Der "ChatGPT-Moment" der Embodied Intelligence wird möglicherweise nicht für alle gleichzeitig eintreten.

Auf dem WAIC 2026 Embodied AI Forum diskutiert die Branche über ein System, das in der physischen Welt kontinuierlich lernen und sich selbst verbessern kann.

Nach dem Anhören der Diskussionen wurde klar: Obwohl „humanoider Roboter“ immer noch das Konzept ist, das am meisten Aufmerksamkeit auf sich zieht, haben sich die wiederholt diskutierten Schlüsselbegriffe auf der Bühne von Freiheitsgraden, Gelenkzahl und Bewegungsdemonstrationen zu Daten, Modellen, Simulation, Bereitstellung, Fehlerfeedback und kontinuierlichem Lernen verschoben.

Das bedeutet, dass Embodied Intelligence in eine neue Phase eintritt.

In den letzten zwei Jahren musste die Branche zunächst beweisen, dass Roboter „etwas tun können“; jetzt stellt sich die Frage, ob sie diese Hunderte oder Tausende Male hintereinander ausführen können, ob sie in einer anderen Umgebung funktionieren, ob sie sich nach einem Fehler selbst wiederherstellen können und ob ihre Fähigkeiten nach der Bereitstellung weiter wachsen.

Mit anderen Worten: Der Wettbewerb um Embodied Intelligence entwickelt sich von einem Wettbewerb um Roboterprodukte zu einem Wettbewerb um Trainingssysteme und Dateninfrastruktur.

01. Das Scaling Law der physischen KI wird durch Interaktionserfahrungen behindert

Das Scaling Law großer Sprachmodelle ist relativ direkt: Mehr Daten, größere Modelle und mehr Rechenleistung führen in der Regel zu besseren Fähigkeiten.

Aber die physische Welt ist kein Internet, das man einfach durchsuchen kann.

YAO Maoqing, Partner von Zhiyuan und Vorsitzender & CEO von Mifeng Technology, fasste in seiner Rede die Probleme der physischen KI als „drei Mauern“ zusammen: die Datenmauer, die Repräsentationsmauer und die Closed-Loop-Mauer.

Die Datenmauer bedeutet, dass hochwertige echte Interaktionsdaten teuer und knapp sind; die Repräsentationsmauer bedeutet, dass zwischen verschiedenen Aufgaben, Szenarien und Roboterplattformen keine ausreichend einheitliche physische Repräsentation entstanden ist; die Closed-Loop-Mauer bedeutet, dass Versuch und Irrtum in der realen Welt langsam und kostspielig sind – ein einziger Fehler kann zu beschädigten Komponenten führen oder sogar den gesamten Roboter beeinträchtigen.

Diese Einschätzung ist sehr wichtig.

Wenn ein Sprachmodell einen Fehler macht, generiert es normalerweise nur eine falsche Antwort; wenn ein Roboter einen Fehler macht, kann er ein Glas zerbrechen, Personen verletzen oder eine Produktionslinie stilllegen. Was die physische KI wirklich in großem Maßstab braucht, ist nicht nur „Datenvolumen“, sondern vor allem ein ausführbarer, bewertbarer und rückkoppelbarer Interaktions-Closed-Loop.

Das erklärt auch, warum das Anschließen eines großen Modells an einen Roboter nicht gleichbedeutend mit der Umsetzung von Embodied Intelligence ist. Große Modelle sind gut darin, zu beantworten „Was ist das?“ und „Was soll man tun?“, aber Roboter müssen zusätzlich lösen „Wie macht man das?“, „Welche Kraft ist nötig?“, „Was tun nach einem Fehler?“ und „Wie verändert sich die Welt nach Abschluss der Aufgabe?“.

Von digitaler KI zu physischer KI geht es darum, Erfahrungen in großem Maßstab verfügbar zu machen.

02. Daten wechseln von einem „Wettbewerb um Quantität“ zu einem „Wettbewerb um Rezepturen“

Die bemerkenswerteste Veränderung auf diesem Forum ist, dass fast alle Teams nicht mehr glauben, dass eine einzelne Datenquelle das Problem lösen kann.

Die derzeit entstehende Datenstruktur ähnelt grob einer Pyramide.

