Ein Professor der Westlake University gründet ein Startup für die Entwicklung verkörperter universeller KI-Gehirne und schließt innerhalb von einem halben Jahr vier Finanzierungsrunden mit insgesamt 500 Millionen Yuan ab | Exklusive Erstveröffentlichung von Hard Krypton

Autor | Huang Nan

Redakteurin | Yuan Silai

Laut Hard Krypton hat Westlake Robotics, ein Unternehmen für allgemeine Gehirne der verkörperten Intelligenz, kürzlich die Serie-A-Finanzierung abgeschlossen. In 6 Monaten wurden 500 Millionen Yuan eingesammelt. Damit umfasst das Portfolio der Investoren bereits viele renommierte Institutionen wie SAIF, Xiaomiao Langcheng, Hui Rong Fund von Henan Investment Group und Haiyuan Fund. Die Mittel werden schwerpunktmäßig in die Forschung und Entwicklung eines einheitlichen Gesamtmodells für den ganzen Körper von humanoiden Robotern investiert, zudem wird ein Hochland für Talente im Bereich der verkörperten Intelligenz aufgebaut, um den GPT-Moment der verkörperten Intelligenz zu beschleunigen und die industrielle Transformation mit originärer Technologie voranzutreiben.

Diese Finanzierung liegt weniger als einen Monat nach der letzten Abrechnung des Unternehmens vor. Innerhalb von nur einem halben Jahr hat Westlake Robotics bereits vier Finanzierungsrunden abgeschlossen.

Das Geschäft von Westlake Robotics begann im Januar 2024 und ist das erste Unternehmen zur Verwertung von Ergebnissen der Westlake University im Bereich der künstlichen Intelligenz und Robotik. Das Unternehmen konzentriert sich auf die kooperative Entwicklung von end-to-end großen Modellen der verkörperten Intelligenz und Roboter-Körper. Es hat weltweit das erste allgemeine große Bewegungsmodell GAE und die weltweit erste doppelte vortrainierte Architektur für allgemeines Groß- und Kleinhirn veröffentlicht, ein vollständiges einheitliches großes Modell-System für den ganzen Körper aufgebaut und den vollständig selbst entwickelten humanoiden Roboter-Körper „Westlake o1“ auf den Markt gebracht.

Das Gründungsteam des Unternehmens verfügt über einen tiefgreifenden akademischen und industriellen Hintergrund. Gründer Wang Donglin ist Chefwissenschaftler des großen nationalen Projekts für wissenschaftliche und technologische Innovation 2030, lebenslanger Professor der Westlake University, stellvertretender Direktor des Fachbereichs für künstliche Intelligenz und Gewinner des besten Papiers der AAAI im Jahr 2026. Er ist eine führende Persönlichkeit im Bereich der verkörperten Intelligenz und des Roboterlernens in China. Mitgründer Zhang Yue ist lebenslanger Professor der Westlake University, stellvertretender Dekan der Ingenieurwissenschaftlichen Fakultät, international renommierter Experte für natürliche Sprachverarbeitung und leitet die Erkundung der Spitzentechnologie für große Modelle.

Professor Wang Donglin, Gründer und Vorsitzender von Westlake Robotics (Quelle des Bildes: Unternehmen)

Die Kernmitglieder der Forschungs- und Entwicklungsabteilung stammen von führenden Technologieunternehmen wie Alibaba, ByteDance, Tencent und Huawei sowie von weltweit führenden Universitäten wie Oxford, Cambridge, Carnegie Mellon, UC Berkeley, Technische Universität München, Tsinghua Universität und Zhejiang Universität. Insgesamt wurden mehr als 300 Arbeiten auf Top-Konferenzen wie ICML, NeurIPS, CVPR und RSS veröffentlicht. Viele selbst entwickelte Spitzenforschungsresultate wurden bereits in die Entwicklung von zugrundeliegenden Algorithmen und die praktische Umsetzung im Ingenieurwesen angewendet.

