Linear Capital im Gespräch mit Ding Wenchao von Itstone Zhihang: Embodied Intelligence wird in 24 Monaten voraussichtlich den wahren Moment der Emergenz erleben.
Während der WAIC feierte der lineare Video-Podcast „Zwischen den Linien“ eine spezielle Live-Sendung. Wang Huai, Gründer und CEO von Lighthouse Capital, wurde von der offiziellen Bilibili-Plattform eingeladen, um ein Gespräch mit Ding Wenchao, Mitbegründer und Chefwissenschaftler von StoneHi Intelligence, zu führen.
Auf der diesjährigen WAIC veröffentlichte StoneHi Intelligence offiziell das neue native Grundmodell für verkörperte Intelligenz AWE 3.5 und wurde zu einem der nur sechs SAIL Stars der Konferenz gewählt. Lighthouse Capital, als Investor der frühesten Finanzierungsrunde von StoneHi Intelligence, hat das Unternehmen in drei aufeinanderfolgenden Runden unterstützt.
Der Lebenslauf von Ding Wenchao überspannt genau die beiden Bereiche der praktischen Umsetzung im Ingenieurwesen und der Spitzenforschung. Er war ein Kerntechnikexperte der ersten Generation von autonomen Fahrsystemen; 2023 kehrte er in die akademische Welt zurück und wurde Forscher und Doktorvater an der Fudan-Universität; 2025 startete er erneut und gründete gemeinsam mit Chen Yilun, Li Zhenyu und anderen StoneHi Intelligence, wo er als Chefwissenschaftler dieses rasant wachsenden aufstrebenden Unternehmens für verkörperte Intelligenz tätig ist.
In diesem Gespräch stellte Ding Wenchao viele Urteile vor, die alle auf dieselbe Frage abzielen: Wo liegt die letzte Trennlinie, wenn die verkörperte Intelligenz aus Demo-Szenen in reale Umgebungen eintritt? Seine Antwort lautet — „Vertrauenswürdigkeit“ könnte die letzte Trennlinie für die verkörperte Intelligenz sein.
Im Folgenden ist das vollständige Gesprächsprotokoll aufgeführt, das von der Redaktion von Lighthouse Capital zusammengestellt wurde. Die vollständige Version des Gesprächsvideos kann auf Bilibili unter dem Suchbegriff „Lighthouse Capital“ angesehen werden.
01 Die Ära der verkörperten Intelligenz 3.0 könnte in 24 Monaten beginnen
▍Wang Huai: Von dem autonomen Fahren über die akademische Welt bis hin zum Unternehmertum gehörst du zu den wenigen Menschen, die sowohl den Weg der praktischen ingenieurstechnischen Umsetzung als auch den der Spitzenforschung beschritten haben. Mehr als eine Million Fahrzeuge haben dein End-to-End-Algorithmus verwendet, und später bist du an die Fudan-Universität zurückgekehrt, um an Modellen zu forschen. Was ist nach all dieser Zeit das Schwierigste, von dem du glaubst, dass du es wirklich löst?
▍Ding Wenchao: Obwohl es mehrere Übergänge und Wechsel vom autonomen Fahren zur verkörperten Intelligenz gab, glaube ich, dass ich im Kern nur eine Sache verfolge: Mit KI-gestützten oder datengesteuerten Methoden einen Agenten zu bauen, dem du in der physischen Welt vertrauen kannst.
Welches Problem löst das autonome Fahren im Wesentlichen? Wir sammeln eine große Menge an Daten von Menschen, die Autos fahren, und trainieren ein Netzwerk: Die Eingabe sind Bilder, die Ausgabe sind Aktionen, und das Auto kann der Ausgabe des Netzwerks voll vertrauen. Das erscheint den meisten Menschen sehr unglaublich.
Wenn wir mit großen Sprachmodellen chatten, sind ihre Antworten manchmal korrekt, manchmal nicht ganz zufriedenstellend, und du kannst sie iterativ verbessern. Aber beim autonomen Fahren ist eine iterative Verbesserung nicht möglich, da die ausgegebene Trajektorie dein Auto direkt steuert.
