Ant Gehirnwelle: Mit Embodied Nativism den Large-Modell-Shortcut von Robotern umwerfen

In diesem Jahr tritt die Embodied-Intelligence-Branche in ihr drittes Jahr ein, und die Spielregeln sowie die Entwicklungstrends der Branche unterliegen einem qualitativen Wandel.

Die Roboterplattformen ziehen den Großteil der Investitionen auf sich. Von geschickten Händen und Bewegungssteuerung bis hin zum Gesamtdesign der Roboter erweitern humanoide Roboter ständig ihre physischen Grenzen. Sie treten nicht nur auf der Bühne der Frühlingsgala auf und beeindrucken die Welt mit fließenden Tanz- und Kampfkunstaufführungen, sondern werden auch zunehmend in realen Szenarien wie Fabriken, Logistik und Einzelhandel eingesetzt, um dort zu arbeiten und eine kommerzielle Umsetzung zu erproben.

Wenn die Roboter wirklich in die komplexe physische Welt eintreten, treten ihre Engpässe zutage: Bei dynamischen Umgebungen, unbekannten Aufgaben und kontinuierlichen Interaktionen sind sie nach wie vor stark auf datengestützte Demonstrationen und manuelle Feinabstimmungen angewiesen. Sie verfügen zwar über agile Gliedmaßen, fehlt ihnen aber ein Gehirn, das schrittweise agiert und selbstständig Entscheidungen trifft.

Weitsichtige Branchenakteure haben diesen Engpass bereits erkannt und versuchen, die Situation zu durchbrechen.

Seit diesem Jahr strömen große Summen an Kapital und Aufmerksamkeit beschleunigt in Richtung World Models und Robotik-Grundlagenmodelle. Laut Statistiken von Medien beliefen sich die Finanzierungen im chinesischen Embodied-Intelligence-Sektor bis Mitte Juni dieses Jahres auf etwa 43,8 Milliarden Yuan. Mehr als die Hälfte davon floss an Unternehmen der „Gehirn-Fraktion“, die sich auf intelligente Ebenen wie Grundlagenmodelle und World Models konzentrieren, während der Anteil der Finanzierungen für traditionelle Roboterplattformunternehmen weniger als 15 % beträgt.

Auch globale Technologieunternehmen beginnen, gemeinsam im Bereich Physical AI zu agieren: NVIDIA stellte das Cosmos World Foundation Model und das Isaac GR00T-System vor; Google DeepMind veröffentlichte Gemini Robotics, um die Fähigkeit von Robotern zu erforschen, die physische Welt zu verstehen und Handlungen auszuführen.

Die Bedeutung des Roboter-Gehirns findet zunehmend eine klare gemeinsame Überzeugung.

Doch eine gemeinsame Überzeugung bedeutet nicht, dass es bereits eine einheitliche Lösung gibt.

Wenn immer mehr Unternehmen in die Entwicklung von Robotik-Grundlagenmodellen investieren, stellt sich eine neue Frage: Soll sich das Roboter-Gehirn weiter entlang des Entwicklungspfades von großen Modellen entwickeln, oder soll es neu um die physische Welt herum aufgebaut werden?

An diesem Wendepunkt hat sich die Branche schnell in zwei Richtungen aufgeteilt. Eine Fraktion hält an der bestehenden Paradigma großer Modelle fest, modifiziert und feinabstimmt vorhandene Modelle durch Transferlernen. Die andere Fraktion ist überzeugt, dass die Datenlogik der physischen Welt sich grundlegend von der des Internets unterscheidet – von der grundlegenden Architektur über die Daten bis hin zu den Vortrainingszielen muss alles von Grund auf neu gestaltet werden.

In einem entscheidenden Moment, in dem die Branche in tieferes Gewässer vordringt, haben große chinesische Technologieunternehmen bereits eine paradigmatische Antwort gegeben.

Vom 7. bis 10. Juli stellte Ant Groups Lingbo nacheinander sechs große Modelle vor und aktualisierte die gesamte technische Ebene von der Wahrnehmung über die Raumverarbeitung und Handhabung bis hin zum World Model. Dies ist nicht nur eine umfassende Produktiteration, sondern auch eine direkte Antwort auf die grundlegende Frage, wie Robotik-Grundlagenmodelle aufgebaut werden sollen.