Die Erzählung der verkörperten Intelligenz verschiebt sich von der übergeordneten Aufgabenplanung zu der zuverlässigen Ausführung in der echten physischen Umgebung. Nachdem große Modelle Robotern ein stärkeres Verständnis für Szenarien verliehen haben, erkennt die Branche nun einen neuen Engpass: Es gibt noch keinen stabilen Koordinationsmechanismus zwischen der hochgradigen Kognition und der untergeordneten Bewegungssteuerung. Humanoide Roboter müssen bei der Bedienung in komplexen Umgebungen gleichzeitig das Bewegungsgleichgewicht verarbeiten, was die Steuerung weitaus schwieriger macht als bei mechanischen Armen an festen Arbeitsplätzen.

In den vergangenen Jahren folgte das gängige Schema der technischen Trägheit aus der Ära der mechanischen Arme, nämlich dass visuell-sprachliche Modelle als Frontend dienen und leichtgewichtige Aktionszuordnungen als Ende dienen, um mit dem „Gehirn“ direkt „Hände und Füße“ anzutreiben. Diese Logik funktioniert in standardisierten Szenarien, aber wenn Roboter Ganzkörperkoordinationsaufgaben wie das Öffnen einer Tür oder das Aufräumen eines Bettes erledigen müssen, zeigen sich niedrige Erfolgsraten und geringe Stabilität.

Der Kernkonflikt besteht darin, dass das grundlegende Modell der Verkörperung für humanoide Roboter keine Fähigkeit zur Modellierung des eigenen Zustands, der dynamischen Einschränkungen, der Kontaktbeziehungen und der Umgebungsrückmeldungen hat.

Professor Wang Donglin, Gründer von Westlake Robotics, ist der Ansicht, dass humanoide Roboter, um echte Allgemeingültigkeit zu erreichen, zuerst den kritischen Engpass der „allgemeinen Bewegungssteuerung des gesamten menschlichen Körpers“ lösen müssen, anstatt direkt die übergeordneten Wahrnehmungsfähigkeiten zu stapeln.

Rektor Shi Yigong von der Westlake University schüttelt die Hand mit Westlake o1 (Quelle des Bildes: Unternehmen)

„Wenn man das humanoide Gehirn nach dem Muster von Armen baut, ist der Aktionsraum extrem groß, und Stabilität sowie Robustheit werden großen Herausforderungen ausgesetzt“, sagte Professor Wang Donglin zu Hard Krypton. „Wir haben schon früh überprüft, dass die Übertragung des ursprünglichen VLA-Modells auf die Ganzkörper-Bewegungssteuerung von Humanoiden oft nicht die erwarteten Ergebnisse liefert.“

Der Grund für diesen Unterschied liegt darin, dass die untergeordnete Steuerung von mechanischen Armen durch verpackte Gelenksteuerungen gewährleistet wird und das Modell hauptsächlich Algorithmen auf der Ebene der Endtrajektorien bereitstellt. Der ganze Körper eines humanoiden Roboters umfasst jedoch die Koordination von Dutzenden von Gelenken, die Echtzeitanpassung des Schwerpunkts und die Rückmeldung der Bodenreaktionskraft, was ein hochdimensionales Steuerungsproblem mit starker dynamischer Nichtlinearität darstellt. Daher versagen traditionelle Steuerungstheorien leicht, wenn das Modell ungenau ist, und oberflächliches Verstärkungslernen kann die riesige Menge an Aktionsmodi kaum abdecken.

Um den oben genannten Engpass zu lösen, bietet Westlake Robotics die Lösung GAE (General Action Expert) an, ein allgemeines großes Bewegungsmodell auf Basis der Transformer-Architektur.

Das allgemeine große Bewegungsmodell GAE integriert riesige Mengen alltäglicher Aktionsmuster zu einem einheitlichen Zentrum. Jede beliebige Absicht oder Anweisung des Benutzers kann direkt in stabile Ganzkörperbewegungen abgebildet werden, ohne Voreinstellungen oder Programmierung. Tänze oder komplexe Vorgänge, die ursprünglich Monate zur Planung benötigten, können durch Bewegungserfassung in Echtzeit generiert werden.

