Ant Group ist der Lead-Investor in einem seltenen Team im Bereich der Embodied Intelligence.

Heute (11. August) gab Daimon Robotics den Abschluss einer strategischen Finanzierungsrunde im Wert von mehreren hundert Millionen Yuan bekannt, angeführt von Ant Group, wobei die alten Aktionäre überproportional weiter investiert haben.

Der Finanzierungsrhythmus ist sehr schnell. Erst vor zwei Monaten schloss Daimon gerade die Serie-A-Finanzierung im Wert von 100 Millionen Yuan ab.

Die Liste der Investoren ist noch beeindruckender. Zusammen mit Ant Group in dieser Runde hat Daimon eine Reihe von führenden industriellen Kapitalgebern wie China Merchants Venture Capital, Lenovo Capital, Inovance Venture Capital, China Mobile und China Telecom hinter sich versammelt.

Warum setzen die Industriegiganten nacheinander auf Daimon?

Die Antwort liegt in der Veränderung des Wettbewerbsfokus der Embodied Intelligence.

Der Wettbewerb in der nächsten Phase hat sich bereits von der Frage „ob es Tastsinn gibt“ zu der Frage „ob man den Tastsinn wirklich verstehen und nutzen kann“ verschoben. Die Fähigkeit, Tasteingaben in Tastintelligenz umzuwandeln, wird zum entscheidenden Faktor für den Erfolg.

Branchenforschungen haben bestätigt, dass nach der Einführung von Tastdaten die Erfolgsrate von robotischen Kontaktaufgaben und die Effizienz der Datennutzung erheblich gesteigert werden können, sodass Physical AI eine Scaling-Kurve durchläuft, die weit über die rein visuelle Lösung hinausgeht.

Vor kurzem stellte das Team von Li Feifei, der „Göttin der KI“, in dem T-Rex-Papier vor, dass Tastsinn nicht der Anhängsel des Sehens ist, sondern ein unabhängiger, hochfrequenter Kanal für physische Wahrnehmung ist. Wenn man Tastsignale einfach als zusätzliche Eingabe in vorhandene Modelle einfügt, kann dies die Leistung nicht vollständig verbessern, sondern sogar zu einem starken Rückgang der Aufgaben-Erfolgsrate führen.

Wenn T-Rex das Problem „wie man den Tastsinn richtig nutzt“ systematisch gelöst hat, geht Daimon noch einen Schritt weiter und bringt den Tastsinn von der „nachträglichen Rückmeldung“ zur „vorausschauenden Ableitung“.

Daimon hat nicht nur als Erster in der Branche die Architektur des Modells für Sehen-Tast-Sprache-Aktion (VTLA) vorgeschlagen, sodass der Tastsinn nativ in Wahrnehmung, Entscheidungsfindung und Aktionsgenerierung einfließt, sondern auch das weltweit erste „physische Interaktionsgehirn“ zur Steuerung der geschickten Manipulation von Robotern entwickelt, das erstmals physische Kognition, vorausschauende Entscheidungsfindung und sofortige Steuerung in einem einheitlichen Modellrahmen zusammenfasst.

Eine durch das „physische Interaktionsgehirn“ ausgelöste Revolution der Tastintelligenz findet gerade statt, und Daimon steht genau im Zentrum des Sturms dieser Veränderung.

Von CMU zur Hongkong University of Science and Technology

Das weltweit seltene Full-Stack-Team für Tastintelligenz

Ein echtes „physisches Interaktionsgehirn“, das die geschickte Manipulation von Robotern antreibt, erfordert drei grundlegende Stützen: massenproduzierbare Tastwahrnehmungsgeräte, skalierbare Infrastruktur für physische Interaktionsdaten und ein Implementierungssystem, das Bewertung und Bereitstellung abdeckt.

Daimon hat diese drei hochschwelligen Fähigkeiten gleichzeitig verbunden, hinter ihm steht ein weltweit seltenes Full-Stack-Team für Tastintelligenz, das Bereiche wie robotische Manipulation, Tastwahrnehmung, Training großer Modelle und technische Implementierung abdeckt.

Diese technische Linie lässt sich auf die Carnegie Mellon University (CMU) zurückverfolgen.

CMU ist der Geburtsort der globalen Robotikforschung. 1979 gründete Raj Reddy, Preisträger des Turing-Preises und Pionier der künstlichen Intelligenz, hier das weltweit erste Robotikinstitut. Drei Jahre später kam Professor Matthew T. Mason hierher, um als Dekan des Robotikinstituts zu wirken. Er wird auch als Vater der globalen geschickten Manipulation von Robotern bezeichnet, und seine Forschung legte die theoretische Grundlage für das gesamte Gebiet der Roboteroperation, des Greifens und der Kontaktmechanik.

Der akademische Zweig von Professor Mason trägt fast die Hälfte der globalen Roboterindustrie. Von Branchengiganten wie Boston Dynamics, Google DeepMind, Physical Intelligence, NVIDIA, Amazon Robotics bis zu Tast- und Manipulationslabors verschiedener Unternehmen stammen die meisten Unternehmer und Forscher, die heute im Zentrum der Bühne der Embodied Intelligence aktiv sind, aus dieser Linie.

Unter den Schülern von Mason taucht eine chinesische Persönlichkeit auf – Wang Yu, der erste promovierte Absolvent von Professor Mason. Als Erbe der orthodoxen akademischen Linie der CMU brachte Wang Yu später das gesamte akademische System der geschickten Manipulation nach China und wurde der Wegbereiter dieser chinesischen Geschichte der Tasttechnik-Gründung.

