Roboter bei der „Datenarbeit“ unterstützen: Viel Geld, große Blase
Die Dateninfrastruktur für Embodied Intelligence entwickelt sich zu einem „vorgelagerten Schlachtfeld“.
Auf den jüngsten KI-Foren taucht ständig ein Vergleich auf: LLM-Vortraining nutzt Billionen von Token, autonomes Fahren sammelt Daten im Umfang von Hunderten Millionen Stunden, während die derzeit öffentlich zugänglichen Betriebsdaten für Embodied Intelligence nur einige Hunderttausend Stunden erreichen. Mehrere Hersteller von Embodied-Intelligence-Systemen haben öffentlich erklärt, dass Daten derzeit das größte Hindernis darstellen.
Einerseits tanzen Roboter und machen Saltos auf der Bühne des Frühlingsfestes, falten Kleidung in Laboren und arbeiten als 24-Stunden-Verkäufer; andererseits scheitern sie häufig, wenn sie in echte Haushalte oder Fabriken eingesetzt werden. Hinter diesem Kontrast steht das Problem des Datenmangels, das eine eigenständige Branchensparte hervorgebracht hat.
In den letzten sechs Monaten strömt Kapital massiv in Datenunternehmen: Guanglun Intelligence hat innerhalb von nur zwei Monaten zwei Finanzierungsrunden abgeschlossen, erreicht eine Bewertung von über 2 Milliarden US-Dollar und ist damit weltweit erstes Einhorn im Bereich Embodied-Daten. Jianzhi Robotics, das 2025 gegründet wurde, erhielt eine Finanzierung unter Führung von Ant Group, Didi und Delian. Mifeng Technology hat nach seiner Ausgründung aus Zhiyuan mehrere hundert Millionen Yuan an Finanzierung erhalten.
Es dauerte weniger als ein Jahr, bis Daten von einer Variable im Trainingsprozess zu einer eigenständigen Branchensparte wurden. Dahinter stehen zwei Signale.
Tianji Bian, ein Investor im Bereich Embodied Intelligence, erklärt: Erstens zeigt sich die Generalisierungsgrenze von großen VLA-Modellen, und die Datenqualität wird zur Obergrenze für die „Gehirnleistung“ von Robotern. Zweitens liegt die Auslieferungsgeschwindigkeit der Roboter-Hardware über den Erwartungen, sodass der Datenbedarf von der Forschungs- und Explorationsphase zu einer Voraussetzung für die Massenproduktion geworden ist.
Diese Einschätzung wurde in der Praxis bestätigt. Xingxin Intelligence ist ein Drittunternehmen, das sich auf Embodied-Intelligence-Daten spezialisiert. Sein Vizepräsident Zhu Jun hat täglich mit Kunden zu tun und spürt den Datenmangel am direktesten. Er sagte zu „Dingjiao One“, dass die Branche in den letzten zwei Jahren voll und ganz auf Hardware wie komplette Roboter und geschickte Hände konzentriert war. Als die Hardware endlich fertiggestellt war, stellte sich heraus, dass Roboter ihre Aufgaben nicht mehr ausführen können, wenn sie ein Objekt oder die Umgebung wechseln – die Schwachstelle liegt vollständig bei den Daten. Die Hersteller können den Iterationsrhythmus der Modelle nicht nur durch interne Datenerfassung aufrechterhalten. Sobald die Lücke sichtbar wird, steigt die Nachfrage nach Drittanbieter-Daten natürlich an.
Aber diese Datenlücke ist nicht einfach zu schließen. Die Erfassung auf echten Geräten ist teuer, die Szenarien sind verteilt und die Ausschussrate ist hoch. Da jedes Unternehmen seine eigenen Daten erfasst und die Formate nicht kompatibel sind, steigt die Gesamtdatenmenge der Branche nur langsam an.
Die Lücke ist groß genug und es kommen genug Akteure hinzu, sodass diese Branchensparte immer dichter besetzt wird.
01. Wer liefert Daten? Vier Produktionswege
Als die Embodied-Intelligence-Branche 2023 gerade erst anfing, wurde das Problem des Datenmangels bereits erkannt. Was macht die Datenerfassung für Roboter so schwierig? Warum können die Daten nicht wie bei großen Modellen direkt aus dem Internet abgerufen werden?
