Erstveröffentlichung von Yingke | Professor der Fudan-Universität und ehemaliger Chefwissenschaftler von Intel entwickeln ein endgeräte-nahes verkörpertes Gehirn, „Moushen Intelligence“ hat die zusätzliche Pre-A-Finanzierungsrunde im Umfang von fast 100 Millionen Yuan abgeschlossen.

Autor | Qiu Xiaofen

Redakteur | Yuan Silai

Hard Krypton erfuhr, dass Motion Brain eine zusätzliche Pre-A-Finanzierungsrunde von fast 100 Millionen Yuan abgeschlossen hat. Die Investoren dieser Runde umfassen ein führendes chinesisches Immobiliendienstleistungsunternehmen, ein Hongkonger Finanzkonsortium, Jinyue Investment – eine Industriinvestitionsplattform, die gemeinsam von mehreren börsennotierten Unternehmen gegründet wurde –, Chuanghehui Capital sowie den Altinvestor Xuhui Capital.

Es handelt sich zudem um eine weitere Investition, die Motion Brain innerhalb von zwei Monaten nach der 300-Millionen-Yuan-Pre-A-Runde im Mai 2026 erhalten hat. Darüber hinaus läuft die Abwicklung der fast 500 Millionen Yuan umfassenden Pre-A+-Finanzierungsrunde des Unternehmens. Das Unternehmen teilte mit, dass die Bewertung von Motion Brain seit der ersten Hälfte dieses Jahres um mehr als das Zehnfache gestiegen ist. Es gehört zu den Embodied-Brain-Unternehmen mit der schnellsten Entwicklungsgeschwindigkeit in der Branche.

Motion Brain wurde im Januar 2025 gegründet und positioniert sich als weltweit führendes Unternehmen für selbstentwickelnde Embodied-Brain-Lösungen, das am besten mit Bewegungen vertraut ist. Es verfolgt das Ziel, 1 Milliarde Roboter mit einem nativen allgemeinen Gehirn auszustatten.

Das Unternehmen wurde gemeinsam von Professor Chen Tao, dem Direktor des Labors für tiefes Lernen an der Fudan-Universität, Dr. Zhang Yimin, dem ehemaligen Chefwissenschaftler von Intel China, und dem Serienunternehmer Mu Zelin gegründet. Das Kernteam verfügt über Mitarbeiter mit Hintergrund bei den drei Chipgiganten HiSilicon, Intel und NVIDIA und ist eines der wenigen Teams in China, das über Anpassungsfähigkeit auf Operatorebene für große Embodied-Modelle verfügt.

Obwohl das Unternehmen erst 2025 registriert wurde, begann die technische Akkumulation von Motion Brain bereits 2022. In Bezug auf den technischen Weg wählte Motion Brain einen anderen Ansatz als das gängige VLA (Vision-Language-Action): das "Weltbewegungsmodell" (World Motion Model), das auf Bewegungen ausgerichtet ist.

(Quelle des Bildes / Unternehmen)

Seit 2022 hat das Team von Motion Brain bereits das MLD (Latent Space Motion Diffusion Model) veröffentlicht. Zu dieser Zeit betrachtete die Branche Bewegungen überwiegend als diskrete Signale, was zu steifen und wenig vielfältigen generierten Bewegungen führte. Das Team von Motion Brain hat weltweit erstmals vorgeschlagen, Bewegungen in den latenten Raum (Latent Space) abzubilden und ein Diffusionsmodell (Diffusion Model) einzuführen.

MLD ermöglicht es der KI, Bewegungen "autodidaktisch" zu erzeugen: Roboter müssen nicht mehr bild für bild beigebracht werden, wie sie laufen sollen. Stattdessen kann das Modell wie ein Maler, der Rauschen entfernt, natürliche und kohärente menschliche Haltungen aus einem zufälligen Rauschcluster wiederherstellen.

Wenn MLD das Problem gelöst hat, "wie man Bewegungen erzeugt", konzentrierte sich Motion Brain weiter darauf, wie man "Bewegungen steuert". Im September 2023 veröffentlichte das Team kreativ das MotionGPT. Ähnlich wie die Grundstriche chinesischer Schriftzeichen zerlegte das Team menschliche Haltungen in etwa 3000 "Bewegungsgrundelemente". Genau wie große Sprachmodelle (LLM) Sätze generieren, indem sie das nächste Token vorhersagen, generiert MotionGPT komplexe Verhaltensweisen, indem es das nächste "Bewegungs-Token" vorhersagt.

