In letzter Zeit beschäftigen sich Investoren intensiv mit dem Thema, Roboter mit Energie zu versorgen.

Im heutigen Wettbewerb um Embodied Intelligence geht es nicht mehr darum, wer den Roboter dazu bringen kann, Posen zu machen, sondern darum, wessen Roboter wirklich nützliche Arbeit leisten kann. Daten werden zu einer unsichtbaren Schwelle, die bestimmt, ob Roboter wirklich intelligent werden können.

Investoren im Bereich Embodied Intelligence richten ihren Fokus zunehmend auf Daten, und selbst etablierte Investoren aus dem Silicon Valley beschleunigen ihre Markteintritte. Mitte Juni trat XDOF aus dem Stealth-Modus hervor und sicherte sich eine Finanzierung von 70 Millionen US-Dollar in einer Runde, an der sich Investoren wie Thrive Capital und a16z beteiligten. Encord, das sich auf die Infrastruktur für Roboterdaten spezialisiert hat, schloss eine Serie-C-Finanzierung über 60 Millionen US-Dollar unter der Leitung von Wellington Management ab, womit sich die gesamte Finanzierungssumme auf 110 Millionen US-Dollar beläuft. Auch das New Yorker Unternehmen Mecka AI sicherte sich zwei Finanzierungsrunden in Höhe von insgesamt 60 Millionen US-Dollar unter der Leitung von Framework Ventures.

Diese Verschiebung zeigt, dass die Branche eine Erkenntnis gewonnen hat: Wenn Hardware und Algorithmen sich schnell genug entwickeln, wird derjenige, der das Modell zuerst dazu bringen kann, echte Arbeit zu leisten, den nächsten Zugangspunkt kontrollieren.

Das unsichtbare Fundament der physischen KI

Embodied Intelligence ist in vollem Gange. Roboter sind heute in allen möglichen Szenarien zu sehen – sie empfangen Kunden in Einkaufszentren, schrauben Schrauben in Fabriken und tanzen bei kommerziellen Veranstaltungen...

Aber wenn wir über Embodied Intelligence sprechen, sollten wir uns eigentlich mehr auf den wahren treibenden Faktor hinter der Fähigkeit von Robotern konzentrieren, in verschiedene physische Umgebungen einzudringen: Daten.

Um ein Szenario zu erschließen, sind Daten für genau dieses Szenario erforderlich.

Im Gegensatz zur Ära der großen Sprachmodelle, bei der Texte und Bilder extrahiert werden, müssen Roboter Bewegungen wie das Öffnen von Flaschen, das Falten von Kleidung und das Tellertransportieren nicht durch Textkorpora lernen, sondern durch vollständige Informationen, die Menschen bei der tatsächlichen Ausführung dieser Aktionen hinterlassen – wie sich die Hand bewegt, wie viel Kraft angewendet wird, wie Objekte erfasst und platziert werden, an welchem Punkt eine Aktion als erfolgreich gilt und an welchem Punkt sie fehlschlägt. Diese Informationen müssen mit speziellen Geräten aufgezeichnet und dann verarbeitet werden, um zu Daten zu werden, aus denen Roboter lernen können. Der gesamte Erfassungs- und Verarbeitungsprozess bildet die grundlegende „Treibstoffproduktionslinie“ für Embodied Intelligence.

Aber wie lassen sich diese riesigen Datenmengen erfassen?

In der Branche gibt es hauptsächlich vier Methoden:

1. Fernsteuerung eines echten Roboters: Ein Mensch steuert einen echten Roboter zur Ausführung von Aufgaben und erfasst gleichzeitig Bewegungs-, Zustands- und Sensordaten. 2. Erfassung ohne Roboter-Körper: Eine Person führt Demonstrationen direkt aus und erfasst Bewegungen über Geräte wie Motion-Capture-Systeme, Greifermapping und First-Person-Kameras, ohne dass ein Roboter beteiligt ist. 3. Simulationssynthese: Generieren von Roboters-Interaktionsdaten in großen Mengen in einer virtuellen Umgebung für das Modelltraining. 4. Destillation aus Internetvideos: Extrahieren von menschlichem Bewegungswissen aus Internetvideos und Umwandlung in Daten, aus denen Embodied-Modelle lernen können.

