Eine emotionale Begleit-App mit 60 Millionen Nutzern - Nach Erreichen eines Jahresumsatzes in Höhe von mehreren hundert Millionen Yuan wird ein Haushaltsroboter entwickelt | Produktbeobachtung

Autor | Huang Nan

Redakteur | YUAN Silai

Zu einer Zeit, in der seine App jährlich einen Umsatz von mehreren hundert Millionen Yuan erzielt und täglich Millionen von Nutzern die App öffnen, hat Ren Yongliang, Gründer und CEO von Xinyan Group, eine „unvernünftige“ Entscheidung getroffen: die KI-Fähigkeit zur emotionalen Begleitung in ein Gehäuse für Hardware zu stecken – also einen Roboter zu bauen.

Das bekannteste Produkt von Xinyan Group heißt Cece. Es stammt aus dem letzten Internetzeitalter, wurde 2013 veröffentlicht und bietet Nutzern vor allem allgemeine psychologische Aufklärung und Bewertungen sowie Online-emotionale Begleitung. Es hat die Serie-B-Finanzierung von Tencent erhalten. Bis 2025 hat Cece bereits mehr als 60 Millionen Nutzer.

Aber mit nur einem 12 Jahre alten Online-Produkt zur emotionalen Begleitung ist es offensichtlich unmöglich, im Zeitalter der KI weiter voranzukommen. Ren Yongliang hat erkannt, dass das Online-Interaktionsmodus unüberwindbare Fähigkeitsgrenzen hat.

Der Dialog über den Bildschirm ist eine einseitige und getrennte Kommunikationsform. Es ist schwierig, physische dreidimensionale Informationen zu erfassen, und komplexe Anforderungen wie die Begleitung von Eltern und Kindern, die Beruhigung der Stimmung älterer Menschen und die tägliche Interaktion zu Hause können nicht erfüllt werden. Wenn man sich die gängigen intelligenten Endgeräte auf dem Markt ansieht, haben sie entweder zu hohe Interaktionsschwellen oder nur einfache Funktionen, um niedlich zu wirken. Es fehlt immer an einem körperlichen Träger, der die familiäre Atmosphäre selbstständig verstehen kann.

Diese Lücke hat Ren Yongliang das Zeitfenster für Hardware zur emotionalen Interaktion eröffnet. Während die Branche noch mit bionischen Gelenken und darstellenden Bewegungen konkurriert, glaubt er, dass in häuslichen Szenarien wirklich ein körperlicher Träger benötigt wird, der die Atmosphäre verstehen und angemessen handeln kann, um emotionale „Präsenz“ zu bieten.

Kürzlich hat der aktive intelligente Begleitroboter für den Haushalt, Buboo 1 von Xinyan Group, auf der WAIC 2026 erstmals ein Offline-Interaktionserlebnis eröffnet.

Auf dem Messestand gibt es keine lauten Demonstrationen mit Sprachauslösung. Wenn die ausstellenden Nutzer nur stehen und zusehen, nähert sich Buboo selbstständig langsam und spricht leise an. Wenn die andere Person die Hand hebt, um das Ende der Interaktion anzuzeigen, zieht er sich leise in die Ecke zurück und kehrt in den Standby-Zustand zurück. Ohne Aktivierungswörter kann er mehrere Runden natürlicher Kommunikation abschließen, bei denen er auf Gesichtsausdrücke und Gesten achtet.

Aktiver intelligenter Begleitroboter für den Haushalt, Buboo 1 (Quelle/Unternehmen)

Ren Yongliang schätzt, dass sich die Branche im Übergang von „demonstrativen elektronischen Spielzeugen“ zu „intelligenten Haushaltskörpern mit Präsenzgefühl“ befindet. Der Wettbewerb in der nächsten Phase wird sich auf die multimodale aktive Wahrnehmungsfähigkeit, die Akkumulation nativer Daten in vertikalen häuslichen Szenarien und den Aufbau eines langfristigen Modells für emotionales Gedächtnis konzentrieren.