▍Wang Huai: Ein Fehler kann zu einem Unfall mit Todesfolge führen.
▍Ding Wenchao: Ja, die Folgen sind sehr schwerwiegend. Das ist ein charakteristisches Merkmal der physischen KI. Die verkörperte Intelligenz tut Ähnliches, nur in einem größeren Rahmen: Sie beschränkt sich nicht auf das Fahren von Autos, sondern kann in Fabriken arbeiten, in der Logistik Güter transportieren oder in Haushalten putzen.
Bei all diesen Dingen musst du darauf vertrauen können, dass der Roboter die Aufgabe sicher und stabil erledigt. Und die Methode darf nicht auf handgeschriebenen Regeln basieren, sondern muss in der Regel datengesteuert sein, wie das Training großer Modelle iteriert werden, damit er ein „Gehirn“ erhält und Aufgaben in verschiedenen Umgebungen selbstständig erledigen kann.
Obwohl ich also Produkte für autonomes Fahren entwickelt, geforscht und ein Unternehmen gegründet habe, läuft alles auf einen Punkt hinaus: Wie man durch datengesteuerte KI-Maßnahmen einen Agenten baut, dem die Menschen in der physischen Welt vertrauen können.
▍Wang Huai: Dann lass uns die Geschichte des autonomen Fahrens als Vergleich heranziehen. Nach meinem oberflächlichen Verständnis hat das autonome Fahren drei große Phasen durchlaufen: Zuerst das ADAS für Warnhinweise mit Kollisionswarnungen und Spurwechselwarnungen; danach das regelbasierte, szenariobasierte autonome Fahren, das sehr schematisch ablief; und schließlich das End-to-End-Prinzip.
Wie siehst du den aktuellen Stand der Technik für die verkörperte Intelligenz und in welcher Phase ihrer Entwicklung befindet sie sich? Manche sagen, sie sei auf dem Niveau des autonomen Fahrens von 2019. Stimmt diese Metapher?
▍Ding Wenchao: Das autonome Fahren hat einen sehr frühen Ursprung. Bereits Anfang der 2010er Jahre begannen die Menschen damit, aber damals fehlten die verfügbaren Werkzeugkästen. Als ich früher Produktentwicklung betrieb, wurde mir immer wieder eine Frage gestellt: Ist es überhaupt interpretierbar, wenn du neuronale Netze für diese Aufgabe verwendest? Als ich früh die End-to-End-Entwicklung vorantrieb, fragten mich viele Leute: Warum kannst du darauf vertrauen, dass ein neuronales Netz das Auto für dich fährt? Dieses Bewusstsein behinderte die schnelle Entwicklung des autonomen Fahrens zur endgültigen Lösung. Dazwischen gab es einen Prozess, in dem Ingenieure und Nutzer geschult wurden.
Im Vergleich zum autonomen Fahren glaube ich, dass die verkörperte Intelligenz heute definitiv über das Niveau von 2019 hinaus ist und eher dem Niveau von 2021 bis 2022 nahekommt. Meine Analyse lautet wie folgt:
Erstens, der Ausgangspunkt der verkörperten Intelligenz ist höher. Von dem ersten Tag an hat niemand daran gedacht, sie mit regelbasierten Methoden umzusetzen, da die Szenarien zu vielfältig sind. Das autonome Fahren ist eigentlich nur ein Teilbereich der verkörperten Intelligenz, eine der einfachsten Formen von vierrädrigen Robotern.
Zweitens, die Probleme, die die verkörperte Intelligenz lösen muss, sind objektiv schwieriger. Die Erwartungen der Menschen beschränken sich nicht darauf, dass sie „in diesem Szenario funktioniert“. Da sie eine allgemeine Form hat, möchte man natürlich, dass sie viele Dinge erledigt.
Aus methodischer Sicht hat die verkörperte Intelligenz also einen sehr hohen Ausgangspunkt und orientiert sich von Anfang an an den fortschrittlichsten großen Modellen und End-to-End-Systemen; aber die Probleme sind schwieriger. Unter Berücksichtigung dieser beiden Punkte stufe ich sie auf dem Niveau des autonomen Fahrens von etwa 2021 bis 2022 ein.
