Ein Team von UCLA-Doktoren hat ein Startup gegründet, das sich der Entwicklung des Grundmodells für humanoide Roboter widmet, und sich eine Angel++-Finanzierung in Höhe von fast 500 Millionen Yuan gesichert | Erstmeldung von HardKr

Autor | HUANG Nan

Redakteur | YUAN Silai

Wie Hard Krypton erfuhr, hat Delta Intelligence, ein Unternehmen für Grundlagenmodelle humanoider Roboter, kürzlich eine Finanzierungsrunde im Umfang von fast 500 Millionen Yuan im Rahmen der Angel++-Serie abgeschlossen. Die Investoren dieser Runde umfassen industrielle Partner mehrerer börsennotierter Unternehmen und führende Finanzinvestitionsinstitute. Die Mittel werden hauptsächlich für die kontinuierliche Iteration des Grundlagenmodells humanoider Roboter, die Beschleunigung der Massenproduktion selbst entwickelter Datenerfassungsgeräte und den Aufbau eines geschlossenen Datenkreislaufs sowie die Erweiterung des zentralen Forschungs- und Entwicklungsteams verwendet, um die technische Umsetzung und Validierung in realen industriellen Szenarien voranzutreiben.

Dies ist zudem die sechste Finanzierungsrunde des Unternehmens innerhalb eines halben Jahres nach seiner Gründung. Zu den früheren Investoren gehörten Hersteller humanoider Roboter wie Beijing Tongyan Research Institute, Zhiyuan Robot, Leju Robot und Xinghaitu, Finanzinstitute wie GL Ventures, Yuanhe Holdings, Fosun RZ Capital, Huaying Capital und Lenovo Capital sowie Kapital aus dem Automobil- und Halbleiterbereich.

Delta Intelligence wurde im Januar 2026 gegründet und konzentriert sich auf die Erforschung nativer universeller Grundlagenmodelle für humanoide Roboter HFMs (Humanoid Foundation Models), um letztendlich die universelle ganzkörperliche kooperative Bedienung (Loco-Manipulation) von Humanoiden zu realisieren und die embodied Intelligenz in echten Anwendungen für Industrie- und Haushaltsszenarien voranzutreiben. Mit humanoiden Robotern als Träger wird die Entwicklung der physischen allgemeinen künstlichen Intelligenz (Physical AGI) beschleunigt.

Die drei zentralen Gründer haben alle einen Doktortitel der UCLA und verfügen über akademische Hintergründe wie einen Bachelor-Abschluss der Tsinghua-Universität und Lehrtätigkeiten an der Peking-Universität. Die technischen Fachkenntnisse des Teams erstrecken sich auf Roboterlernen, groß angelegtes maschinelles Lernen, Robotersysteme und embodied Intelligenz. Ihre Forschungs- und Industriekarrieren umfassen Google Robotics, NVIDIA Research, DeepMind, Meta, die Peking-Universität und das Beijing Institute for General Artificial Intelligence, und sie haben an mehreren Roboterprojekten der US-amerikanischen DARPA, ONR und NSF teilgenommen. Durch vielfältige Forschungsrichtungen und praktische Erfahrungen aus Wissenschaft und Industrie verfügt das Team über ganzheitliche Hard- und Softwarefähigkeiten von der Spitzenforschung bis zur technischen Umsetzung.

Der Sektor der embodied Intelligenz bewegt sich zunehmend von Bewegungsdemonstrationen hin zu physischen Arbeitseinsätzen. Die Gründung des Teams von Delta Intelligence geht auf die Erforschung eines klaren technischen Pfades zurück: Das Grundlagenmodell zweibeiniger humanoider Roboter muss von Anfang an für die „Ganzkörperintelligenz“ entwickelt werden, anstatt auf bestehenden Frameworks aufzubauen, um diese zu übertragen oder zu ergänzen.

Eine unumgängliche Tatsache ist, dass humanoide Roboter nach dem Verlassen des Labors mit realen physischen Räumen konfrontiert sind, die Treppen, Schwellen, Stufen und andere spezielle Geländemerkmale aufweisen. In diesen Szenarien muss der Roboter sich fortbewegen und gleichzeitig Aufgaben ausführen, außerdem muss er in dynamischen Umgebungen ständig das Gleichgewicht halten und Entscheidungen treffen. Um eine ganzkörperliche kooperative Bedienung zu erreichen, ist die Voraussetzung, dass das Gerät den Raum, in dem es sich befindet, ausreichend genau wahrnimmt – diese Raumverständnis muss dreidimensional, in Echtzeit und eindeutig sein.