Darüber hinaus hat Ant das neue technische Konzept „Embodied Native“ vorgestellt. Mit dem am 10. Juli vorgestellten LingBot-VA 2.0 versucht Lingbo von Ant, im zweiten Abschnitt der Embodied-Intelligence-Entwicklung eine klare Trennlinie zu ziehen.

01. Roboter in Fabriken – der echte Engpass wird sichtbar

Die Roboterplattformen waren in den letzten zwei Jahren das zentrale Thema.

Von dem Plattformdesign, den Kernkomponenten bis hin zur Bewegungssteuerung hat die Branche eine schnelle Iteration um die Bewegungsfähigkeit von Robotern durchgeführt. Humanoide Roboter haben sich von der Fähigkeit, zu stehen und zu gehen, zu Laufen, Springen und immer komplexeren Handlungen entwickelt. Immer mehr Unternehmen verlassen das Labor, um Pilotprojekte in Szenarien wie Fertigung, Logistik, Lagerhaltung und Einzelhandel durchzuführen. Eine Vielzahl von Robotern betritt Fabriken, um nicht nur ihre Technologie zu demonstrieren, sondern auch Produktivität zu erzeugen.

Doch wenn die Roboter wirklich in reale Umgebungen eintreten, stellt sich schnell heraus, dass sie ihre Umgebung nicht wirklich verstehen.

Nach einer großen Anzahl von Demonstrationen und Trainings an echten Geräten können sie vordefinierte Standardabläufe perfekt ausführen. Doch sobald sie einer sich ständig verändernden physischen Welt gegenüberstehen, wird die Realität sie einholen: Selbst geringfügige Anpassungen der Förderbandgeschwindigkeit, unbeabsichtigte Verschiebungen von Objekten auf dem Tisch, kleine Abweichungen bei der Position von Regalen oder sogar nie gesehene Hindernisse können den Roboter sofort „steckenbleiben“ lassen.

Anschließend müssen Unternehmen den mühsamen Zyklus der erneuten Datenerfassung, erneuten Demonstration und erneuten Training durchlaufen.

In komplexeren und offeneren Szenarien wird die durch Auswendiglernen erzeugte Fähigkeitsgrenze leicht sichtbar.

Der Grund liegt möglicherweise im technischen Ansatz. Bisher hat die Branche häufig Techniken wie das Imitationslernen eingesetzt, um Roboter anhand großer Mengen von Echtgerätedaten menschliche Handlungen nachahmen zu lassen. Dieser Ansatz zeigte in der Anfangsphase gute Ergebnisse, half den Robotern, die erste Hürde der Industrialisierung zu überwinden, und ermöglichte es immer mehr Robotern, in reale Szenarien einzutreten.

Doch mit der Ausweitung der Anwendungsbereiche steigen die Kosten für die Erfassung von Echtroboterdaten ständig an. Aufgrund der begrenzten Datenmenge bleibt die Generalisierungsfähigkeit des Modells bei unbekannten Umgebungen und neuen Aufgaben nach wie vor an die Demonstrationsdaten gebunden.

Aus diesem Grund setzen immer mehr Forscher ihre Hoffnungen in World Models.

Der Lösungsansatz von World Models besteht darin, Roboter mit der Fähigkeit auszustatten, „zukünftige Umweltveränderungen vorherzusagen“, und dies zu ihrer Entscheidungslogik zu machen. Das bedeutet, dass Roboter angesichts der sich schnell verändernden Realität nicht mehr mechanisch vordefinierte Handlungen wiederholen, sondern die Veränderungen ihrer Umgebung erkennen, ihr Verhalten wie ein Mensch kontinuierlich anpassen und eine echte selbstständige Iteration erreichen können.

Doch wie lassen sich World Models wirklich umsetzen? Wie lässt sich die aktuelle technische Sackgasse durchbrechen? Die gesamte Embodied-Intelligence-Branche wartet auf ein neues Paradigma.

02. Wenn die Branche das Roboter-Gehirn neu überdenkt

Die schnelle Entwicklung von ChatGPT basiert auf den massiven Text- und Bilddaten des Internets. Roboter hingegen stehen einer lebendigen physischen Welt gegenüber. Sie müssen echte physische Kausalitäten verstehen – wie weit ein Kasten rutscht, wenn man ihn schiebt, welche Kraft man aufwenden muss, um einen Pappbecher zu greifen, ohne ihn zu zerbrechen, und welche Rückmeldungen die Umgebung gibt, wenn der Roboterarm bewegt wird.