Auf der untersten Ebene befinden sich die umfangreichsten Internetvideos und Videos menschlicher Handlungen, die kostengünstig und breit abgedeckt sind und dem Modell helfen, Objekte, Szenarien und menschliches Verhalten zu verstehen. Die mittlere Ebene besteht aus „plattformunabhängigen Daten“ wie First-Person-Aufnahmen und UMI, bei denen menschliche Bewegungsbahnen mit tragbaren Geräten aufgezeichnet werden, um die teure Datenerfassung mit Robotern zu umgehen. Die oberste Ebene besteht aus Fernbedienungsdaten echter Roboter, tatsächlichen Betriebsdaten und Rückkopplungsdaten nach Roboterfehlern – sie ist mengenmäßig am kleinsten, aber der echten Ausführung am nächsten.

YAO Maoqing schätzte in der Diskussionsrunde, dass für den „ChatGPT-Moment“ von Robotern – definiert als sofort einsatzbereit, verständnisvoll für offene Anweisungen in natürlicher Sprache und mit einer Erfolgsrate von 70 % bis 80 % bei gängigen Aufgaben – die Embodied-Daten das Niveau von Hunderten Millionen Stunden erreichen müssen. Diese Zahl zeigt, dass die Datenerfassung mit echten Robotern nicht die einzige Lösung sein kann.

SU Hang, stellvertretender Forscher am Institut für Informatik der Tsinghua-Universität, fasste die Entwicklung des Embodied-Pretrainings in drei Richtungen zusammen: Daten entwickeln sich von einer einzelnen Plattform zu multi-source gemischten Daten, Modelle entwickeln sich von Verhaltensnachahmung zu Weltmodellierung, und das Lernen entwickelt sich von Offline-Training zu kontinuierlicher Weiterentwicklung im realen Einsatz.

Das bedeutet, dass zukünftige Modelle nicht nur lernen werden „bei diesem Bild diese Aktion auszuführen“. Sie müssen auch den Fortschritt der Aufgabe verstehen, die Folgen von Handlungen vorhersagen und die Erfahrungen verschiedener Roboterarme, humanoider Roboter und Szenarien zu übertragbaren Fähigkeiten verdichten.

Dadurch wird die Dateninfrastruktur zu einer immer wichtigeren Ebene in der Embodied-Intelligence-Wertschöpfungskette. Mifeng Technology stellte die MEgo-Serie von Erfassungsendgeräten, die MEgo Engine-Plattform für Datenverwaltung und das AGIBOT WORLD-Dataset echter Roboter vor, um Erfassung, Bereinigung, Annotation, Bewertung und Betriebsrückkopplung zu einer durchgehenden Kette zu verbinden. Der kommerzielle Wert wird sich wahrscheinlich von dem „Verkauf einer Datenmenge“ hin zu der Unterstützung von Kunden bei der Gestaltung von Datenrezepturen und dem Nachweis, dass diese Daten die Modellleistung tatsächlich verbessern, verlagern.

Für Embodied Intelligence kann die Skalierung minderwertiger Daten sogar Probleme vergrößern. Abweichungen in Aktionslabels oder nicht ausgerichtete Sensordaten führen nach dem Training zu Fehlern bei der Ausführung durch den Roboter. Das Datenvolumen ist wichtig, aber noch wichtiger ist, ob Daten plattformübergreifend wiederverwendet werden können und ob sie im Closed-Loop mit echten Robotern validiert werden können.

03. VLA und Weltmodelle entwickeln sich von einem Wettbewerb der Ansätze hin zur Integration

In der letzten Zeit gab es eine Debatte in der Embodied-Intelligence-Branche: Sollen Roboter direkt ein Vision-Language-Action-Modell (VLA) verwenden, um Aktionen aus Bildern und Anweisungen end-to-end auszugeben? Oder sollen sie zuerst ein Weltmodell aufbauen, das die Auswirkungen jeder Aktion auf die Umgebung vorhersagt, und dann entscheiden, wie sie handeln?

Den Informationen auf diesem Forum zufolge gehen die beiden Ansätze in Richtung Integration.