„Sowohl Nutzer als auch Investoren haben sich in den letzten ein bis zwei Jahren bei der Diskussion über Embodied Intelligence hauptsächlich auf die Hardware-Formen und die Modellarchitektur konzentriert. Aber da diese beiden Bereiche zunehmend ausgereift sind, werden Daten zu dem zentralen Engpass, der die weitere Verbesserung der Modellfähigkeiten einschränkt“, erklärt Zhou Luhong von der Investment Banking Division von China Renaissance.

Im größeren Konzept der „physischen KI“ wird der Wert der Daten- und Modellinfrastruktur neu definiert. Es handelt sich längst nicht mehr nur um eine Kamera und eine Aufzeichnung, sondern um ein vollständiges Ingenieursystem, das die verstreuten menschlichen Handlungen in der realen Welt in strukturierte Vermögenswerte umwandelt, die Roboter verstehen und aus denen sie lernen können. Dieses Fundament, das bisher selten separat diskutiert wurde, wird zu einer unumgänglichen Schwelle für die Weiterentwicklung der gesamten Embodied-Intelligence-Branche.

Was ist der echte Wettbewerbsvorteil?

In dem Kreis der Datenlieferanten für Embodied Intelligence besteht ein Konsens: Das wichtigste immaterielle Gut sind „hochwertige, domänenspezifische Daten“. Aber es gibt unterschiedliche Ansätze, um „hochwertige Daten“ zu definieren und zu erhalten.

Zhou Luhong von China Renaissance liefert einen sehr konkreten Vergleich: „Aus Gesprächen mit Kunden in verwandten Bereichen haben wir erfahren, dass 10.000 Stunden saubere, effektive Daten mit vollständigen Aufgabenketten die Modellfähigkeiten möglicherweise mehr verbessern als 1 Million Stunden ungefilterte Rohdaten“, so Zhou.

Die Logik hinter dieser Aussage ist nicht kompliziert. Die Qualität der Datenlieferungen in der Branche ist derzeit uneinheitlich, da die Anbieter nicht verstehen, was die Modelle wirklich benötigen. Dies führt zu fehlenden Modalitäten, fehlenden Annotationen, unklaren Bewegungszuordnungen und unvollständigen Aufgabenabläufen – sodass am Ende nur eine geringe Dichte an wirklich nutzbaren Daten übrigbleibt. Mit anderen Worten: Die Quantität ist nie die Schwelle in diesem Geschäft – entscheidend ist, ob die Daten vom Modell tatsächlich genutzt werden können.

Diese Einschätzung erklärt auch, warum Daten aus spezifischen Anwendungsbereichen immer wieder hervorgehoben werden. Laut Zhou sind Daten, die in echten Arbeitsumgebungen erfasst werden, oft effektiver als Daten, die in standardisierten Datenerfassungsumgebungen erstellt werden. Insbesondere in spezifischen Bereichen wie Logistik, Einzelhandel, Industrie und Lagerhaltung helfen die Verteilung von Objekten, Betriebsabläufen, Ausnahmesituationen und seltenen Aufgaben in der realen Umgebung, die Fähigkeiten des Modells für bestimmte Szenarien direkter zu verbessern. Aber er betont auch, dass Embodied-Modelle langfristig das Problem der Generalisierung über verschiedene Szenarien und Aufgaben hinweg lösen müssen. Daher dürfen Daten nicht nur auf hochwertige Proben in einem einzigen Szenario abzielen, sondern müssen auch eine ausreichende Vielfalt und Fähigkeit zur großflächigen Produktion aufweisen. Aus diesem Grund wird die herkömmliche Methode der Fernsteuerung von echten Robotern – die kostspielig, ineffizient und an einen einzelnen Roboter gebunden ist – in der Branche zunehmend neu bewertet.

Bildquelle: Jingshuo Technology

Huo Da, CEO von Jingshuo Technology – einem Anbieter von Daten- und Modellinfrastruktur für allgemeine Embodied Intelligence – gibt eine sehr direkte Antwort: „Der endgültige Beweis für hochwertige Daten ist nicht, wie viele PB-Speicher sie belegen, sondern ob sich die Fähigkeiten des Modells tatsächlich verbessern.“

Um die „Verbesserung der Modellfähigkeiten“ praktikabel, überprüfbar und großflächig umsetzbar zu machen, hat Jingshuo ein dreistufiges Produktsystem aufgebaut: die integrierte Datenmodellplattform WorldEngine, das selbst entwickelte generative einheitliche Weltmodell GENESIS-Robotics und die Datenvermögens-Engine SkillForge.