Als ein allgemeines großes Bewegungsmodell, das über verschiedene Roboter-Körper hinweg funktioniert, kann GAE in humanoiden Robotern verschiedener Hersteller eingesetzt werden und die Umsetzung von Szenarien wie „Fernsteuerung + Ersatz für gefährliche Arbeiten“ unterstützen. Indem Bediener humanoide Roboter ferngesteuert in gefährliche Szenarien schicken, um Aufgaben auszuführen, können Anwendungsbereiche schnell erobert werden, und wertvolle Datenrückmeldungen werden angesammelt, um das Training des großen Modells zu unterstützen.

GAE funktioniert über verschiedene Roboter-Körper hinweg und realisiert Fernsteuerung über eine Entfernung von 1300 Kilometern (Quelle des Bildes: Unternehmen)

Nachdem GAE die „körperliche Grundlage“ geschaffen hat, hat Westlake Robotics auf der Seite des verkörperten Gehirns eine vollständige doppelte vortrainierte Architektur für allgemeines Groß- und Kleinhirn aufgebaut. Diese Architektur teilt „Großhirn“ und „Kleinhirn“ in zwei unabhängige vortrainierte Module auf, die dann kooperativ verbunden werden. Das vordere Großhirn kombiniert das visuell-sprachliche Aktionsmodell (VLA) und das Weltmodell (WM), ist für die Wahrnehmung und autonome Aufgabenentscheidung zuständig und gibt Aktions-Token aus. Das hintere Kleinhirn, nämlich GAE, ist nach dem Empfang der Token für die millisekundengenaue Ausführung von Ganzkörperbewegungen, das dynamische Gleichgewicht und die Echtzeitkorrektur der Haltung zuständig, um feine Gliedmaßenbewegungen umzusetzen.

Was die Leistungsfähigkeit des Modells betrifft, zeigt sich die Differenzierung in drei Dimensionen: Die hierarchische Entkopplung ermöglicht es Großhirn und Kleinhirn, unabhängig voneinander zu iterieren, was die Effizienz im Ingenieurwesen erhöht. Die standardisierte Token-Schnittstelle verleiht GAE die Fähigkeit zur Anpassung an verschiedene Robotertypen. Das Vortrainieren in getrennten Domänen gewährleistet, dass jedes Modul in der jeweiligen Datendomäne unabhängig optimiert wird und keine Ressourcen verdrängt.

Die Überlegenheit der Architektur muss schließlich durch die Leistung des Modells eingelöst werden. Die emergente Fähigkeit von grundlegenden Modellen hängt von hochwertigen, großskaligen und vielfältigen Trainingsdaten ab. Und hochwertige Ganzkörperdaten von Humanoiden sind genau die derzeit am meisten knappe Ressource in der Branche.

Professor Wang Donglin weist darauf hin, dass vorhandene Simulationsdaten, Videos aus der ersten Perspektive und Einarm-Bedienungstrajektorien nicht die wichtigsten Informationen menschlicher Aktionen vollständig erfassen können – wie der Schwerpunkt vom linken Fuß auf den rechten Fuß übertragen wird, wie der Rumpf sich neigt, um Kraft zu schöpfen, und wie beide Arme zusammenwirken, um Drehmomenten entgegenzuwirken. „Die Handtrajektorie kann nur aufzeichnen, wohin die Aktion geht, aber Ganzkörperdaten zeigen, warum die Aktion stattfinden kann.“

Aus diesem Grund richtet Westlake Robotics den Schwerpunkt der Datenerfassung auf „praktisches Training in realen Szenarien“. Die Roboter werden in echte Szenarien wie Notfallrettung, Strominspektion und Haushaltsservice geschickt, um in physischen Interaktionen echte Maschinendaten mit vollständigen Ganzkörperhaltungs-Etiketten zu sammeln. Obwohl diese Art der Datenerfassung hohe Kosten verursacht, ist Wang Donglin der Ansicht, dass dies ein unvermeidbarer Weg ist, der nicht umgangen werden kann.

Auf der Ebene des Roboter-Körpers hat Westlake Robotics im Jahr 2026 sein erstes humanoides Roboterprodukt „Westlake o1“ veröffentlicht. Professor Wang Donglin weist darauf hin, dass der Hardware-Körper nicht die Hauptlinie des Kernwettbewerbs des Unternehmens ist, aber er ist ein unverzichtbarer Schlüsselträger in der Layout der Industriekette.