Diese Verarbeitungsmethode, die kontinuierliche Bewegungen diskretisiert, verbessert nicht nur das Verständnisvermögen des Modells für Aufgaben mit langen Sequenzen erheblich, sondern vor allem verleiht sie Robotern die Zero-Shot-Generalisierungsfähigkeit: Unbekannte Bewegungsanweisungen können durch die Neukombination von Bewegungsvokabeln verstanden und ausgeführt werden. Es ist zudem das weltweit erste große Embodied-Modell, das Bewegungen zu Tokens verarbeitet, und wurde auf der NeurIPS 2023 veröffentlicht.

Bis 2026 hat das Team insgesamt 7 Generationen von Modellen veröffentlicht. Auf der Grundlage der vorgenannten Akkumulation hat das Team von Motion Brain zudem das große Embodied-Modell STI-WM (Space-Time Integrated World Motion Model) auf den Markt gebracht.

Das STI-WM-Weltbewegungsmodell mit integriertem Raum und Zeit ist ein natives Embodied-Intelligenz-Framework, das vollständig für die langfristige Planung von Robotern, die geschlossene Online-Steuerung und die echte physische Interaktion entwickelt wurde. Es realisiert die vierdimensionale Integration von Raumstruktur, zeitlicher Entwicklung, physischer Konsistenz und Ausführungsrobustheit.

Nach Angaben des Unternehmens liegt der zentrale Durchbruch von STI-WM darin, dass es die starke Abhängigkeit traditioneller VLA-Modelle (Vision-Language-Action) von massiven echten Roboterdaten vollständig beseitigt. Es verwendet eine Trainingsrezeptur aus "80 % Internetvideos + 10 % Motion-Capture-Daten + 10 % echten Roboterdaten" und nutzt das von MotionGPT aufgebaute Bewegungsvokabular, um physische Gesetze aus massiven unannotierten Videos zu lernen, dann biomechanische Merkmale mit einer kleinen Menge an Motion-Capture-Daten zu kalibrieren und schließlich die geschlossene Ausrichtung mit nur 10 % echten Roboterdaten abzuschließen.

Das heißt, dieses neue Datentrainingsparadigma reduziert den Bedarf an echten Roboterdaten um 90 % und erhöht gleichzeitig die Bewegungsgenauigkeit auf 99 %.

Gleichzeitig verleiht das T²MB (Task*Task Motion Brain), das das Team von Motion Brain im März dieses Jahres vorgeschlagen hat, Robotern die Fähigkeit zur offline-basierten Selbstverbesserung. Wenn das Modell auf der Endseite bereitgestellt wird, kann es die Leistung durch lokale Interaktion ständig optimieren, ohne dass Daten zurückübertragen werden müssen. Die Genauigkeit der Aufgabenausführung kann um bis zu 25 % gesteigert werden, was das Problem löst, dass Roboter nach der Inbetriebnahme zur Fehlerbehebung zum Hersteller zurückgebracht werden müssen.

Es ist erwähnenswert, dass das DAIR-Labor von NVIDIA in seinem neuesten Modell ARDY die beiden originellen Technologien MLD und MotionGPT von Motion Brain zitiert hat – dies ist die vierte Bezugnahme der dritten Generation von Bewegungsmodellen von NVIDIA auf den technischen Weg des Unternehmens in den letzten zwei Jahren.

Was jedoch wirklich darüber entscheidet, ob dieses Gehirn in großem Maßstab eingesetzt werden kann, ist neben dem technischen Weg auch die Kosten für die Rechenleistung auf der Endseite, was ebenfalls ein großer Wettbewerbsvorteil von Motion Brain ist. Nach Angaben des Unternehmens verfolgt Motion Brain seit der ersten Generation von Modellen zwei Richtungen gleichzeitig: Modellkompression und Anpassung an inländische Chips.