Das von Zhiyuan vorgestellte GO-2 betont die „Chain of Thought“ bei Aktionen, sodass der Roboter zuerst eine grobe Planung durchführt und dann hochfrequente, feine Ausführungen abschließt. Act2Goal erreicht „zuerst denken, dann handeln“, indem es visuelle Zwischenzustände vorhersagt. Zhiyuan nennt die integrierte Richtung von VLA und Welt-Aktionsmodell WRAM, also World Reasoning Action Model.

Das von Ren Zhiyi, Forschungswissenschaftler bei Physical Intelligence, vorgestellte Modell π0.7 liefert ein weiteres repräsentatives Ergebnis: Nachdem das Modell auf einem ARX-Roboterarm das Falten von Kleidung gelernt hat, kann es auf einem UR5-Zwei-Arm-Roboter ähnliche Aufgaben ausführen, ohne für die neue Plattform neu feinabgestimmt zu werden.

Plattformübergreifende Übertragbarkeit ist der Schlüssel, damit Embodied Intelligence zu einem plattformbasierten Unternehmen werden kann.

Wenn für jeden neuen Roboterarm, Greifer oder Roboter die Daten neu erfasst und das Modell neu trainiert werden muss, wird die Roboterbranche letztendlich im traditionellen projektbasierten Automatisierungsmodell verharren. Sobald das Modell die Erfahrungen verschiedener Plattformen auf einen einheitlichen Aktionsraum abbilden kann, werden Software und Daten echte Skaleneffekte erzielen.

Der von SU Hang von der Tsinghua-Universität vorgeschlagene Weg zielt ebenfalls auf eine einheitliche Repräsentation ab: Daten entwickeln sich von einer einzelnen Plattform zu multi-source gemischten Daten, Modelle entwickeln sich von Verhaltensnachahmung zu Weltmodellierung, und das Training entwickelt sich von einmaligem Offline-Lernen zu kontinuierlicher Weiterentwicklung während des Betriebs.

Das endgültige physische KI-System könnte ein System mit mehreren Zeitskalen sein: Die obere Ebene versteht Sprache und Aufgaben, die mittlere Ebene sagt zukünftige Zustände voraus und erstellt Pläne, und die untere Ebene ist für die hochfrequente Steuerung und sofortige Reaktion verantwortlich.

Das ähnelt eher der koordinierten Arbeit von Großhirn, Kleinhirn und neuronalem Reflexsystem des Menschen, statt dass ein einzelnes Modell alle Probleme mit der gleichen Frequenz verarbeitet.

04. Der echte Wendepunkt ist der Übergang von „Videos, die man ansehen kann“ zu „Maschinen, die man nutzen kann“

In der Embodied-Intelligence-Branche gab es viele beeindruckende Demonstrationen, aber zwischen Demonstration und Produkt klafft eine große Lücke.

Ein Roboter, der einmal erfolgreich Kleidung faltet, kann ein weitverbreitetes Video erzeugen; was eine Fabrik wirklich interessiert, ist aber, ob er kontinuierlich arbeiten kann, ob die Erfolgsrate stabil ist, ob er sich nach Störungen wiederherstellen kann und ob die Wartungskosten durch eingesparte Arbeitskosten gedeckt werden können.

Auf diesem Forum haben einige Daten eine industrielle Referenzbedeutung erlangt.

Laut Angaben von Zhiyuan vor Ort hat ihr Roboter sechs Tage lang mehr als 10 Stunden pro Tag an einer 3C-Produktionslinie in Nanchang, Provinz Jiangxi, gearbeitet, dabei fast 65.000 Operationen abgeschlossen und eine Erfolgsrate von 99,99 % erreicht.

Dyna Robotics gab bekannt, dass ihr kommerzielles Grundmodell DYNA-1 bei der Serviettenfaltung eine Erfolgsrate von 99,4 % erzielt und innerhalb von 24 Stunden ohne menschliches Eingreifen mehr als 850 Servietten gefaltet hat; für neue Aufgaben werden weniger als eine Stunde an Nach-Trainingsdaten benötigt.