Die drei Komponenten bilden sich selbst verstärkender positiver Kreislauf: Erfasste Daten aus der realen Welt und Kundenfeedback fließen kontinuierlich in das System ein. WorldEngine führt Datenverwaltung, Qualitätskontrolle und geschlossene Überprüfung durch. GENESIS-Robotics verbessert sein Weltverständnis stetig auf Basis realer Daten und erzeugt synthetische Daten zur Erweiterung der Produktionskapazität. Schließlich werden alle Ergebnisse in SkillForge zu reichhaltigeren, präziseren standardisierten Fähigkeitspaketen zusammengefasst und an Kunden ausgeliefert.

Die drei Ebenen folgen keinem linearen Arbeitsablauf, sondern einem sich stetig selbst verstärkenden Kreislauf. Reale Daten kalibrieren das physische Verständnis des Modells, das Modell generiert wiederum synthetische Daten zur Erweiterung der Grenzen, die Plattform verbindet beide Seiten zur Durchführung der geschlossenen Überprüfung, und schließlich sammeln sich immer umfangreichere Fähigkeitsvermögen an. Damit dieser Kreislauf funktioniert, gibt es eine Voraussetzung: Das physische Verständnis von GENESIS-Robotics beginnt nicht bei Null. Das Kernteam von Jingshuo stammt aus dem „Datenforschungs-Team 001“, das zu Beginn von Wenyuan gegründet wurde. Es baut auf den riesigen Mengen an realen physischen Daten auf, die Wenyuan in fast einem Jahrzehnt der großflächigen Implementierung von autonomen Fahren gesammelt hat.

Huo Da sagt: „Zuerst kalibrieren wir das Modell mit der realen Welt, dann generieren wir Daten mit dem Modell – diese Reihenfolge darf nicht umgekehrt werden.“ Auf die häufige Frage, ob die Erfahrungen aus dem Bereich des autonomen Fahrens auf die Robotersteuerung übertragen werden können, meint er: „Was übertragen wird, sind nicht die Merkmale von Fahrszenarien, sondern die grundlegende Fähigkeit zur Modellierung von dreidimensionalem Raum, Objektinteraktionen und mechanischen Beziehungen. Die physikalischen Gesetze sind universell – diese Fähigkeit hat sich in Embodied-Szenarien bereits vollständig bewährt.“

Zurück zur ursprünglichen Frage: Was ist der eigentliche Wettbewerbsvorteil von Embodied Intelligence?

Die Antwort liegt möglicherweise nicht darin, dass ein einzelner Aspekt besonders gut funktioniert, sondern in einer vollständigen geschlossenen Fähigkeitskette von Daten bis zum Modell: Das Modell soll Datenstandards definieren, den Datenwert überprüfen und die Wertsteigerung von Datenvermögen kontinuierlich vorantreiben. Sobald dieses System funktioniert, wird jede Stufe den Abstand zu Wettbewerbern vergrößern – und genau dieser Abstand ist das, was die Außenwelt leicht übersieht, aber nur schwer aufholen kann.

Eine noch nicht ausgereifte Industriekette

Im Bereich der Datenbereitstellung für Embodied Intelligence lassen sich die Akteure grob in drei Kategorien einteilen: Hersteller von Roboter-Körpern, die Daten selbst verarbeiten; Modellunternehmen, die „Embodied-Gehirne“ entwickeln und eigene Datenteams aufbauen; sowie unabhängige Drittanbieter von Infrastrukturdiensten.

Wenn Roboter-Hersteller Daten selbst bereitstellen, tun sie dies hauptsächlich für den Eigengebrauch. Das Ziel ist, den eigenen Robotern zu mehr Intelligenz zu verhelfen – Effizienzsteigerungen und Kosteneinsparungen sind nur sekundäre Vorteile. Die Weitergabe von Daten an Dritte steht nie im Vordergrund. Große Modellunternehmen bauen eigene Datenteams hauptsächlich auf, um individuelle Anforderungen und Vertraulichkeitsbedürfnisse bei der Iteration ihrer Modelle zu erfüllen. Schließlich sind Kern-Trainingsdaten der Schlüssel zum Wettbewerbsvorteil – die Übergabe an externe Parteien bringt immer Vertrauensverluste mit sich. Gemeinsam ist diesen beiden Arten von Akteuren, dass ihre Datendienste auf den eigenen Geschäftsablauf abzielen, und die Obergrenze ihres Umfangs ist natürlich durch das Volumen des eigenen Geschäfts beschränkt.