Wenn man die verkörperte Intelligenz in Generationen unterteilt, teile ich sie grob in folgende Epochen ein: In der 1.0-Ära gab es einige relativ kleine Modelle, die spezifische Aufgaben von „Sensoren zu Aktionen“ erledigen konnten. Diese Ära ist vorbei. Die Obergrenze bestand darin, hervorragende Demos zu erstellen, aber es war schwierig, sie in großem Maßstab in Szenarien und Arbeitsabläufen einzuführen.
Heute sind wir ungefähr in die 2.0-Ära eingetreten, und das kann man auch auf der WAIC spüren: Man baut ein relativ allgemeines Grundmodell, das viele Aufgaben erledigen kann und diese alle recht gut meistert. Obwohl es noch eine Lücke zur allgemeinen KI in der physischen Welt und zu den Fähigkeiten großer Modelle gibt, kann es bereits mehrere Aufgaben im physischen Raum zuverlässig erledigen. Ich prognostiziere, dass wir in etwa 24 Monaten die echte 3.0-Ära einläuten werden.
▍Wang Huai: Was sind die Merkmale der 3.0-Ära?
▍Ding Wenchao: Große Modelle haben eine sehr wichtige Fähigkeit namens In-Context-Learning. Für viele Aufgaben, die sie erledigen sollen, gibt es keine Trainingsdaten oder nur Daten mit sehr geringer Ähnlichkeit. In der 3.0-Ära wird die verkörperte Intelligenz ebenfalls in die Ära des In-Context-Learnings eintreten. Um sie eine Aufgabe erledigen zu lassen, müssen nicht zuerst Demonstrationsdaten gesammelt werden wie heute – man zeigt es ihr, und sie kann es tun. Das könnte der Zeitpunkt sein, an dem die verkörperte Intelligenz wirklich emergiert.
▍Wang Huai: Das entspricht einem One-Shot-Lernen. Und dieses One-Shot-Lernen muss ihr nicht einmal absichtlich gezeigt werden – es entsteht ganz natürlich während ihrer alltäglichen Beobachtungen.
Kommen wir zurück zu StoneHi: Das kürzlich von euch veröffentlichte Modell heißt AWE, AI World Engine, und ist jetzt in Version 3.5 verfügbar. Was ist der Unterschied zwischen Version 3.5 und der vorherigen 3.0? Und welche Entsprechung hat das zu der oben genannten „Eintritt in die 3.0-Ära in 24 Monaten“?
▍Ding Wenchao: Wir nennen AWE die Weltmaschine der KI. Seit Version 3.0 gibt es mehrere offensichtliche Veränderungen:
Erstens ist die Datenmenge stark gestiegen. Unter dem datenzentrierten Paradigma „human-centric“ (auf den Menschen ausgerichtet) können wir eine große Menge an Daten erhalten. Es handelt sich nicht um wiederholte Daten, sondern um Daten aus vielen Szenarien und für viele Aufgaben – fast alles, was Menschen tun können, ist von uns abgedeckt.
Zweitens hat sich die Modellarchitektur verändert. Gleichzeitige Modelle aus der 3.0-Ära wurden oft aus anderen Bereichen übernommen. Als man früher VLA-Modelle entwickelte, wurden diese eigentlich von VLM-Modellen abgeleitet, ergänzt um eine Ausgabe für die Aktionen. Spätere Welt-Aktions-Modelle und Weltmodelle haben sich ebenfalls größtenteils aus Videomodellen entwickelt.
Ein zentraler Gedanke von uns zu Version 3.5 ist: Als so großes Feld sollte die verkörperte Intelligenz ihr eigenes Grundmodell haben. Früher war das kaum vorstellbar, aber mit ausreichend vielfältigen Daten kann man damit beginnen. Daher ist die wichtigste Verbesserung von Version 3.5 gegenüber 3.0 auf Modellebene der Übergang zu einer nativen Architektur. Sprachmodelle sind native Modelle, Videomodelle sind native Modelle, aber die früheren zusammengesetzten Modelle sind es nicht. Die verkörperte Intelligenz sollte ihr eigenes natives Modell haben.
