Als Lehrer für humanoide Roboter einen Markt von zehn Milliarden Yuan aufbauen

Bevor Roboter wirklich in Fabriken und Haushalte Einzug halten, muss jemand ihnen beibringen, wie sie „wie ein Mensch arbeiten“ können.

Vielleicht sind Sie auf sozialen Plattformen auf ein Video gestoßen, in dem Arbeiter an indischen Fließbändern wie gewohnt sortieren, montieren oder nähen und schneiden – doch Kameras über ihren Köpfen und an ihren Handgelenken zeichnen jedes Detail der Bewegungen auf. Dies dient tatsächlich der Datenerhebung für das Training humanoider Roboter.

In China beginnen ähnliche Tätigkeiten, sich auf den Nebenarbeitsmarkt auszudehnen. Stellenausschreibungen für „Datenerheber für verkörperte Intelligenz“ tauchen in großer Zahl auf. „Tägliche Bezahlung, Arbeit von zu Hause aus möglich, keine Bildungsvoraussetzungen“ locken viele Arbeitssuchende an. Einige greifen wiederholt nach Wasserbechern, ordnen Kleidung oder transportieren Gegenstände und werden so zu „KI-Trainern“ für Roboter.

Dahinter steckt ein enormer Datenhunger in der Branche der verkörperten Intelligenz. Damit humanoide Roboter von Demonstrationsvideos in reale Szenarien übergehen können, reichen Modell und Hardware allein nicht aus – sie brauchen Mengen an echten, sauberen und wiederverwendbaren Bewegungsdaten.

Drei Erhebungswege – Crowdsourcing ohne körperliche Roboterplattform aus der Egoperspektive, Fernsteuerung echter Roboter und simulative Generierung – verfolgen jeweils eigene Ansätze. Ein Wettlauf um Datenqualität, Kosten und Effizienz ist im Gange.

Cyber-Fließband

Sowohl die Körperstruktur als auch die „Gehirne“ humanoider Roboter entwickeln sich stetig weiter. Doch je mehr sie in Fabriken, Lagerhallen und Haushalte gelangen, desto konkreter werden die Probleme:

Ein Roboter soll ein Glas Wasser greifen, das in der Mitte eines 1,2 Meter hohen Esstisches steht – ein weitmundiger Becher mit Henkel, neben dem sich weitere Gegenstände befinden. Der Roboter muss entscheiden, wohin er seine Hand streckt und wie er den Becher ergreift.

Diese Fähigkeiten entstehen nicht aus dem Nichts. Sie erfordern eine große Menge echter, fortlaufender und annotierbarer Daten für das Training.

Nachdem sich die Branche zunehmend bewusst wird, dass ein „Datenwüste“ herrscht, gewinnt das vorgelagerte Segment der Datenerhebung für verkörperte Intelligenz rasch an Bedeutung. Der gemeinsame „Forschungsbericht zur industriellen Ausgestaltung des Marktes für Daten von Robotern mit verkörperter Intelligenz 2026“ von Zosi Automotive Research und dem Shuiqing Mhua Forschungszentrum zeigt: Im Jahr 2025 erreichte der globale Markt für Daten zur verkörperten Intelligenz ein Volumen von 242 Millionen US-Dollar, was einem Anstieg von 181,4 % gegenüber dem Vorjahr entspricht. Der chinesische Markt belief sich auf 5 Milliarden Yuan – ein Plus von 203 % und etwa 40 % des globalen Marktanteils.

Der Bericht prognostiziert, dass die durchschnittliche jährliche Wachstumsrate (CAGR) des globalen Marktes von 2025 bis 2030 85,0 % erreichen könnte, wobei das Gesamtvolumen 2030 auf 5,25 Milliarden US-Dollar ansteigen wird.

Vor diesem Hintergrund betreten zahlreiche Akteure das Feld. Drittanbieter von Datenlösungen wie Guanglun Intelligence setzen auf ein gemischtes Konzept aus Simulation und Erhebung ohne Roboterplattform. Das Unternehmen sammelte innerhalb von sechs Monaten 2 Milliarden Yuan an Finanzmitteln, erreichte eine Bewertung von über 10 Milliarden Yuan und bedient mehrere führende Unternehmen. Andere Hersteller humanoider Roboter bauen eigene große Erhebungscenter auf – etwa Zhiyuan Robot, das den Datensatz AGIBOT WORLD 2026 veröffentlicht hat, der die gesamte Forschung zur verkörperten Intelligenz abdeckt. Der Internetriese JD.com kündigte zudem an, das weltweit größte Datenerhebungszentrum für verkörperte Intelligenz zu errichten.