Der Kern des Trainings für Embodied Intelligence liegt in der „Aktion“. Damit Roboter lernen, Flaschenverschlüsse zu drehen, Kleidung zu falten und Schubladen zu öffnen, benötigen sie einen vollständigen Kreislauf aus „Was sehe ich – was mache ich – welche Kraft wende ich an – wie bewegen sich die Gelenke“. Solche Daten gibt es im Internet fast gar nicht, sie müssen „erzeugt“ werden. Und wie sie erzeugt werden, bestimmt direkt Kosten, Qualität und Skalierungspotenzial.
Derzeit gibt es vier Hauptwege zur Datenerfassung für Embodied Intelligence, die jeweils unterschiedliche Vor- und Nachteile bei Kosten und Wiedergabetreue aufweisen. Führende Unternehmen setzen selten nur auf einen einzigen Weg, sondern wählen oft mehrere parallele Ansätze.
Erstens die Erfassung auf echten Geräten. Bediener tragen VR- oder AR-Headsets, die die Bilder mit der Kameraperspektive des Roboters synchronisieren, und steuern dann jede Bewegung des Roboters.
Die auf diese Weise erzeugten Daten haben die höchste Qualität und können direkt zum Training von VLA-Modellen verwendet werden. Führende humanoide Roboterhersteller wie Zhiyuan und UBTech sowie das im letzten Jahr gegründete Lingyu Intelligence setzen auf diesen Weg.
Aber die Erfassungskosten für diesen Weg sind hoch: Man muss nicht nur echte Roboter kaufen, sondern auch qualifizierte Bediener einstellen. Die Stundensätze für Datenerfasser bei Teslas Optimus liegen zwischen 25 und 48 US-Dollar.
Ein Praktiker im Bereich Embodied Intelligence sagt, dass das lange Tragen von VR-Headsets nicht nur leicht Schwindel verursacht, sondern die Bediener auch über die VR-Bilder räumliche Entfernungen und Objektpositionen abschätzen müssen. Ein kleiner Fehler führt schnell zu Fehlern, sodass eine hohe Ausschussrate normal ist. Einige Praktiker haben berechnet, dass die allgemeine Nutzungsrate der Daten nur 60 % bis 70 % beträgt.
Einige inländische Unternehmen versuchen, die Hürde durch ein „menscharm-isomorphes“ Design zu senken. Aber dieses Design opfert die „übermenschlichen Fähigkeiten“ des Roboters, und die erfassten Datensätze ermöglichen es dem Roboter nicht, Aufgaben in speziellen Szenarien wie dem Durchqueren enger Spalten auszuführen.
Der zweite Weg ist die Erfassung ohne Roboter-Hardware.
Bei diesem Ansatz wird keine Roboter-Hardware benötigt. Die erfassten Bewegungsdaten werden später durch Umleitung auf die Ziel-Roboter-Hardware abgebildet. Die Kosten betragen etwa die Hälfte oder sogar weniger als die der Fernsteuerung auf echten Geräten. Hauptsächlich gibt es zwei Formen: tragbare Geräte und Bewegungserfassung. Vertreter sind Unternehmen wie Mifeng Technology und Jianzhi Robotics.
Ein Beispiel für die Erfassung mit tragbaren Geräten ist UMI (Universal Manipulation Interface): Menschen bedienen Objekte direkt mit speziellen Greifern und erfassen gleichzeitig Bewegungsbahnen und visuelle Daten. Bei der Bewegungserfassung tragen Menschen Geräte zur Aufzeichnung der Ganzkörper- oder Handbewegungen, die zum Steuern von humanoiden Robotern oder zum Erzeugen von Simulationsdaten verwendet werden können.
Aber diese Erfassungsmethoden haben zwei große Einschränkungen.
Erstens können Menschen bei der Bedienung mit Greifern nur erkennen, ob sie ein Objekt „gefasst“ haben oder nicht, aber nicht spüren, wie viel Kraft sie angewendet haben und wie sich die Kraft verändert. Deshalb sehen die trainierten Modelle bei feinen Aufgaben wie dem Drehen von Flaschenverschlüssen oder dem Einstecken von USB-Steckern, bei denen man „die Kraft während der Ausführung anpassen muss“, die Bewegungen zwar richtig aus, aber wenden falsche Kraft an. Zweitens geht bei der „Übersetzung“ menschlicher Bewegungen für Roboter eine große Menge an Informationen verloren.
