und Qianxun Intelligence geschlossen, und gleichzeitig laufen Verhandlungen über die Einrichtung von Datendienstzentren in mehr als 300 Städten im ganzen Land. Was die Einnahmenstruktur betrifft, so stellen die Lizenzierung standardisierter Datensätze und kundenspezifische Datenerfassungsdienste die Hauptgewinnquellen dar. Das Team gibt an, dass der Cashflow derzeit gesund ist und die Bruttomarge hoch liegt.

IV. „Ich hätte nicht gedacht, dass meine tägliche Arbeit auch als Lehrer für KI dienen kann“

In einer Industriestadt im Jangtse-Delta verdient ein teilzeitbeschäftigter Erfasser in seiner Freizeit mit der Aufnahme von Betriebsvideos in Fabriken monatlich 2000 bis 3000 Yuan extra. Er ist darüber sehr überrascht: „Ich hätte nicht gedacht, dass meine tägliche Arbeit auch als Lehrer für KI-Roboter dienen kann.“

Genau diese gesellschaftliche Kraft möchte das Embodied Training Ground mobilisieren – das „implizite Wissen“, das in allen Branchen und Szenarien verteilt ist, auf kostengünstige Weise strukturiert zu extrahieren, sodass es zu standardisierten Daten wird, die von KI erlernt werden können.

Der Gründer Tang Chunhua verfügt über einen fast 20-jährigen kombinierten Hintergrund in Finanzen und KI. Als er nach dem Grund für sein Unternehmensgründung gefragt wurde, antwortete er offen: „Die gesamte Branche strömt zur Herstellung von Roboter-Körpern, und wir haben uns für den schwierigsten und grundlegendsten Bereich der Infrastruktur entschieden, weil Daten ein unverzichtbarer Teil der Industrie sind. Ohne ausreichend echte Daten können selbst die fortschrittlichsten großen Modelle in der physischen Welt keine Arbeit verrichten.“

Nach dem Zeitplan des Teams liegt der Schwerpunkt für den Rest dieses Jahres darauf, die Dauer der Datenerfassung und die Erfolgsquote von Videos zu erhöhen sowie die leichte Weiterentwicklung der Erfassungsgeräte voranzutreiben.

Natürlich steht dieser Weg auch vor praktischen Herausforderungen. Kann das Crowdsourcing-Modell die Datenqualität dauerhaft gewährleisten? Kann das Anreizsystem für Erfasser langfristig stabil bleiben? Wie lassen sich Datenkonformität und Datenschutz umsetzen? Dies sind alles Fragen, die vor einer großskaligen Expansion beantwortet werden müssen.

Aber egal wie es weitergeht – während die gesamte Branche noch aufgeregt darüber ist, ob Roboter Salti schlagen können, ist es ein Signal für die Reifung der Industrie, dass jemand bereit ist, sich wieder dem grundlegenderen Problem zu widmen: „Von wem sollen Roboter lernen?“