Allerdings basiert die räumliche Wahrnehmung der aktuellen gängigen Modelle für embodied Intelligenz noch auf zweidimensionalen visuellen Repräsentationen. Wenn Roboter in komplexe reale Umgebungen wie industrielle Produktion, Energiewartung, Haushaltsdienstleistungen und Außeninspektionen eintreten, führen zweidimensionale visuelle Repräsentationen leicht zu Problemen wie fehlender Tiefe im realen Raum, Mehrdeutigkeit geometrischer Beziehungen und übermäßigem Kontext in großen Szenarien, was wiederum die Fähigkeit der Roboter, ihre Umgebung zu verstehen und sicher zu arbeiten, einschränkt.

Ein Beispiel: Wenn ein Roboter vor einer Tür steht, fällt es zweidimensionalen Repräsentationen oft schwer, den Abstand zum Türgriff, die Öffnungsrichtung der Tür und die erforderliche Veränderung der Körperposition, um Platz für das Öffnen der Tür zu schaffen, genau zu bestimmen. Diese unscharfe Wahrnehmung führt leicht zu kumulierten und verstärkten Bewegungsfehlern, wenn das Gerät in reale Szenarien eintritt, sodass langfristige fortlaufende Arbeitsabläufe nicht abgeschlossen werden können.

Um diese strukturelle Abweichung zu beseitigen, hat sich Delta Intelligence dafür entschieden, eine native dreidimensionale Weltengine aufzubauen, die dreidimensionale Repräsentationen als Kern des Modells nutzt, um direkt dreidimensionale Szenendarstellungen wie Punktwolken und Gaussian Splatting zu verarbeiten und ein natives dreidimensionales Verständnis, Schlussfolgern und die Vorhersage zukünftiger Umgebungszustände zu realisieren.

Ganzkörper-Panorama-Menschdatenerfassung und Ganzkörper-Fähigkeitslernen (Quelle/Unternehmen)

Der Betrieb der Engine erfordert eine kontinuierliche Datenversorgung als Voraussetzung. Delta Intelligence hat selbst ein Ganzkörper-Panorama-Datenerfassungsgerät entwickelt, das eine rein visuelle Erfassungsarchitektur verwendet, um die Bewegungstrajektorien aller Gelenke des menschlichen Skeletts an Händen, Füßen, Taille und Schultern synchron zu erfassen und basierend auf dem Videostrom aus der ersten Perspektive inkrementell ein globales dreidimensionales Szeno in Echtzeit zu rekonstruieren.

Dabei kann eine einzelne Erfassung zwei Arten von zentralem Trainingsmaterial ausgeben: Die eine Art sind vollständige Skelettdaten des gesamten menschlichen Körpers, die reale Interaktionslogik wie die Koordination von Händen und Füßen, die Verlagerung des Schwerpunkts und die kraftunterstützte Bedienung wiedergeben. Die andere Art sind hochpräzise dreidimensionale Szenodaten, die physische Umgebungsparameter wie Hindernisse, Stufen und Bedienoberflächen aufzeichnen.

Bei der Gestaltung des Erfassungspfads hat Delta Intelligence schichtweise Lösungen für verschiedene Entwicklungsphasen geplant, einschließlich der teleoperierten Erfassung mit dem Roboter selbst sowie der UMI- und egozentrischen bewegungsgesteuerten Erfassungsmodi ohne physischen Roboter. Die Erfassung ohne eigenes Gerät ist effizienter und hat geringere Hardwarekosten, sodass sie für die groß angelegte Anhäufung von allgemeinen Ganzkörper-Interaktionsproben geeignet ist. Die teleoperierte Erfassung wird dagegen für die spätere Feinabstimmung des echten Geräts und die Genauigkeitsausrichtung verwendet. Die Kombination beider Modi ermöglicht ein besseres Gleichgewicht zwischen Datenumfang, Erfassungskosten und der Anpassungsgenauigkeit des echten Geräts.