Der dritte Weg ist die Simulationssynthese, bei der Roboter-Betriebsdaten in großen Mengen durch Nachbildung einer virtuellen physischen Welt erzeugt werden.
Dieser Weg erfordert hohe technische Fähigkeiten, insbesondere bei der Verringerung der Lücke zwischen Virtualität und Realität – dazu gehören selbst entwickelte Simulations-Engines und die Kalibrierung physikalischer Parameter. Ein Beispiel ist Guanglun Intelligence, das ein eigenes Simulationssystem entwickelt hat, das „simulieren, messen und erzeugen“ kann. Es hat insgesamt über 1 Million Stunden menschlicher Verhaltensdaten geliefert, mit einer Wiederholkaufrate von über 10-fach – es ist derzeit das größte Unternehmen im Simulationsbereich.
Aber auch dieser Weg hat deutliche Schwachstellen: In der Simulationsumgebung sind alle Eigenschaften von Objekten wie das Gewicht eines Bechers oder die Glätte der Oberfläche festgelegt. In realen Szenarien kann der Becher jedoch mit Wasser gefüllt sein oder die Hand nass sein – diese feinen Unterschiede lassen sich nicht vollständig simulieren, was zu Betriebsfehlern führt.
Der vierte Weg ist die Videodestillation, die in letzter Zeit von immer mehr Unternehmen angewendet wird.
Dabei werden direkt bereits vorhandene Ego- oder Third-Person-Betriebsvideos aus dem Internet (z. B. Ego4D, Kochvideos auf YouTube usw.) extrahiert. Mit Modellen wird „welche Bewegung eine Person ausgeführt hat“ rückgeschlossen, um strukturierte Daten (z. B. Hand-Posen, Objektbahnen, bewegungen auf Gelenkebene) zu erzeugen, die dann auf Roboter übertragen werden.
Zum Beispiel kann ein Video einer Person, die einen Flaschenverschluss dreht, nicht nur die Gelenkwinkel einer einzelnen Aktion aufzeichnen, sondern auch das allgemeine Muster ableiten: „Wenn die Hand an diese Stelle kommt und Kraft in diese Richtung ausübt, dreht sich der Verschluss“. Diese Methode erfasst keine Bewegungen, sondern filtert und bereinigt nur die Videos. Die Grenzkosten sind extrem niedrig, und die Datenmenge ist riesig. In den letzten Jahren hat diese Technologie in der Branche Aufmerksamkeit erhalten, hauptsächlich dank der Reife von Weltmodellen, die die Extraktionsgenauigkeit auf ein kommerziell nutzbares Niveau gebracht haben. Ein Vertreter ist Jiajie Shijie, das innerhalb von drei Monaten etwa 3,5 Milliarden Yuan an Finanzierung erhalten hat und eine Bewertung von 100 Milliarden Yuan erreicht.
Screenshot der Ego4D-Website
Aber der Nachteil ist, dass Videos nur visuelle Informationen enthalten, keine Bewegungsdetails wie Gelenkwinkel oder Kraftanwendung. Da sich menschliche Hände und Roboterarme deutlich unterscheiden, können diese Daten nicht direkt für das End-to-End-Training verwendet werden und dienen meist nur als Hilfsdaten.
Es ist hervorzuheben, dass fast alle Unternehmen heute Strategien mit mehreren parallelen Wegen verfolgen. Zum Beispiel beginnt Guanglun Intelligence, dessen Kern auf Simulationsdaten basiert, auch menschliche Daten zu erfassen. Yinhe General, das einst ein überzeugter Anhänger der reinen Simulation war, hat ebenfalls ein Ganzkörper-Fernsteuerungssystem veröffentlicht. Kaiwang Data, das aus der Datenannotierung für autonomes Fahren stammt, deckt mehrere Wege ab – es übernimmt Erfassungen ohne Roboter-Hardware, Fernsteuerung auf echten Geräten und Simulationssynthese.