Die Erhebung ohne Roboterplattform aus der Egoperspektive (durch tragbare Geräte zur Aufnahme aus erster Person) ist derzeit der beliebteste Ansatz in der Branche. Sie funktioniert ohne physischen Roboter allein durch das Aufzeichnen menschlicher Bewegungen mit einer Kamera – und ist damit das Segment mit den niedrigsten Einstiegsbarrieren und den meisten Teilnehmern.

Das Team von Cervo (Henan Nasixiongde Network Technology Co., Ltd.), das sich auf die Erhebung von Daten aus realen Szenarien weltweit spezialisiert hat, gehört zu den Akteuren auf diesem Weg. Seine Aktivitäten erstrecken sich auf China, Indien und Südamerika. Ray, Partner des Teams, erläutert, dass alle erhobenen Daten in echten Convenience-Stores, Fabriken und Haushalten erfasst werden. Seiner Ansicht nach sorgen aufgezeichnete echte Handlungsgewohnheiten für eine bessere Anpassungsfähigkeit der Roboter an reale Einsatzorte.

Ein vollständiger Erhebungsprozess beginnt mit der Abstimmung der Anforderungen: Der Kunde definiert Szenariotyp, Hardware-Spezifikationen, Erhebungsdauer und regionale Vorgaben. Das Team koordiniert die Zusammenarbeit mit lokalen Einrichtungen, schult die Bediener im Umgang mit Geräten und Bewegungsstandards. Nach der Aufzeichnung werden die Daten über Speicherkarten in die Cloud übermittelt und von einem Partnerteam bereinigt und annotiert.

Auf Hardware-Ebene gibt es zwei Stufen: Einsteigermodelle nutzen GoPro-Actionkameras oder am Kopf getragene Smartphones. Sie sind kostengünstig, haben aber eingeschränkte Sichtfelder – Hände geraten leicht aus dem Bild, sodass die Rate nutzbarer Daten bei 93 % bis 95 % liegt. Die Bediener müssen streng in ihren Kopfbewegungen geschult werden. Hochwertigere Lösungen setzen auf Sechs-Kamera-Panoramageräte mit Kosten von 3.000 bis 8.000 Yuan pro Stück. Sie decken einen Sichtwinkel von 300 Grad ab und erreichen eine Nutzrate nahe 100 %, was vor allem von großen Unternehmen mit ausreichendem Budget bevorzugt wird.

Auf dem chinesischen Markt hat sich die Erhebung ohne Roboterplattform bereits auf den Markt für nebenberufliche Tätigkeiten ausgeweitet. Ein Datenerheber für verkörperte Intelligenz berichtet der Publikation *BianBian*, dass ein Nebenjob bei einem Unternehmen im Perlflussdelta etwa 150 Yuan pro Tag bei 10 Stunden Arbeit einbringt. Dabei trägt man drei Kameras an Kopf und Händen und führt standardisierte Bewegungen wie Faustschließen oder Einräumen wiederholt aus. „Die Arbeit ist wie ein Cyber-Fließband: Man führt Hunderte oder Tausende von Wiederholungen durch, bis Hand und Nacken schmerzen. Die Geräte stören oft, und wenn man die Probezeit nicht besteht, wird das Gehalt gekürzt.“

Gleichzeitig bauen einige Unternehmen eigene Datenerhebungsteams auf. Zhou Xinghao, Commercial Director von Anhui Shudian Information Technology Co., Ltd., erläutert, dass das Unternehmen über mehr als 100 Vollzeitmitarbeiter in den Bereichen Annotation und Bewegungserhebung verfügt – im Alter von 20 bis 26 Jahren, 45 % mit Bachelor-Abschluss und Monatsgehältern von 5.000 bis 7.000 Yuan. Bei der Einstellung werden vor allem Handkoordination, Geduld und Bereitschaft zum selbstständigen Lernen bewertet.

Ein Datenerheber in einer Großstadt fügt hinzu, dass Vollzeitstellen besser bezahlt werden und bis zu 250 Yuan pro Tag einbringen. Man muss in einem festen Szenario vor Ort sein und täglich mindestens 3 Stunden nutzbare Daten liefern. Überstunden werden als Leistung vergütet, fehlende Daten führen zu Gehaltsabzügen. Ein Leiter überwacht die Arbeit vor Ort, und die Mitarbeiter arbeiten paarweise, um die Ergebnisse gegenseitig zu prüfen.