„Die meisten Datenerfassungslösungen auf dem Markt können nur lokale Bewegungen wie Handbewegungen erfassen. Modelle, die auf dieser Grundlage trainiert werden, können die Interaktion zwischen Mensch und Umgebung kaum vollständig verstehen und komplexe Aufgaben, die von der Ganzkörperkoordination abhängen, wie das Klettern auf Leitern oder das Schieben schwerer Türen, kaum beherrschen“, meinte MA Xiaojian, Gründer und CEO von Delta Intelligence. Die Lernlogik humanoider Roboter solle sich an menschlichen Maßstäben orientieren, sodass die vollständige Erfassung der Interaktionen zwischen dem gesamten Körper und der Umgebung erforderlich ist, um ein Weltmodell ohne kognitive Abweichungen aufzubauen.

Ganzkörper-Panorama-Datenvisualisierung (Quelle/Unternehmen)

Das genaue Verständnis des dreidimensionalen Raums ist jedoch nur die Grundlage der Wahrnehmungsebene. Ob der Roboter hochgradige Aufgabenabsichten in präzise Gliedmaßenbewegungen im Millisekundenbereich umwandeln kann, ist eine weitere zentrale Hürde für den praktischen Einsatz. Ein humanoides Gerät mit vielen Freiheitsgraden verfügt über Dutzende miteinander verbundener Gelenke, und ein einzelnes hochgradiges Kommando kann die Ganzkörperbalance, Kraftanwendung und Verschiebung nicht direkt steuern, sodass die Komplexität der unteren Steuerungskette extrem hoch ist.

Bisher war es üblich, die vom Planungsmodell ausgegebenen Kommandos direkt an den unteren Controller zu senden. Diese Methode funktioniert bei mechanischen Armen mit wenigen Freiheitsgraden noch, aber bei humanoiden Robotern mit vielen Freiheitsgraden führt das fehlende Modul zur Ganzkörperkoordinationsregulierung direkt zu ruckelnden Bewegungen, unkontrollierter Kraftanwendung oder sogar zum Verlust des Gleichgewichts und Stürzen.

Um dieses Unterbrechungsproblem zu lösen, hat Delta Intelligence eine native dreischichtige kooperative Architektur aus „Großhirn + Kleinhirn + Kraft-Positions-Mischung“ aufgebaut. Die drei Modelle haben klar definierte Aufgaben und arbeiten in einem geschlossenen Kreislauf zusammen. Das Großhirnmodul ist mit einer selbst entwickelten dreidimensionalen Weltengine ausgestattet und verantwortlich für die Umgebungs-wahrnehmung, langfristige Aufgabenplanung und Ausgabe hochgradiger Interaktionsabsichten. Das Kleinhirn ist ein neuronales Netzwerk, das auf Basis massiver simulierter Verstärkungslernprozesse trainiert wird. Es empfängt die spärlichen hochgradigen Kommandos des Großhirns, wandelt sie in feine Steuersignale für Dutzende bis Hunderte von Hertz für alle Motoren des gesamten Körpers um, passt den Schwerpunkt in Echtzeit dynamisch an und koordiniert die Kraftanwendung der Gliedmaßen, um das Problem der Gleichgewichtssteuerung von humanoiden Geräten mit vielen Freiheitsgraden zu lösen. Schließlich gibt die Kraft-Positions-Mischungsschicht eine sanfte Steuerung aus.

Der differenzierte Wert dieser schichtweisen Architektur aus Großhirn und Kleinhirn entfaltet sich vollständig bei humanoiden Geräten in voller Größe oder Geräten mit vielen Freiheitsgraden wie fünffingrigen geschickten Händen. Das Kleinhirn wird kontinuierlich durch Ganzkörper-Panorama-Interaktionsdaten weiterentwickelt und kann sich automatisch an verschiedene komplexe Ganzkörperaufgaben anpassen.