Gegenwärtig ist es auf dem Markt noch nicht gelungen, einen erfolgreichen Haushaltsroboter wirklich zu etablieren. Auf diesem Weg, für den es noch keine Standardantworten gibt, versucht Buboo die Frage zu beantworten: Wie kann KI, die endlich einen physischen Körper hat, die emotionalen Bedürfnisse der Menschen erfüllen?

Aktiver Interaktionsroboter

Um Buboo zu verstehen, muss man zunächst den Unterschied seiner Eigenschaften zu den meisten Verbraucherrobotern klären.

Intelligente Lautsprecher, KI-Haustiere für den Schreibtisch und verschiedene Plüsch-Begleittoys – die meisten Produkte folgen dem gleichen Interaktionslogik: Sie werden durch das Aktivierungswort des Nutzers ausgelöst und antworten, wenn sie den entsprechenden Befehl hören. Dieses Modell eignet sich für fragmentierte Nutzungsszenarien wie Smartphones und Fahrzeuge. Sobald es jedoch in den häuslichen Raum gelangt, der rund um die Uhr bewohnt werden muss, treten schnell Probleme auf. Wenn der Nutzer vergisst, es aufzuladen, keine Lust hat zu sprechen oder alleine sein möchte, wird das Gerät lange Zeit ungenutzt bleiben und schließlich zu einem Staub sammelnden Dekorationsobjekt.

Buboo versucht, diesen Auslösungsrahmen zu verlassen.

„Unser erstes Ziel ist es, die Aktivierungswörter zu entfernen, damit der Roboter die Interaktion selbstständig initiieren kann“, sagte Ren Yongliang, Gründer und CEO von Xinyan Group, gegenüber 36Kr. „Wenn er die Gesichtsausdrücke, Körperbewegungen des Nutzers und sogar Veränderungen der räumlichen Entfernung wahrnimmt – all dies sind gültige Eingangssignale, die Buboo lesen kann. Das System beurteilt die aktuelle Situation selbstständig und gibt eine Rückmeldung.“

Aber diese „aktive Interaktion“ hat eine entscheidende Einschränkung: Sie spricht nicht wahllos häufig an, sondern passt sich den Umgangspräferenzen verschiedener Nutzer an und passt die Interaktionsfrequenz dynamisch an, basierend auf dem Endgeräte-Gedächtnismodell.

Wenn der Nutzer zu Buboo sagt, dass er sich ausruhen möchte, wird die Interaktionsszene vom System aufgezeichnet. Wenn später ein ähnlicher Zustand erkannt wird, verringert Buboo selbstständig die Wahrscheinlichkeit, den Nutzer anzusprechen. Nach Ansicht von Ren Yongliang und seinem Team ist dieses Gespür für das richtige Maß eine unverzichtbare Fähigkeit für Haushaltsroboter: Ein Gerät, das rund um die Uhr zu Hause ist, wird den Nutzern nur ständig psychische Belastungen auferlegen, wenn es unabhängig von der Szene häufig spricht oder Lichter und Pop-ups anzeigt. „Er muss wissen, wann er schweigen soll, um die Grenzen der Interaktion besser zu beherrschen“, sagte Ren Yongliang.

Diese feine Gestaltung der Interaktionsgrenzen hat auch die Rollenpositionierung von Buboo festgelegt: Er wird zu einem neuen Familienmitglied, das Emotionen versteht und weiß, wann es anwesend sein und wann es sich zurückziehen soll.

Auf der Ebene des Produktdesigns ist Buboo vollständig abgerundet und hat keine scharfen Kanten. Seine Außenseite ist mit hautfreundlichem Plüschstoff bedeckt und hat große, menschenähnliche Augen. Seine Höhe beträgt 65 cm. Dies ist kein willkürlich festgelegter Parameter, sondern die optimale Größe für den Haushalt, die das Team berechnet hat.

