Drei führende Experten für Embodied Intelligence auf der WAIC 2026 im Gespräch: Wie ermöglichen Weltmodelle Robotern, die Welt zu "verstehen"?

Wenn man von den heißesten Orten im Inland in diesen Tagen spricht, gibt es keinen, der Shanghai übertrifft;

Wenn man von den belebtesten Orten im Inland in diesen Tagen spricht, ist es ebenfalls Shanghai.

Die WAIC 2026 scheint das ohnehin schon heiße Shanghai noch ein paar Grad weiter auf über 40 Grad erhitzt zu haben, was jedoch die Begeisterung der Menschen für diese jährliche erste KI-Ausstellung des Landes nicht mindert.

Gerade nach der Eröffnung fragten uns Freunde, ob wir einen Kanal hätten, um ein paar Tickets zu bekommen – natürlich waren die Tickets für die WAIC 2026 längst heiß begehrt und kaum zu ergattern.

Unser Eindruck am ersten Messetag war: In der heutigen KI hat Embodied Intelligence bereits die absolute Hälfte des Marktes eingenommen. Ganz zu schweigen davon, dass im „Platzbereich“ des gesamten Messegeländes vor allem Embodied Roboter im Mittelpunkt der Ausstellung standen – der Mech-Roboter GD01 von Unitree wurde sogar direkt am Hauptsichtpunkt am Eingang platziert.

Noch wichtiger ist, dass die WAIC 2026 einen ganzen Messebereich direkt den Embodied Robotern widmete – die Zahl der beteiligten Unternehmen ist von über 80 im letzten Jahr auf mehr als 200 sprunghaft angestiegen.

Vor Ort herrschte ein Menschenandrang, und die ausgestellten Roboter waren ebenso zahlreich wie die Besucher.

Bei Gesprächen mit den Unternehmen vor Ort stellten wir ein Phänomen fest:

Die meisten Roboterteams haben sich von Technikforschern zu Pragmatikern entwickelt.

Man könnte meinen, die Embodied Intelligence-Technologie sei bereits für den breiten kommerziellen Einsatz bereit – tatsächlich ist das nicht der Fall. Sogar Richard Sutton, der „Vater des Verstärkenden Lernens“, wies in seiner Rede auf der WAIC 2026 darauf hin, dass die derzeitige KI, repräsentiert durch große Sprachmodelle, sich noch in einem sehr frühen Stadium befindet.

Dennoch haben sich sowohl die Überlegungen der Investoren, der Gründerteams als auch der Kunden und des Marktes dahingehend verändert, dass man sich zunehmend fragt, was man mit Embodied Robotern praktisch nutzen kann.

Vor allem mit einer Logik, die Probleme tatsächlich löst.

So sehen wir, dass vielfältige abgeleitete Hardware-Formen auf Basis humanoider Roboter zu „generalisieren“ beginnen und zur Hauptkraft für die praktische Anwendung von Embodied Robotern werden.

Aber wenn man fragt, welche technische Frage die Menschen am meisten beschäftigt?

Dann ist es zweifellos das „Gehirn“ der Roboter – vor allem wie man Weltmodelle sinnvoll nutzt, um ein universelles Gehirn für Embodied Roboter zu schaffen. Auf dem Hauptforum der WAIC 2026 hörten wir einen Dialog über Weltmodelle für Embodied Intelligence.

Die Gesprächsteilnehmer waren:

YAO Maoqing, Partner von Agibot, Vorsitzender und CEO von Mifeng Technology,

CHEN Yilun, Gründer und CEO von Ts Intelligence,

JIANG Xu, Gründer und CEO von Lightly Innovations.

Die ersten beiden sind derzeit führende Teams im Bereich Embodied-Daten im Inland, letzteres ist ein Star-Team, das 2024 vom ehemaligen Algorithmusleiter von OpenAI gegründet wurde, um Begleitroboter zu entwickeln.

Man muss wissen, dass Begleitroboter in diesem Jahr eine beispiellose Aufmerksamkeit erfahren, und ihre Anforderungen an das Gehirn sind noch höher.

Wir haben den Dialog dieser drei führenden „Gehirne“ im chinesischen Embodied-Bereich über das „Embodied-Gehirn“ zusammengefasst, ohne den ursprünglichen Sinn zu verändern:

01 Fähigkeit: Den nächsten Zustand vorhersagen, die nächste Aktion vorhersagen

Frage: Wie soll ein Weltmodell eigentlich aussehen? Welche Fähigkeit ist für ein echtes Weltmodell unverzichtbar?