Zhu Jun fasst zusammen: Der Kapitalmarkt bevorzugt derzeit Simulationssynthese und vollständige Plattformen, gefolgt von tragbaren Geräten. Der Weg der Erfassung auf echten Geräten wird kaum beachtet. Aber die tatsächliche Nachfrage der Kunden vor Ort liegt bei Daten von echten Geräten – Simulation dient nur als Hilfsmittel. Die Konvergenz der Wege ist ein klarer Trend: Simulationsunternehmen bauen Datenverwaltungsplattformen auf und kalibrieren sie mit Daten von echten Geräten; Hersteller von tragbaren Geräten ergänzen synthetische Daten zur Erweiterung der Stichproben; Teams für die Erfassung auf echten Geräten entwickeln eigene Simulations- und Videodestillationstools zur Kostensenkung.
02. Einnahmen in Millionenhöhe, Bewertung steigt auf Milliarden
Die Erzeugung von Daten ist nur der Ausgangspunkt. Ob sie verkauft werden können, an wen und ob der Verkauf nachhaltig ist, entscheidet darüber, ob diese Branchensparte Bestand hat.
Laut Untersuchungen und Schätzungen von Tianji Bian gibt es in China nur sehr wenige Kunden, die kontinuierlich Daten einkaufen können. Derzeit gibt es drei Hauptgruppen: Hersteller von Roboter-Hardware, Teams für Embodied-Modelle (wie VLA- und Weltmodelle) sowie Universitäten und Forschungseinrichtungen. Da viele Kunden noch in der Validierungsphase sind, gibt es wahrscheinlich nur Dutzende von Kunden, die wirklich in der Lage sind, in großem Umfang einzukaufen.
Darüber hinaus ist die Zahlungsbereitschaft dieser Dutzende von Kunden nicht stabil. Ein Hersteller von Embodied-Intelligence-Daten sagt, dass die Hardware-Hersteller derzeit externe Daten hauptsächlich einkaufen, weil „sie nicht genug selbst erfassen können“. Sobald ihr eigenes Datenerfassungssystem funktioniert, wird der externe Einkauf stark zurückgehen.
Zhu Jun gibt offen zu, dass es viele Kunden gibt, die „zuerst eine Charge Daten zum Testen kaufen und nach erfolgreichem Betrieb ein eigenes Team aufbauen, um es nachzubauen“. Ihre Gegenmaßnahme besteht darin, möglicherweise spezielle Erfassungswerkzeuge, Szenarioprozesse und Iterationslösungen bereitzustellen. Da sie „die Datenstandards kontinuierlich an die Kunden anpassen, sind die Gesamtkosten und der Zeitaufwand für das Nachbauen durch die Kunden sehr hoch – bisher können sie uns nicht vollständig ersetzen“.
Es gibt hauptsächlich drei Monetarisierungsmodelle, die sich in Einstiegsbarrieren und Wettbewerbsvorteilen unterscheiden.
Der einmalige Kauf von Datensätzen ist das vorherrschende Modell und gleichzeitig das am stärksten umkämpfte Geschäftsmodell.
Beim EGO-Erfassungsweg mit tragbaren Geräten kaufen derzeit viele kleine Teams modifizierte Headsets, Handgelenkkameras und Open-Source-Kalibrierungscodes. Für einige Zehntausend Yuan können sie einen Erfassungsarbeitsplatz aufbauen – aber durch Kalibrierungsdrift, Verdeckungen und verlorene Synchronisierungsbilder liegt die Ausschussrate oft bei etwa 30 %, und die Datenqualität ist sehr unterschiedlich. Der einmalige Kauf von Datensätzen ist vorherrschend, weil er am einfachsten ist – aber auch am leichtesten nachgeahmt werden kann.
Das zweite Modell ist der Verkauf von Hardware, z. B. tragbaren Erfassungsgeräten, Fernsteuerarbeitsplätzen oder sogar speziellen Erfassungsrobotern. Die Barrieren liegen im Hardwaredesign, der Lieferkette und der Produktionskapazität. Das Risiko besteht darin, dass die Kunden nach dem Kauf der Hardware selbst Personal organisieren können, um Daten zu erfassen.
Das dritte Modell ist der Verkauf von Plattformen, Abonnements und Dienstleistungen. Es hat die höchsten Barrieren, ist aber am schwierigsten zu starten – die Kunden müssen bereits eine Gewohnheit für den großflächigen Datenverbrauch entwickelt haben, was der Markt derzeit noch nicht erreicht hat. Nur wenige Unternehmen testen es derzeit.
Zhu Jun gibt bekannt, dass ihre Einnah