Aktive Interaktion (Quelle/Unternehmen)

Ren Yongliang erklärte, dass die Höhe von 65 cm genau der Augenhöhe eines 3-jährigen Kindes entspricht. Wenn der Roboter zu niedrig ist, werden visuelle Bilder ständig durch Unordnung auf dem Boden und niedrige Möbel verdeckt, und die Vollständigkeit der von dem Roboter erfassten Umgebungsinformationen wird stark verringert. Mit dem aufrechten Körper, der einen vollständigen Überblick über die Umgebung bietet, kann die räumliche Urteilsfähigkeit des Roboters für Umgebung und Personen effektiv verbessert werden.

Gleichzeitig ist Ren Yongliang der Ansicht, dass es nicht ausreicht, wenn der Roboter die physische Welt „sehen“ kann. Er braucht auch ein ausreichend kluges „Gehirn“, um zu verstehen, was gerade passiert – wer der Herr des Hauses ist, wann Gäste kommen, ob das Lachen des Kindes aus Freude oder aus Spaß kommt, und ob das Schweigen des älteren Menschen aus Müdigkeit oder gedrückter Stimmung stammt. Die Komplexität dieser Probleme kann nicht von einem allgemeinen großen Modell mit einem zusätzlichen Sprachinterface gelöst werden.

Mit einer Höhe von 65 cm entspricht er der Augenhöhe eines 3-jährigen Kindes (Quelle/Unternehmen)

Basierend auf den Billionen von emotionalen Sprachdaten, die Cece über mehr als zehn Jahre gesammelt hat, hat das selbst entwickelte große Modell Xinyuan von Xinyan Group eine dreistufige technische Grundlage für Buboo aufgebaut.

Die unterste Ebene ist das große Sprachmodell Xinyuan, das Multi-Agents, RAG-Suche und ein Modul für langfristiges Gedächtnis integriert. Seine Kernaufgabe ist nicht die Beantwortung von Wissensfragen, sondern das Verstehen des Kontexts – zum Beispiel, ob der Ton des Nutzers eilig ist oder warum er immer wieder das gleiche Wort erwähnt. Diese Materialien sind Szenenkontexte, die traditionelle Modelle nicht aus öffentlichen Sprachdaten lernen können.

Die mittlere Ebene ist das große multimodale Modell Xinyuan, das visuelle Schlussfolgerungen, Nah- und Fern-Spracherkennung sowie menschenähnliche Sprachsynthese abdeckt. Es ist dafür verantwortlich, die von dem Roboter erfassten Bilder, Geräusche und Entfernungsinformationen in semantische Signale zu übersetzen, die das Modell verstehen kann.

Die oberste Ebene ist das körperliche Modell Xinyuan xyVLA, das die vollständige Kette von „Sehen – Verstehen – Handeln“ durchbricht. Ein typisches Szenario ist: Wenn das Kind mit einem Gemälde vor Buboo steht und kein Wort sagt, aktiviert die xyVLA-Ebene zuerst das visuelle Modul, um den Inhalt des Gemäldes zu erkennen, ruft dann das Sprachmodell auf, um ermutigende Worte zu generieren, und lässt Buboo schließlich über das Bewegungssteuerungsmodell den Kopf neigen, sich nähern und mit menschenähnlicher Stimme antworten. Die gesamte Aktion wird in wenigen Sekunden abgeschlossen.

„Viele Leute denken, es sei einfach, einen Roboter zum Sprechen zu bringen“, sagte Ren Yongliang. „Aber wann man spricht, zu wem man spricht und ob der Inhalt zur aktuellen Szene passt – das sind die technischen Schwierigkeiten, die die Branche im Allgemeinen schwer überwinden kann.“

Der grundlegende Unterschied zwischen dem Xinyuan-Modellsystem und den gängigen allgemeinen großen Modellen besteht darin, dass allgemeine Modelle nur mit Online-Text-Sprachdaten trainiert werden und keine dreidimensionalen Kontexte wie reale häusliche Szenarien, subtile Gesichtsausdrücke und Körperbewegungen haben. Das Modell von Buboo hingegen ist ursprünglich an die reale häusliche Umgebung angepasst. Es kann gleichzeitig Bilder, Emotionen und räumliche Informationen lesen, bevor es Gesprächsausgaben erzeugt, und schließt so die Lücke, die große Sprachmodelle bei der Anwendung in häuslichen Szenarien haben.