Einerseits komprimiert Motion Brain das Modell mit hunderten Milliarden von Parametern auf eine Größenordnung von zehn Milliarden Parametern durch ingenieurtechnische Lösungen wie Modelldestillation und Kompression redundanter Parameter. In spezifischen Szenarien wird die Anzahl der Parameter um etwa 75 % reduziert und die Inferenzverzögerung auf der Endseite von etwa 200 Millisekunden auf etwa 10 Millisekunden gesenkt. Andererseits passt es gleichzeitig inländische Chip-Plattformen wie HiSilicon (Ascend 310/910), Horizon und Enflame (Enflame S60) an, um Endseiten-Inferenz mit niedrigem Stromverbrauch, hoher Echtzeitleistung und extrem niedrigen Kosten zu realisieren.

Diese Methode der kooperativen Arbeit von Software und Hardware führt direkt dazu, dass die Kosten für die Endseiten-Inferenz des Modells von 200.000 Yuan auf 10.000 Yuan gesenkt werden, die Akkulaufzeit des Gehirns um das Zehnfache erhöht wird, während Genauigkeit und Leistung nicht einbüßen. Diese Kompressionsarbeit hat dem Team zudem den globalen Best Paper Award der IJCAI 2025 eingebracht – es ist das einzige Festlandchinesische Team, das diese Auszeichnung in den letzten fünf Jahren erhalten hat.

Auf der Grundlage dieser Fähigkeit kann Motion Brain die Anpassung eines großen Embodied-Modells von einem Roboterprototypen zu einem anderen innerhalb von zwei Wochen abschließen, einschließlich der Prototypen "Guanghua Nr. 1", der von der Fudan-Universität selbst entwickelt wurde, Unitree G1, "Qinglong" und "Linglong" des Shanghaier Innovationszentrums für humanoide Roboter.

(Quelle des Bildes / Unternehmen)

Mu Zelin, Gründer und CEO von Motion Brain, erklärte, dass die inländische Embodied-Intelligenz-Branche überwiegend das Schema anwendet, Modelle auf ausländischen Chips zu trainieren und sie dann an inländische Chips anzupassen, was zu schwerwiegenden Leistungseinbußen und Kompatibilitätsproblemen führt. Motion Brain wird in Zukunft den gesamten Prozess des Modelltrainings und der Inferenz auf der Basis von inländischen Rechenleistungschips nativ entwickeln, um einen vollständig unabhängigen und kontrollierbaren Technologie-Stack zu realisieren.

Auf der Ebene der Kommerzialisierung ist Motion Brain eines der wenigen Unternehmen für Embodied-Intelligenz-Gehirne in China, das derzeit Einnahmen erzielt. Mu Zelin teilte Hard Krypton mit, dass die geprüften Einnahmen des Unternehmens im Jahr 2025 10 Millionen Yuan betrugen, die Einnahmen in der ersten Hälfte des Jahres 2026 30 Millionen Yuan erreichten und die erwarteten Einnahmen in diesem Jahr über 50 Millionen Yuan liegen werden.

Derzeit decken die Kunden des Unternehmens Szenarien wie industrielle Prüfung, Immobilienverwaltung und Abfallentsorgung ab. Im ersten Quartal 2026 hat Motion Brain Roboterprodukte an ein an der Hongkonger Börse notiertes Immobiliendienstleistungsunternehmen und ein führendes an der A-Aktien-Börse notiertes Abfallentsorgungsunternehmen ausgeliefert. Es wird derzeit die Entwicklung von Einsatzszenarien für humanoide Roboter mit führenden Einzelhandelsketten und führenden weißen Haushaltsgerätefabriken vorangetrieben.

Im Folgenden das Transkript des Gesprächs zwischen Hard Krypton und Mu Zelin (leicht gekürzt und bearbeitet)

Hard Krypton: Wie werden Bewegungen zu Tokens? Ist dies ein Schwierigkeitspunkt in der Branche?

Mu Zelin: Das ist tatsächlich ein Engpass in der Branche. Wir können Bewegungen als "digitalisierte Haltungen" verstehen: Genau wie eine Seite eines Bilderbuchs eine statische Haltung darstellt, wird durch das fortlaufende Umblättern eine Animation erzeugt. In der Frühphase hat unser Team mit Dutzenden von Mitarbeitern manuell Zehntausende von Haltungen annotiert und mehr als 3000 grundlegende Bewegungs-Tokens definiert, ähnlich wie die 3000 gebräuchlichsten chinesischen Schriftzeichen, deren Kombination alle menschlichen Verhaltensweisen abdecken kann.