Diese impliziten physischen Gesetze existieren in Internetdaten überhaupt nicht, sie hängen stark von der Interaktion mit der echten physischen Welt ab.

Daten, die durch Echtgeräteerfassung und ferngesteuerte Demonstrationen erzeugt werden, sind nicht nur teuer und ineffizient, sondern ihre Menge ist bei weitem nicht mit der von Internetdaten vergleichbar. Ein Fortschreiten entlang des traditionellen Ansatzes von „Transfer + Feinabstimmung“ wird immer schwieriger.

Dies ist der Hintergrund, vor dem Lingbo von Ant diese Woche das Modellkonzept „Embodied Native“ offiziell vorgestellt hat.

Aus Sicht von Lingbo von Ant ist die weit verbreitete Ansicht – dass große Roboter-Modelle ein Anwendungsbereich der großen Internet-Modelle in der physischen Welt sind – völlig falsch. Roboter sollten neue intelligente Einheiten sein. Da sich das Lernobjekt geändert hat, muss der Ausgangspunkt des Modells von Grund auf neu gestaltet werden. Anstatt große Internet-Modelle zwangsläufig zu übertragen und zu modifizieren, ist es besser, von den realen Aufgaben auszugehen, die Roboter erfüllen müssen, und ein neues Grundlagenmodell aufzubauen.

Konkret unterscheidet sich „Embodied Native“ in mehreren Aspekten von herkömmlichen Modellkonzepten.

Auf der Datenebene erweitert sich der Fokus des Modelllernens von Internet-Texten und -Bildern auf die visuelle Wahrnehmung, Handlungen und Umweltinteraktionen von Robotern in der physischen Welt, sodass das Modell wirklich mit den Objekten in Kontakt kommt, mit denen Roboter arbeiten. Auf der Ebene der Trainingsziele verlagert sich der Fokus von der Generierung von Inhalten auf das Verständnis, wie Handlungen Umweltveränderungen beeinflussen. Das Modell soll die Kausalitäten in der physischen Welt lernen, anstatt nur visuelle Korrelationen vorherzusagen. Auf der Modellarchitekturebene wird die Rechenweise um die Anforderungen von Robotern an Echtzeitwahrnehmung, Echtzeitschlussfolgerung und Echtzeitsteuerung neu organisiert, sodass das Modell den kontinuierlichen Betrieb von echten Robotern unterstützen kann, anstatt einfach das Entwicklungsparadigma von Inhaltsgenerierungsmodellen zu übernehmen.

Diese Veränderungen wirken scheinbar getrennt auf Daten, Training und Architektur, zielen aber im Wesentlichen alle auf dasselbe ab: Roboter sollen von Anfang an nach den Gesetzen der physischen Welt lernen.

Dies ist die umfassende Überlegung von Lingbo von Ant bei der Veröffentlichung der sechs Modelle. Ausgehend von drei eng verbundenen nativen technischen Dimensionen wird mit „Embodied Native“ der vollständige Zyklus des Sehens, Denkens und Handelns von Robotern neu gestaltet.

Zuerst soll der Roboter klarer sehen. Lingbo von Ant baut eine native räumliche Intelligenz ausgehend von Sensoren auf. Mit Modellen wie LingBot-Vision und LingBot-Depth 2.0 werden Roboter mit nativen Augen ausgestattet, die an die physische Welt angepasst sind.

Als Nächstes soll der Roboter klarer denken. Lingbo von Ant schreibt das Lernparadigma des Modells mit einer nativen Architektur neu. LingBot-Video führt eine MoE-Architektur ein, um die Modellgröße und die Schlüsseleffizienz auszugleichen. LingBot-World 2.0 sichert die physische Plausibilität durch kausales Vortraining. Als Höhepunkt dieser Architektur liefert das abschließend vorgestellte LingBot-VA 2.0 eine vollständige Lösung: Ein semantischer Tokenizer lässt visuelle Informationen und Handlungen in demselben Raum verschmelzen. Kausales Vortraining ermöglicht es dem Modell, die physische Welt von Grund auf zu verstehen. Die MoE-Architektur hält die Schlüssekosten unterhalb der Echtzeitgrenze. Und Foresight Reasoning ermöglicht es, Vorhersage und Ausführung parallel durchzuführen, ohne dass sie aufeinander warten müssen.