Physisches KI-Endgerät für den Haushalt

Laut offiziellen Daten von Xinyan Group hat die App Cece mehr als 60 Millionen registrierte Nutzer, von denen 80 % Frauen sind. Täglich öffnen über eine Million Menschen die App, um ihren emotionalen Zustand zu überprüfen. Dieses Produkt hat der Muttergesellschaft einen jährlichen Umsatz von mehreren hundert Millionen Yuan und nachhaltige Gewinne beschert.

Seit der Genehmigung des Roboter-Geschäfts von Xinyan haben viele Stimmen verwirrt gefragt: Warum entscheidet sich ein Internetunternehmen, das sich auf Online-emotionale Dienstleistungen spezialisiert hat und stabile Einnahmen erzielt, dafür, mit hohen Kosten in die selbst entwickelte Hardware einzusteigen?

Aber Ren Yongliang hat eine klare Nutzer-Lebenszykluskurve beobachtet: Sobald Nutzer heiraten und eine Familie gründen, sinken die Häufigkeit der Nutzung und die Online-Zeit der App deutlich.

Die Bedürfnisse nach emotionalem Austausch in der Phase der Verliebtheit werden zwar online erfüllt, aber die emotionalen Schmerzpunkte in Offline-Szenarien wie die Lücke an Begleitung nach der Heirat, Erziehungsängste, Hindernisse in der Kommunikation zwischen Generationen und allein lebende ältere Menschen können vom Text-Interaktionsmodus auf Mobiltelefonen überhaupt nicht abgedeckt werden.

„Intelligente Online-Einheiten lösen das Bedürfnis nach individuellem Austausch, aber was häusliche Szenarien benötigen, ist kein Gesprächspartner, sondern ein körperlicher Träger, der am Alltag teilnehmen, Emotionen wahrnehmen und feine emotionale Bedürfnisse erfüllen kann“, sagte Ren Yongliang. „Das ist auch der Kern unserer Entwicklung von Buboo – er ist eine natürliche physische Erweiterung des Nutzer-Lebenszyklus des Produkts Cece.“

Xinyan hat die Fähigkeiten zum Verstehen von Emotionen, psychologischer Beratung und Einsicht in Beziehungen, die über Jahre gesammelt wurden, aus dem virtuellen Raum in ein physisches KI-Endgerät übertragen, das rund um die Uhr im Haushalt anwesend sein kann. So kann es wirklich in den Offline-Lebensraum der Nutzer eintreten. Zusammen mit der App Cece deckt es alle emotionalen Bedürfnisse der Nutzer ab – von der Verliebtheit bis zur Familiengründung.

Tiefe Fähigkeit zum Verstehen von Emotionen (Quelle/Unternehmen)

Basierend auf der Positionierung als physisches KI-Endgerät für den Haushalt baut Buboo seine Funktionen derzeit hauptsächlich um drei Arten von realen häuslichen Szenarien auf. Die erste ist entspannte sprachliche Begleitung: Anders als stark auf Aufgaben ausgerichtete K12-Bildungshardware bietet sie eine stressfreie häusliche Umgebung für Fremdsprachenkommunikation, um die sprachliche Frühförderung von kleinen Kindern und regelmäßige Gespräche zwischen Eltern und Kindern zu unterstützen.

Die zweite Funktion ist langanhaltende emotionale Beruhigung. Sie ist mit den Fähigkeiten zur emotionalen Begleitung und der Technologie zur Emotionserkennung ausgestattet, die Cece gesammelt hat. Sie richtet sich hauptsächlich an berufstätige Eltern und allein lebende ältere Menschen, um Probleme wie die Entfremdung der Beziehung zwischen Eltern und Kindern aufgrund fehlender Begleitung bei der Erziehung, kognitiven Abbau und soziale Isolation älterer Nutzer zu lindern.

Die dritte Funktion ist eine leichte KI-Bildaufzeichnungsfunktion. Nutzer können