▍Wang Huai: Daher sind Daten hier sehr entscheidend. Ich sehe, dass du eure Datenerfassungsgeräte und diese Greifhand zum Bedienen dabei hast. Was hat das mit euren Datenquellen zu tun?
▍Ding Wenchao: Dieses Gerät ist sehr leicht, wie ein Handschuh, den man im Alltag trägt. Es erfasst taktile Rückmeldungen an den Fingerspitzen und magnetische Sensorsignale an der Rückseite.
Die Daten für die verkörperte Intelligenz müssen wissen, „was der Mensch wirklich wahrnimmt“ – die Taktilität löst genau dieses Kernproblem. Wenn du zum Beispiel eine Wasserflasche greifst, sieht das visuell immer so aus, als hätte man sie „erfasst“. Aber je fester oder lockerer man sie greift, ist der zukünftige Zustand in der Welt völlig unterschiedlich: Bei festem Griff hält man sie, bei lockerem Griff fällt sie herunter.
Selbst wenn unsere Hand in eine Decke gesteckt wird, kann der kleine Sensor an der Rückseite dieses Geräts die Haltung genau erfassen. Es ist ein Bewegungserfassungssystem, das in allen Umgebungen und zu jeder Zeit funktioniert. Es hat Kameras auf der Ober- und Unterseite, die die Umgebung erfassen, in der sich die Person bei der Arbeit befindet. An Brust und Kopf können FPV-Kameras (First-Person-View) befestigt werden, wodurch ein komplettes System entsteht, das alltägliche Handlungen aufzeichnet.
Mit den erfassten Daten trainiert man das Modell, das eine Verbindung zwischen zwei Dingen herstellt: Erstens, das zu fühlen, was der Mensch fühlt – was die Person in diesem Moment sieht und wahrnimmt; zweitens, das zu tun, was der Mensch tut – die zukünftige Trajektorie und Aktionen der Person durch das Modell vorherzusagen.
▍Wang Huai: Mit der visuellen Erfassung kann man dann „sehen, was der Mensch sieht“.
▍Ding Wenchao: Ja, sehen was der Mensch sieht. StoneHi ist ein Unternehmen mit sehr hohem „Perfektionsanspruch“. Nachdem wir den Handschuh hatten, wollten wir auch eine Greifhand entwickeln. Das ist eine geschickte Hand mit 21 Freiheitsgraden, die fast denen einer menschlichen Hand entspricht. Sie wird direkt von Motoren angetrieben, und in diesem sehr kleinen Raum sind alle 21 Mikromotoren und Untersetzungsgetriebe integriert. Praktisch alle Arbeiten, die eine menschliche Hand erledigen kann, kann auch diese Hand erledigen.
Das ist also das Endeffektor für geschickte Bedienvorgänge. Der Handschuh erzeugt Daten, und die intelligente Greifhand führt die Aufgaben aus.
▍Wang Huai: Die erfassten Daten werden schließlich zu Fähigkeiten des Modells, und alles bildet einen geschlossenen Kreislauf.
02 Auf den Menschen ausgerichtet, Zurück zu den First Principles
▍Wang Huai: StoneHi ist ein Unternehmen mit sehr eigenem Charakter. Als ich euch das erste Mal traf, betonten alle anderen VLA-Modelle, aber ihr wart wahrscheinlich das erste Unternehmen, das über Weltmodelle sprach. Wie habt ihr damals festgestellt, dass die Zukunft zu Weltmodellen gehört und nicht zu VLA-Modellen?
▍Ding Wenchao: Unsere damaligen Ideen basierten nicht auf dem, was andere Unternehmen taten, sondern wir dachten von oben nach unten ausgehend von den First Principles.
Das erste Problem, mit dem die verkörperte Intelligenz damals konfrontiert war, waren die Daten: Sie wurden meist durch Teleoperation erfasst, also werden meine Bewegungen erfasst und direkt auf den Rob