Der Kernpunkt besteht darin, das Modell die Zusammenhänge zwischen Bewegungen lernen zu lassen: Genau wie große Sprachmodelle die Anordnungsregeln von Wörtern durch das Lernen massiver Texte beherrschen, lassen wir das Modell Millionen von Stunden an Internetvideos (Filme und Fernsehserien, Überwachungsvideos, Vlogs usw.) ansehen, um kausale Bewegungslogiken zu erlernen, wie z. B. "beim Trinken hebt die Hand zum Mund" oder "nach dem Verschränken der Arme werden die Arme höchstwahrscheinlich ausgebreitet". Gleichzeitig werden 10 % der Motion-Capture-Daten und 10 % der echten Roboterdaten zur Kalibrierung verwendet, um schließlich die End-to-End-Generierung von Bewegungs-Tokens zu realisieren – die Umwandlung von Text, Bildern und 3D-Punktwolken in Bewegungen wird unterstützt, was eine native multimodale Fähigkeit darstellt.

Hard Krypton: Führt die Kombination von Bewegungs-Tokens nicht zu einer Explosion des Rechenleistungsbedarfs? Wie wird optimiert?

Mu Zelin: Wir müssen nicht alle Bewegungen aufzählen, sondern lernen die Anordnungsregeln von Bewegungen. Die Optimierung erfolgt hauptsächlich in zwei Richtungen: Erstens auf Datenebene: 80 % der Daten stammen aus Internetvideos (die bereits mit physikalischen Vorwahrnehmungen gefiltert wurden, um die Übereinstimmung mit realen Gesetzen sicherzustellen), was die Abhängigkeit von kostspieligen Motion-Capture- und echten Roboterdaten verringert. Zweitens auf Ebene der Modellkompression: Wir verfügen über reiche Erfahrung bei der Bereitstellung auf der Endseite und haben bereits den Best Paper Award auf globalen Top-Konferenzen gewonnen. Durch Techniken wie Token-Pruning, Quantisierung und dynamische Optimierung kann der Rechenaufwand auf der Endseite um das 62-fache gesenkt, die Inferenzverzögerung von 200 Millisekunden auf 10 Millisekunden komprimiert und die Anzahl der Modellparameter um 80 % reduziert werden, während die Genauigkeit nicht abnimmt, sondern sogar steigt (bei einigen Aufgaben um 3 % bis 6 %).

Hard Krypton: Heutzutage differenziert sich der technische Weg im Bereich der Embodied-Intelligenz. Einige konzentrieren sich auf Gedächtnis, während Sie sich auf Bewegungen konzentrieren. Wie sehen Sie diese Differenzierung?

Mu Zelin: Kehren wir zu den ersten Prinzipien zurück: Der Erfolg großer Sprachmodelle beruht im Wesentlichen darauf, dass die Transformer-Architektur die Anordnung und Generierung von Tokens realisiert. Embodied-Intelligenz sollte diesem Logik folgen. Der Kern besteht darin, das Problem der "Ausführungsebene" zu lösen – Roboter sollen Aufgaben stabil erledigen können.

Ich bin der Meinung, dass grundlegendere Probleme wie die Gedächtnisoptimierung in kurzer Zeit nur schwer von Startups durchbrochen werden können. Dafür sind langfristige Forschungen von Giganten wie DeepSeek und OpenAI im Bereich des Chipspeichers und der integrierten Speicher- und Rechenarchitektur erforderlich. Wir sind pragmatischer: Wir lösen das Problem der Ausführung neuer Aufgaben durch die Zero-Shot-Generalisierungsfähigkeit von Bewegungs-Tokens. Wenn ein Roboter beispielsweise gelernt hat, eine Mineralwasserflasche zu greifen, aber nicht gelernt hat, ein Mobiltelefon zu greifen, kann er dies durch die Übertragung von Bewegungssequenzen mit einer Genauigkeit von 80 % erledigen. Die restlichen 20 % können durch eine kleine Menge an Nachschulung oder Verstärkungslernen kalibriert werden.

Hard Krypton: Warum haben Sie sich dafür entschieden, inländische Rechenleistungschips anzupassen, anstatt die ausgereifteren NVIDIA-Chips zu verwenden?

Mu Zelin: Langfristig sind inländische GPUs die unvermeidliche Wahl – NVIDIA-Chips werden immer teurer und die Lieferung ist eingeschränkt. Unser Kernvorteil liegt darin, dass wir "