Schließlich soll der Roboter effizienter handeln, was durch native Daten unterstützt wird. Als Vertreter für die Ausführung von Aufgaben in der physischen Welt hat LingBot-VLA 2.0 unter dem umgekehrten Druck der industriellen Umsetzung bereits begonnen, mehr Konfigurationen und höhere Freiheitsgrade zu unterstützen.

Von räumlicher Intelligenz und nativer Architektur bis hin zu nativen Daten sind die sechs Modelle eng miteinander verbunden. Lingbo von Ant deckt nicht nur den vollständigen Zyklus von Wahrnehmung, Verständnis, Vorhersage und Handlung von Robotern ab, sondern löst auch das Datenproblem direkt. Mit diesem nativen Full-Stack-Ansatz versucht das Unternehmen, einen neuen Weg der branchenweiten Zusammenarbeit zu eröffnen.

03. Embodied Native verändert die Art und Weise, wie Roboter die Welt lernen

Es ist nicht schwer, ein Konzept vorzustellen. Die Herausforderung besteht darin, dieses Konzept umzusetzen und in ein Lernparadigma für Roboter zu verwandeln. LingBot-VA 2.0 ist die umfassendste Umsetzung dieses Konzepts.

Zuerst verändert LingBot-VA 2.0 die Art und Weise, wie Roboter lernen.

Bisher wurden die meisten Robotermodelle auf der Grundlage vorhandener LLM oder allgemeiner Videomodelle aufgebaut und durch Transferlernen schrittweise an Roboteraufgaben angepasst. LingBot-VA 2.0 wählt einen anderen Weg – Vollständiges Vortraining von Grund auf. Auf der Grundlage eines autoregressiven Videogenerierungsmodells lernt das Modell direkt die Daten und Gesetze, die bei der Interaktion zwischen Roboter und physischer Welt entstehen. Für Roboter bedeutet dies, dass sie direkt aus der Umgebung, den Handlungen und den Rückmeldungen der echten Welt lernen.

Nachdem sich das Lernobjekt geändert hat, ändern sich auch die Lernziele des Modells.

Herkömmliche Videomodelle sagen meist das nächste Bild voraus, was nicht mit den Handlungszielen von Robotern übereinstimmt. Daher konzentriert sich LingBot-VA 2.0 stärker auf die Kausalitäten zwischen Handlungen und Umweltveränderungen, sodass das Modell versteht, wie Handlungen die Welt verändern – anstatt nur zu beobachten, wie sich die Welt verändert. Gleichzeitig wird Foresight Reasoning eingeführt, sodass Roboter während der Ausführung von Handlungen kontinuierlich zukünftige Zustände vorhersagen und ihre Entscheidungen an neue Umweltveränderungen anpassen können. Bei Aufgaben wie dynamischem Greifen, Interaktionen auf dem Tisch und kontinuierlichen Handlungen können Roboter ihr Verhalten anhand von Umweltveränderungen ständig korrigieren.

Um diese Fähigkeit zu unterstützen, muss das Modell selbst an die Betriebsweise von Robotern angepasst werden.

Roboter können nicht wie Inhaltsgenerierungsmodelle mehrere Sekunden warten, um eine Schlussfolgerung abzuschließen. Sie müssen kontinuierlich beobachten, schlussfolgern und handeln. Um dies zu berücksichtigen, verwendet LingBot-VA 2.0 eine MoE-Architektur, die die Schlüsseleffizienz verbessert, ohne die Modellfähigkeit zu beeinträchtigen. Gleichzeitig wird ein asynchroner Schlussfolgerungsmechanismus eingeführt, der Umweltbeobachtung, Modellschlussfolgerung und Handlungsausführung entkoppelt und parallelisiert. Dadurch können Roboter gleichzeitig schlussfolgern und handeln, ohne den optimalen Zeitpunkt für die Ausführung zu verpassen, während sie auf den Abschluss der Modellberechnung warten. Alle diese Designentscheidungen zielen auf ein gemeinsames Ziel ab: Roboter sollen wirklich in der Lage sein, in einer Echtzeit-Umgebung zu agieren, die sich ständig verändert.

Schließlich wird die Kette zwischen dem Verständnis einer Aufgabe und der Ausführung der entsprechenden Handlung bei Robotern neu durchgängig gemacht.

Seit langem besteht in der Robotik eine