Genau in dieser Lücke liegt das Potenzial von Drittanbietern für Datenerfassung.

Dazu sagt Zhou Luhong: „Die Fähigkeiten von Datenunternehmen und Modellunternehmen sind unterschiedlich. Modellunternehmen sind stark in Algorithmen, Trainingssystemen und Modelliterationen. Datenunternehmen hingegen erfordern Fähigkeiten wie großflächige Lieferung, standardisierte Betriebsabläufe, Qualitätskontrolle, Szenarienorganisation und Verständnis für Kundenbedürfnisse – das sind zwei völlig verschiedene Fähigkeitsmodelle. Langfristig gesehen ist diese Arbeitsteilung keine Notlösung, sondern folgt der Logik der Effizienzsteigerung. Ein Unternehmen, das sowohl Modelle als auch Daten entwickelt, wird aufgrund von Wettbewerbsbedenken und der Notwendigkeit von Datenunabhängigkeit kaum seine Kern-Daten an Konkurrenten verkaufen. Drittanbieter haben diese Einschränkungen nicht – ein hochwertiges Datenset kann theoretisch mehreren Modellanbietern und Roboterkunden dienen. Die Skaleneffekte durch Wiederverwendung sind für selbst aufgebaute Teams kurzfristig kaum erreichbar.“

Diese Logik funktioniert nur, wenn das Team über ausreichende Branchenerfahrung verfügt und Bereiche wie autonomes Fahren, geografische Informationsverarbeitung und KI-Daten abdeckt – Bereiche, die bisher kaum überschnitten haben. Es muss sowohl Hardware-Kalibrierung verstehen als auch wissen, was das Modelltraining wirklich erfordert.

Die Gründe, warum Kunden sich für Drittanbieter entscheiden, sind klar. Der Aufbau einer vollständigen geschlossenen Kette von Daten bis zum Modell dauert normalerweise Jahre und erfordert die Koordination von Hardware, Standorten, Teams und Abläufen – alles kostet viel Ressourcen. Die Zusammenarbeit mit einem Unternehmen, das dieses System bereits erfolgreich aufgebaut hat, bedeutet, die gesamte Infrastrukturphase zu überspringen und Ressourcen auf die Entwicklung von Roboter-Körpern und die Umsetzung von Szenarien zu konzentrieren. Viele weltweit führende Kunden haben sich ohne aktive Vermarktung von sich aus gemeldet – gute Referenzen sind die effektivste Form der Kundengewinnung.

Verglichen mit der Datenbereitstellung in der Ära der großen Modelle ist die Daten- und Modellindustriekette für Embodied Intelligence noch nicht ausgereift. Die Datenstandards für Sprachmodelle haben sich nach Jahren der Iteration weitgehend konsolidiert. Bei Embodied-Daten hingegen werden verschiedene technische Ansätze noch parallel erforscht, und die Branche hat noch keinen einheitlichen Konsens darüber, was „wirklich effektive Embodied-Daten“ ausmacht. Diese noch nicht konsolidierte Situation ist kurzfristig eine Unsicherheit, aber langfristig bedeutet sie, dass die Hoheit über die Definition von Standards noch nicht festgelegt ist. Wer zuerst mit Produkten und praktischen Ergebnissen die Branchenstandards klar definiert, wird die Chance haben, eine führende Position in dieser Industriekette einzunehmen.

Die Daten- und Modellinfrastruktur befindet sich derzeit in einer ähnlichen Phase wie das Cloud Computing in den frühen Tagen des mobilen Internets – sie ist grundlegend, aber die Voraussetzung dafür, dass alle darauf aufbauenden Anwendungen funktionieren können. Das Konzept der „physischen KI“ wird immer häufiger diskutiert, und die Geschichten über Roboter-Körper und Modellalgorithmen sind bereits sehr überzeugend. Aber was die tatsächliche Umsetzung dieser Geschichten bestimmt, ist möglicherweise genau diese leicht übersehene Infrastruktur – die zuerst erfolgreich funktionieren muss.

Der Wettbewerb um diesen Zugangspunkt zur Infrastruktur hat gerade erst begonnen. Wer zuerst die vollständige geschlossene Kette erfolgreich aufbaut, erhält das nächste „Ticket“ für die Zukunft.

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „Rongzhong Finance“ (ID: thecapital), Autor: Lü Jing