YAO Maoqing: Unserer Meinung nach hängt das Weltmodell mit seiner ursprünglichen Definition im Bereich des Verstärkenden Lernens zusammen. Sein Kernwesen ist ein KI-System, das die Gesetze der physischen Welt verstehen kann.

Auf Basis eines solchen KI-Systems ist die wichtigste Funktion, den nächsten Zustand der Welt vorhersagen zu können – nicht einfach nur das nächste Bild oder den nächsten Inhalt der Welt zu rendern.

Um diese Fähigkeit zu erlangen, müssen ursprünglich folgende vier Fähigkeiten beherrscht werden:

Erstens: Man muss Multimodalität verstehen, verschiedene Arten von Informationen aus der realen Welt aufnehmen und sie zusammenführen, um Veränderungen in der Umgebung zu verstehen;

Zweitens: Man muss die physikalischen Gesetze beherrschen, einschließlich Dynamik, Raumverständnis usw.;

Drittens: Man muss über gewisse Fähigkeiten zum kausalen Schlussfolgern verfügen, nicht einfach nur die Sequenz von Bildern simulieren – zum Beispiel muss man verstehen, dass ein Objekt nur bewegt wird, wenn eine Kraft darauf wirkt;

Viertens: Man muss über gewisse langfristige Schlussfolgerungsfähigkeiten verfügen, ohne dass der Prozess zusammenbricht.

CHEN Yilun: Wir definieren das Weltmodell im Bereich Embodied Intelligence selbst als ein KI-Modell, das Aktionen und Zustände mit sehr hoher Frequenz gemeinsam vorhersagen kann – eine Definition, die in der Robotik und im Bereich des autonomen Fahrens beliebt ist.

Im Vergleich zu VLA: VLA ist ein neuronales Netz, das dem Roboter sagt, was die nächste Aktion ist und welche Aktion er ausführen soll;

Aber das Weltmodell sagt dir zusätzlich, wie sich der Zustand der Welt verändern wird, wenn du diese Aktion ausführst – es sagt dir sogar, ob diese Veränderung erwünscht ist. Das bildet die drei klassischen Elemente des Verstärkenden Lernens: State, Action und Reward.

Der Vorteil dieser Methode besteht darin, dass sie überwachtes Lernen und Verstärkendes Lernen flexibel kombinieren kann, was zu einer sehr hohen Abschlussrate und Erfolgsquote bei Aufgaben führt.

Bei Interaktionen von Robotern und autonomen Fahrzeugen mit der physischen Welt sind Erfolgsquote und Qualität der Aufgabenerfüllung wichtig – daher sollte das neuronale Netz nicht nur die Aktion ausgeben, sondern auch die Informationen hinter der Aktion liefern.

Aus algorithmischer Sicht sagt das Weltmodell die gemeinsame Verteilung von Aktion und Zustand voraus. Wenn wir diese gemeinsame Verteilung marginalisieren und einen Teil davon herausnehmen, können wir den Aktionszweig extrahieren – er bildet automatisch ein visuelles Aktionsmodell oder VLA-Modell, ein vollständigeres technisches Framework.

JIANG Xu: Ich denke, die Kernaufgabe und die vorauszusagenden Informationen des Weltmodells teilen sich in zwei Teile:

Erstens: Den nächsten Zustand der Welt vorhersagen – oder bei Videogenerierungsmodellen das nächste Frame vorhersagen;

Zweitens: Die nächste Aktion vorhersagen.

Wenn ich zwischen diesen beiden Informationen wählen muss, denke ich, dass die Vorhersage der nächsten Aktion viel wichtiger ist als die des nächsten Zustands – denn das endgültige Ziel des Trainings von Weltmodellen ist es, Roboter zu steuern.

Die Entwicklung großer Modelle in den letzten Jahren hat im Wesentlichen durch „Nachahmen des Menschen“ schließlich das „Übertreffen des Menschen“ erreicht.

In den letzten Jahrzehnten der Internetentwicklung entstand eine riesige Menge menschlicher Texte im Internet. Große Sprachmodelle können durch Nachahmung dieser Texte menschliche Fähigkeiten erlernen und diese schließlich allmählich vollständig übertreffen.

Unserer Meinung nach sollte der wahrscheinlichste Weg, auf dem Weltmodelle/Embodied Intelligence funktionieren, ähnlich sein – in großem Maßstab den Menschen nachahmen und ihn übertreffen.

Aber wenn Menschen verschiedene Aktionen in der physischen Welt ausführen, verbringen sie tatsächlich nicht viel Zeit damit, den nächsten Zustand der Welt vorherzusagen. Wir führen viele Aktionen sehr intuitiv und instinktiv aus – vorausgesetzt, wir haben ausreichende Beobachtungen und visuelle Informationen.