Die Kosten in Übersee könnten noch niedriger sein: Ray gibt an, dass Arbeiter in afrikanischen und lateinamerikanischen Ländern für die Datenerhebung nur 1,5 US-Dollar pro Stunde (ca. 10 Yuan) verdienen.

Niedrige Hürden, geringe Kosten und schnelle Skalierbarkeit sind die Kernvorteile des Ansatzes ohne Roboterplattform – doch es gibt deutliche Nachteile: Die Datenqualität ist sehr unterschiedlich, der Anteil nutzloser Proben hoch. Probleme wie unregelmäßige Bewegungen, inszenierte Szenarien oder außerhalb des Bildes liegende Hände sind verbreitet. Die tatsächliche Nutzrate von Crowdsourcing-Daten in der Branche liegt oft unter 30 %, und die Definition „nutzbarer Daten“ bleibt weitgehend den Kunden überlassen.

Im Gegensatz zur „Massenstrategie“ der Industrie bevorzugen Wissenschaftler und technikorientierte Startups die Wege der Fernsteuerung echter Roboter und der simulativen Erhebung, um Genauigkeit und Wiederholbarkeit der Daten zu gewährleisten.

Ein Branchenkenner, der früher als Forschungsassistent im KI-Labor einer Universität tätig war und heute bei einem Startup für verkörperte Intelligenz arbeitet, erläutert: Bei der Erhebung durch Fernsteuerung echter Roboter werden Aufgaben ferngesteuert von einem Roboterarm oder humanoiden Roboter ausgeführt. Dabei werden multimodale Zeitreihendaten wie Gelenkwinkel, Kraftrückmeldung und visuelle Bilder synchron aufgezeichnet. „Die Daten stimmen exakt mit der Bewegungslogik des Roboters überein, es gibt keine Abweichungen zwischen unterschiedlichen Hardwareplattformen – sie sind die zentrale Datenquelle für das Feinabstimmungsstadium von Modellen.“

Doch die Hürden für die Erhebung mit echten Robotern sind extrem hoch: Ein humanoider Roboter kostet Hunderttausende Yuan. Die Bediener erfordern ausgeprägte Hand-Auge-Koordination, und es muss die zentrale Herausforderung der zeitlichen Ausrichtung mehrerer Sensoren gelöst werden. Unterschiedliche Bildraten und Latenzen der Geräte führen selbst bei millisekundären Abweichungen zu starkem Wertverlust der Daten.

Das Team des genannten Branchenkenners löst dies durch höhere Erhebungsbildraten und angepasste Hardware mit standardisierten Schnittstellen für Zeitstempel. Der Aufbau der gesamten Pipeline erfordert die Zusammenarbeit von Hard- und Softwareteams – eine schnelle Massenskalierung wie bei der Erhebung ohne Roboterplattform ist kaum möglich.

Die simulative Erhebung ist ein ergänzender Ansatz: In virtuellen Umgebungen werden Massen an Bewegungsproben generiert, ohne Kosten für Hardware oder Räumlichkeiten.

Doch der Branchenkenner gibt zu, dass es eine kaum überwindbare Sim-to-Real-Lücke zwischen Simulation und realer Welt gibt. Reibung, Verformung und Beleuchtung von Objekten weichen von der Realität ab. Modelle, die nur mit Simulationsdaten trainiert wurden, funktionieren in der Praxis schlecht. Sie dienen nur als Ergänzung für das Vortrainieren und reichen nicht für hochpräzise Aufgaben.

Wie man bessere Daten erhebt

In der Praxis gibt es keine absolut bessere oder schlechtere der drei Datenerhebungsmethoden. Die Wahl eines Ansatzes durch verschiedene Teams bedeutet im Grunde die Suche nach einem Gleichgewicht zwischen Kosten, Effizienz und Datenqualität.

Der rasante Aufstieg der Erhebung ohne Roboterplattform gründet sich auf ein extrem leichtes Asset-Modell.

Rays Team hat nur 8 Kernmitglieder in China und den USA und beschäftigt keine festangestellten Erheber oder Annotatoren. Das Kernteam konzentriert sich auf Kundenkontakt, Abgleich von Szenarienressourcen und Projektkoordination. Geräte können gemietet, Arbeitsstunden stundenweise abgerechnet und Räumlichkeiten über bestehende Einrichtungen genutzt werden. Man braucht keine großen Summen in Roboterplattformen zu investieren – Startkapital von wenigen zehntausend Yuan reicht für den Einstieg. Das ist der Hauptgrund, warum so viele kleine und mittlere Teams in dieses Segment strömen.