Ganzkörpererfassung und Einsatz humanoider Roboter in Logistik-Szenarien (Quelle/Unternehmen)

MA Xiaojian geht davon aus, dass mit der beschleunigten Industrialisierung der embodied Intelligenz die tiefe Zusammenarbeit zwischen Algorithmusunternehmen und Hardwareherstellern zum Hauptentwicklungsmodell wird. Auf Basis eines vollständigen technischen Grundlagensystems hat das Team von Delta Intelligence langfristige Kooperationen mit führenden Herstellern humanoider Roboter wie Zhiyuan, Leju, Xinghaitu und Unitree aufgebaut. Durch standardisierte Anpassungsverfahren für die Geräte wird eine schnelle Migration des Modells zwischen verschiedenen Hardwareplattformen ermöglicht. Als Anbieter von Grundlagenmodellen im Ökosystem humanoider Roboter setzt sich das Unternehmen dafür ein, einsetzbare und erweiterbare Ganzkörper-Intelligenzbasen für alle Arten von Geräten bereitzustellen und zu einem wichtigen Bindeglied zwischen Hardwareplattformen und übergeordneten Anwendungen zu werden.

Im Folgenden finden Sie Auszüge aus dem Interview von Hard Krypton mit MA Xiaojian, Gründer und CEO von Delta Intelligence (leicht bearbeitet):

Hard Krypton: Auf Basis der nativen Architektur aus Großhirn und Kleinhirn, wie lautet die Strategie für das Verhältnis von echten Daten und Simulationsdaten? Welche Überlegungen liegen dahinter?

MA Xiaojian: Zuerst zum Begriff „Verhältnis“ selbst: Wir teilen keine einheitliche Datenmenge auf, von der ein Teil für das Großhirn und ein anderer Teil für das Kleinhirn verwendet wird. Stattdessen gibt es zwei völlig unabhängige Trainingssysteme, die unterschiedlichen Optimierungszielen dienen. Der Grund liegt darin, dass die Aufgaben, die Großhirn und Kleinhirn übernehmen, völlig unterschiedlich sind und die entsprechenden Gesetze der physischen Interaktion ebenfalls abweichen.

Das Großhirn ist für das globale Verständnis der Umgebung, die langfristige Aufgabenplanung und die Entscheidungen zur Ganzkörperbedienung zuständig, und wir sind nicht auf Simulationsdaten angewiesen. Der grundlegende Grund liegt darin, dass die Simulationssysteme nicht über ausreichende Fähigkeiten zur Kontaktmodellierung verfügen. Bei echten Arbeitseinsätzen wie industriellen Inspektionen, Materialtransport und Treppensteigen führen humanoide Roboter gleichzeitig mehrere komplexe Kontaktvorgänge aus, wie das Greifen mit den Händen, die Lastaufnahme mit den Füßen und die Nutzung des Rumpfes zur Kraftübertragung. Simulatoren können komplexe Interaktionen wie flexible Verformungen, Gleitreibung und Kräfte an mehreren Kontaktpunkten kaum genau nachbilden.

Wenn das Großhirn Aufgabenstrategien auf Basis verzerrter Simulationssignale lernt, erwirbt es Bedienlogiken für die Simulationswelt, die bei der Bereitstellung auf echten Geräten sehr leicht fehlschlagen. Deshalb muss das Training des Großhirns von Delta auf nativen Interaktionsdaten des echten Geräts basieren.

Langfristige Ganzkörper-Kooperationsaufgaben in Haushaltsszenarien (Quelle/Unternehmen)

Das Kleinhirn ist für die unterste Ganzkörperkoordination und die dynamische Gleichgewichtssteuerung zuständig, hier verhält es sich genau umgekehrt: Wir nutzen die Simulationsumgebung als zentralen Trainingsträger. Die Gleichgewichtssteuerung ist im Wesentlichen ein Optimierungsproblem von kontinuierlichen Zuständen zu Aktionen. Der Schlüssel liegt in der Genauigkeit des Schwerkraftmodells und der Gelenkdynamik, und beide Punkte werden von Physik-Engines bereits sehr gut umgesetzt. Das Kleinhirn führt im Simulator massenhaft Versuch-und-Irrtum-Prozesse durch Verstärkungslernen durch und verwendet nur am Ende eine kleine Menge von Bewegungsdaten des echten Geräts zur Kalibrierung und Feinabstimmung.

Einfach ausgedrückt: Das Großhirn muss komplexe Interaktionsbedienungen lernen, hat sehr hohe Anforderungen an die reale Physik von Kontakten und kann daher nur auf Daten des echten Geräts basieren. Das Kleinhirn muss dynamisches Gleichgewicht lernen und kann auf Basis physikalischer Regeln iterieren, wobei Simulationen unbegren