Diese Zahlen müssen noch über längere Zeiträume, in mehr Szenarien und unter Berücksichtigung der tatsächlichen Kosten beobachtet werden, aber die Veränderung der Bewertungsmaßstäbe ist eindeutig: Die Branche beginnt, Roboter nach ihrer kontinuierlichen Betriebszeit, Aufgabenerfolgsrate, erforderlichen Anpassungsdatenmenge und Häufigkeit menschlicher Eingriffe zu bewerten – statt nur nach dem Ergebnis einer einmaligen Demonstration.

Tiefer betrachtet stehen kommerzielle Bereitstellung und allgemeine Intelligenz nicht im Widerspruch zueinander.

Früher befürchteten die Menschen, dass spezifische Projekte die Entwicklung allgemeiner Modelle behindern würden. Aber der „Forschungs-Bereitstellungs-Flywheel“, der von Teams wie Dyna Robotics vorgeschlagen wurde, zeigt, dass der reale Betrieb Probleme aufdecken kann, die im Labor nicht vorhersehbar sind, und die wertvollsten Long-Tail-Daten erzeugen kann. Die Bereitstellung ist nicht nur das Ende nach Abschluss des Modelltrainings, sondern auch der Ausgangspunkt für die nächste Trainingsrunde.

Wer zuerst Roboter in den Einsatz bringt, erhält früher echte Daten; wer Daten schneller verarbeiten kann, hat niedrigere Kosten für nachfolgende Bereitstellungen. Das könnte das wichtigste Flywheel im Zeitalter von Embodied Intelligence werden.

05. Der „ChatGPT-Moment“ wird nicht an einem einzigen Tag kommen

Am Ende der Diskussionsrunde lagen die Schätzungen der Gäste zwischen zwei und fünf Jahren: YAO Maoqing schätzt zwei Jahre, ZHAO Zihao von Sunday Robotics geht von weniger als drei Jahren aus, MA Yecheng schätzt vier Jahre, Ren Zhiyi von vier bis fünf Jahren, und ZHANG Zhenyou gibt einen Bereich von drei bis fünf Jahren an.

Roboter werden wahrscheinlich nicht den Weg von ChatGPT nachahmen, der eines Tages plötzlich alle Menschen erreicht. Der „ChatGPT-Moment“, von dem alle sprechen, bedeutet nicht unbedingt dasselbe Endziel.

ChatGPT ist ein reines Softwareprodukt, das – sobald die Server bereit sind – fast sofort Nutzer auf der ganzen Welt erreichen kann. Roboter sind durch Produktionskapazität, Hardwarekosten, Lieferketten, Sicherheitsstandards und Wartung vor Ort eingeschränkt und können nicht über eine einzige Webseite weltweit verteilt werden.

Physische KI wird sich schichtweise entwickeln.

Stellen Sie sich vor: Zuerst werden Szenarien in Fabriken, Lagerhäusern und Küchen entstehen, in denen die Umgebung relativ strukturiert ist und der Aufgabennutzen klar ist. Danach werden sie in halboffene Umgebungen wie Supermärkte, Hotels und Pflegeeinrichtungen einziehen. Am spätesten werden sie in Privathaushalten reif werden – dort gibt es die meisten Variablen und die höchsten Anforderungen an die Fehlertoleranz.

Daher ist das an Embodied Intelligence wirklich Interessante die Fähigkeit, gleichzeitig Modellkompetenz, Dateninfrastruktur, Simulationsbewertung, Roboterplattformen und echte Betriebsnetzwerke aufzubauen.

In diesem Wettbewerb haben chinesische Unternehmen den Vorteil einer dichten Fertigungslandschaft, einer vollständigen Lieferkette und einer schnellen technischen Umsetzung. Die nächste Frage ist, ob diese Szenarien zu plattform- und branchenübergreifend wiederverwendbaren Modellfähigkeiten führen können.

Wenn immer mehr Roboter in der realen Welt kontinuierlich arbeiten und die täglich erlebten Erfolge, Fehler und unerwarteten Ereignisse wieder zu Trainingsmaterial machen, findet die intelligente Entwicklung der physischen KI bereits statt – nur mit unterschiedlicher Geschwindigkeit und an unterschiedlichen Orten.

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „Wu Duidui“ und wird mit Genehmigung von 36Kr veröffentlicht.