Daher denke ich, dass Zustände wahrgenommen und Aktionen vorhergesagt werden sollten. Schließlich erfordert der Durchbruch von Weltmodellen eine große Menge an Datenpaaren (Zustand → Aktion), die in das große Modell eingespeist werden.

Gleichzeitig möchte ich darauf hinweisen: Weltmodelle sind in diesem Jahr plötzlich extrem populär geworden, aber ich denke, dass man mit Weltmodellen allein keine allgemeine Embodied Intelligence erreichen kann.

Wir sehen, dass alle Bereiche mit großen KI-Entwicklungen in den letzten Jahren mindestens drei Paradigmenbrüche erforderten. Diese drei sind:

Skalierbares Vortraining, skalierbares Alignment sowie skalierbare Kommerzialisierung und Bereitstellung.

Beispielsweise gelten diese drei Paradigmenbrüche für Sprachmodelle, ChatGPT, Codemodelle und autonomes Fahren gleichermaßen. Ich denke, Weltmodelle und Embodied Intelligence bilden da keine Ausnahme – Embodied Intelligence ist nur ein Problem neuer multimodaler großer Modelle.

02 Engpass: Daten für echte physische Interaktion sind noch unzureichend

Frage: Was ist Ihrer Meinung nach der größte Unterschied zwischen den aktuellen Weltmodellen und den idealen Weltmodellen? Wo liegt der größte technische Engpass?

JIANG Xu: Die wichtigste Fähigkeit von Weltmodellen und Embodied Intelligence besteht darin, die nächste Aktion aus der Beobachtung der Welt und visuellen Wahrnehmungen zu generieren – die heutigen gängigen Weltmodell-Frameworks können diese beiden Dinge nicht gleichzeitig gut erfüllen.

Diese beiden Dinge widersprechen sich im Wesentlichen: Wahrnehmung ist Verständnis, Generierung ist Rekonstruktion.

In den letzten Jahren haben viele führende Wissenschaftler im Bereich multimodaler großer Modelle gehofft, Generierung und Verständnis in einem eleganten Framework zu vereinen.

Nach mehrjährigen Versuchen ist man sich in diesem Bereich einig: Das ist nicht möglich – denn Generierung und Verständnis erfordern sehr unterschiedliche Repräsentationen.

Die heutigen Weltmodell-Architekturen stoßen genau auf ein solches Problem: Es ist sehr schwierig, Zustandsvorhersage und Aktionsvorhersage mit derselben Methode gleichzeitig zu bewältigen.

Gängige Architekturen neigen entweder zur Generierung oder zum Verständnis – genau dieses Problem löst Lightly durch Innovationen bei Architektur und Daten.

CHEN Yilun: Ich denke, das größte Problem ist, dass heute keine großen Mengen an Daten verfügbar sind, um echte Weltmodelle für die physische Welt zu trainieren.

Denn Videos sind keine vollständigen Daten über die physische Welt – aus Sicht von Robotik und autonomem Fahren geht es um Geometrie und Semantik, um nicht-kollidierende Systeme.

Der wichtigste Wert von Robotern liegt in der Manipulation: Alle Manipulationen sind Kontaktsysteme. Für physische Informationen braucht man nicht nur Videos, sondern auch grundlegende physikalische Größen wie Kraft, Kontakt und Flexibilität.

Videos liefern nur Geometrieinformationen – man kann das zweite Newtonsche Gesetz nicht allein durch Betrachten eines Videos entdecken, denn man kann Position und Beschleunigung durch Videos wahrnehmen, aber Masse und Kraft nicht.

Unserer Meinung nach müssen große Trainingsdaten drei Bedingungen erfüllen:

Erstens: Die Modalitäten der KI für die physische Welt müssen vollständig sein – neben Videos braucht man auch Kraft und Tastsinn als Grundlagen;

Zweitens: Man muss ein Weltmodell trainieren, bei dem Aktion und Zustand in hoher Frequenz interagieren. Solche Daten müssen ständig den Zustand durch Aktionen verändern, also ständig die Welt verändern und Aufgaben erledigen – Geometriedaten reichen nicht aus, um ein Weltmodell mit hoher Interaktionsintensität zu trainieren;

Drittens: Um die Gesetze der realen Welt zu erlernen, müssen alle Daten aus realen Szenarien, realen Daten und realen Aufgaben stammen – nur mit solchen großen Datenmengen kann das Modell trainiert werden.

Welche Größenordnung brauchen diese Daten ungefähr?

Nehmen wir das uns vertraute autonome