Westlake o1 ist im Einsatz in einem Supermarkt (Quelle des Bildes: Unternehmen)

Gegenwärtig ist das Problem der Trennung von Software und Hardware bei allgemeinen humanoiden Geräten erheblich. Mechanische Schwellenwerte und Gelenkverzögerungen führen zu großen Abweichungen zwischen simulierten und echten Bewegungen der Maschine, sodass die Bewegungen nach der Modellübertragung steif sind und die Generalisierungsfähigkeit abnimmt. Der Zweck der vollständig selbst entwickelten End-to-End-Hardware von „Westlake o1“ von Westlake Robotics ist genau, die Iteration des Modells durch die Überprüfung an der echten Maschine rückwärts voranzutreiben. Durch die echten Rückmeldungen von mechanischer Struktur, dynamischem Gleichgewicht und Mehrgelenkkoordination werden Algorithmen für Bewegungsinferenz und Haltungskorrektur kontinuierlich optimiert, wodurch ein geschlossener Kreislauf von „Hardware-Test – Datenrückfluss – Modelliteration“ entsteht.

Derzeit hat Westlake Robotics den vollständigen geschlossenen Kreislauf der selbst entwickelten Volltechnik von Algorithmen, Modellen bis hin zur gesamten Maschine abgeschlossen. Hinter seiner Pfadwahl steht eine ruhige Beurteilung: Während die Branche allgemein das Verständnis des „Gehirns“ verbessert, ist das, was humanoide Roboter daran hindert, das Labor zu verlassen, die Frage, ob der „Körper“ so stabil und koordiniert wie ein Mensch mit der Welt interagieren kann.

Dieser Weg ist länger und schwerer, aber er könnte näher am Ziel sein. Nach Ansicht von Professor Wang Donglin hat derjenige, der zuerst die „körperliche Fähigkeit“ zuverlässig und stabil macht, in dem entscheidenden Moment, in dem humanoide Roboter von der Demonstration zum praktischen Einsatz übergehen, die Eintrittskarte zur Definition der nächsten Generation von Einsatzstandards in der Hand.

Im Folgenden finden Sie Auszüge aus dem Interview zwischen Hard Krypton und Professor Wang Donglin, Gründer und Vorsitzender von Westlake Robotics (leicht bearbeitet):

Hard Krypton: Das GAE-Modell ist als weltweit erstes allgemeines großes Bewegungsmodell positioniert. Wie zeigt sich seine Allgemeingültigkeit? Was unterscheidet es von den derzeit gängigen Expertenmodellen?

Wang Donglin: Die zugrundeliegende Logik der beiden ist völlig unterschiedlich.

Das branchenübliche Schema verwendet das Muster „ein Modell pro Aktion“. Für verschiedene Aktionen wie Tanzen oder Taijiquan müssen unabhängige Modelle separat trainiert und dann zusammengesetzt werden. GAE hingegen verwendet ein einzelnes Transformer-Modell mit hunderten Millionen Parametern, das alle Aktionen kompatibel macht. Es reicht aus, die Zielanweisung einzugeben, um die Ausführung abzuschließen. Es löst die branchenüblichen Probleme von humanoiden Robotern wie steife Bewegungen und Gleichgewichtsverlust bei dynamischem Gleichgewicht, präziser Steuerung und Echtzeit-Umgebungsrückmeldung.

Wie kann diese Allgemeingültigkeit demonstriert werden? Eine Person trägt ein Bewegungserfassungsanzug und führt Aktionen aus, und der Roboter kann die Aktionen eins zu eins in Echtzeit nachahmen, ohne Code oder Modell wechseln zu müssen. Das ist auch der Grund, warum das allgemeine Modell von Westlake Robotics an die Körper verschiedener Hersteller angepasst werden kann, denn GAE gibt allgemeine Bewegungstrajektorien aus, keine Gelenkwinkelanweisungen, die für ein bestimmtes Modell spezifisch sind.

Auf architektonischer Ebene verwendet Westlake Robotics das Schema der „doppelten vortrainierten Architektur für allgemeines Groß- und Kleinhirn“: Das vordere VLA und das Weltmodell sind für die Wahrnehmung und das Verständnis zuständig