Doch Probleme mit der Datenqualität sind unvermeidlich. Das typischste Phänomen ist die „falsche Korrelation“.

Zhou Xinghao nennt ein klassisches Beispiel: Ein Erheber bläst vor dem Greifen eines Bechers auf das heiße Getränk, um es abzukühlen. Das Modell erkennt das „Blasen“ als notwendige Vorbedingung für das Greifen. Da humanoide Roboter meist keine Funktion zum Blasen haben, hält der trainierte Roboter jedes Mal inne, wenn er einen Becher ergreift – völlig losgelöst von der realen Nutzungspraxis.

„Mehr Daten sind nicht unbedingt besser, aber schmutzige Daten sind definitiv schlimmer“, fasst Zhou Xinghao zusammen. Seiner Meinung nach überwiegen die negativen Auswirkungen minderwertiger Daten den Nachteil unzureichender Datenmengen. „Fehlende Daten lassen sich nacherheben – kontaminierte Daten müssen erst bereinigt und neu verarbeitet werden, was einen Rückschritt bedeutet.“

In der frühen, unregulierten Wachstumsphase der Branche kauften zahlreiche Zwischenhändler minderwertige Daten zu niedrigen Preisen, verpackten sie oberflächlich weiter und verkauften sie. „Mülldaten“ zirkulierten in der Branche und verschärften die „Datenwüste“. Obwohl die Datenmenge groß erscheint, gibt es nur wenige nutzbare qualitativ hochwertige Proben.

Demgegenüber steht der Ansatz mit echten Robotern: Trotz kontrollierbarer Qualität ist er aufgrund hoher Kosten kaum skalierbar.

Ein humanoider Roboter kostet Hunderttausende Yuan, zusätzlich kommen Räumlichkeiten, Wartungspersonal und Kalibrierungsgeräte hinzu. Die Investition in eine einzelne Erhebungspipeline ist Dutzende Mal höher als bei Lösungen ohne Roboterplattform. Zudem unterscheiden sich Bewegungsräume und Hardware-Parameter von Robotern verschiedener Marken stark, sodass die Datenwiederverwendungsrate zwischen unterschiedlichen Plattformen extrem niedrig ist. Bei einem Hardwarewechsel muss fast der gesamte Datensatz neu erhoben werden – das Verhältnis von Aufwand zu Nutzen ist weit schlechter als bei der Erhebung ohne Roboterplattform.

Der simulative Ansatz ist durch den technischen Reifegrad beschränkt: Die Genauigkeit der Physik-Engines reicht für komplexe Interaktionsaufgaben nicht aus, sodass er kurzfristig nicht die Hauptdatenquelle sein kann.

Ein ausgereiftes Erhebungskonzept setzt selten nur auf einen einzigen Ansatz, sondern kombiniert sie je nach Anforderung.

Große Internetunternehmen und führende Hersteller humanoider Roboter nutzen eine kombinierte Strategie mit 80/20-Verteilung: 80 % der kostengünstigen Daten ohne Roboterplattform dienen dem Vortraining von Modellen, um die grundlegende Generalisierungsfähigkeit zu steigern. 20 % der hochpräzisen Daten von echten Robotern werden für die Feinabstimmung in spezifischen Szenarien genutzt, um die Erfolgsrate bei praktischen Aufgaben zu gewährleisten.

Zhou Xinghao beschreibt dies als „Grundlage aus groben Daten, Optimierung durch präzise Daten“. Beide Datentypen ergänzen sich in unterschiedlichen Phasen des Modelltrainings und sind unverzichtbar.

Kleine und mittlere Startups mit begrenztem Budget haben diese Möglichkeit nicht – sie müssen meist billige Crowdsourcing-Daten für ihre grundlegende Forschung und Entwicklung kaufen.

An Universitäten und Forschungseinrichtungen ist die Situation ähnlich: Studierende bauen oft selbst Erhebungspipelines auf, die klein dimensioniert und ohne standardisierte Qualitätskontrolle sind. Die Datenqualität ist unbeständig, aber die Kosten sind niedrig – und man kann flexible spezielle Aufgaben definieren, die für die Spitzenforschung geeignet sind.

Zwischen Qualität und Umfang sucht die Branche nach Kompromisslösungen – etwa durch standardisiertere Verwaltung, um die Nutzrate kostengünstiger Daten zu steigern.

Zhou Xinghaos Team wechselte von reinem Crowds