Der akademische Stammbaum von Mason und seinen zwei Generationen von Schülern

Die von Mason vertretene Schule der Roboteroperation hat eine Kernaussage: Die Geschicklichkeit der Hand hängt hauptsächlich vom „Gehirn“ ab, nicht von der Hand selbst. Dies führt zu einer noch grundlegenderen Frage: Wenn der Schlüssel zur geschickten Manipulation im „Gehirn“ liegt, womit lernt dieses „Gehirn“?

Sprachmodelle haben Bücher, Videomodelle haben das Internet, während Daten wie Kontakt, Kraft, Verformung und Gleiten nur in echten Operationen erzeugt und angesammelt werden können. Daher ist der erste Schritt zur physischen Intelligenz nicht, direkt ein „Gehirn“ zu bauen, sondern zuerst einen Dateneingang für es zu schaffen, der echte Kontakte wahrnehmen und aufzeichnen kann.

2015 gründeten Wang Yu und Li Zexiang gemeinsam das Robotikinstitut der Hongkong University of Science and Technology und Wang Yu wurde sein Gründungspräsident. In dieser Zeit begann Wang Yu, das Forschungsteam der HKUST bei der Bewältigung der hochauflösenden visuell-taktilen Wahrnehmungstechnologie anzuleiten.

In der anschließenden langfristigen Forschung bildete Wang Yu nach und nach ein Team junger Wissenschaftler aus, das Roboteroperation, multimodale große Modelle und Tastwahrnehmung abdeckt.

Ende 2023 nahm Daimon Robotics offiziell den großmaßstäblichen Betrieb in Shenzhen auf. Professor Wang Yu fungiert als Mitbegründer und Chefwissenschaftler, und gemeinsam mit drei von ihm ausgebildeten nach 1990 geborenen Doktoranden bildet er den Kern des Teams.

Yuan Weihao, Wang Yu, Duan Jianghua, Du Yipai

Duan Jianghua, Doktor der Chinesischen Akademie der Wissenschaften, Postdoktorand der Hongkong University of Science and Technology und ausgewählter junger Wissenschaftler der MIT AI100, fungiert als Gründer und CEO und ist die zentrale Figur bei der Industrialisierung der visuell-taktilen Technologie; Yuan Weihao, ehemaliger Experte für multimodale Forschung im Ali Tongyi-Labor mit Erfahrung in großen Modellen und physischen Roboteroperationen, fungiert als Chef-KI-Wissenschaftler; Du Yipai, Kernschüler von Professor Wang Yu im Bereich der Tastsensorik und Chefarchitekt der monochromatischen visuell-taktilen Sensoren von Daimon, fungiert als Leiter für Forschung und Entwicklung sowie Tastsinn.

Von der Theorie der Roboteroperation von Mason über die technische Linie der Tasttechnik von Wang Yu bis hin zu Duan Jianghua, Yuan Weihao und Du Yipai, die jeweils Industrialisierung, Modell und Produkttechnik vorantreiben, hat dieses Team zehn Jahre lang gebraucht, um eine wissenschaftliche Fragestellung zur Geschicklichkeit von Robotern in ein kommerzielles System mit großmaßstäblichem Betrieb zu verwandeln.

Das weltweit erste „physische Interaktionsgehirn“

Die Scaling-Kurve der Embodied Intelligence neu gestalten

Auf dem technischen Weg „zuerst den Dateneingang aufbauen, dann zur physischen Intelligenz gelangen“ hat Daimon kürzlich offiziell das weltweit erste tastverankerte Weltmodell Daimon-TWM (Tactile-grounded World Model) vorgestellt, das mit nativem Tastsinn Verstehen, Schlussfolgern, Vorhersage und Überprüfung durchzieht, sodass ein „taktiles Nervensystem“ von der Fingerspitzenwahrnehmung über die Gehirnschlussfolgerung bis zurück zur Aktionssteuerung aufgebaut wird, was die Embodied Intelligence von „die Welt sehen“ zu „die Welt verstehen“ und „mit der Welt interagieren“ vorantreibt.

Das Modell basiert auf dem weltweit größten Datensatz für physische Welten mit taktilen Modalitäten, der von Daimon veröffentlicht wurde, zeigt stabile Betriebsfähigkeit und Generalisierungsfähigkeit in komplexen Szenarien und weist einen anhaltenden Scaling-Trend sowie Anwendungspotenzial für szenarien- und körperübergreifende Anwendungen auf.

Bei der Aufgabe, zerbrochenes Glas aufzuräumen, machen transparente Reflexionen und unregelmäßige Kanten es dem Sehen schwer, die Glaskante stabil zu erkennen; Glas ist rutschig und zerbrechlich, bei zu leichtem Greifen rutscht es leicht ab, und selbst geringe Abweichungen bei der Greifkraft und der Tragehaltung können zu einer zweiten Zerstörung führen; die Fragmente liegen eng auf der Tischdecke, sodass ein direktes Hochziehen auch die Tischdecke mit nach oben ziehen kann.

Das „physische Interaktionsgehirn“ Daimon-TWM von Daimon bestätigt durch Kontakt, ob das Glas sicher gegriffen ist, und leitet die Folgen verschiedener Greifwinkel, Zugrichtungen und Platzierungsarten ab. Wenn es feststellt, dass ein direktes Anheben die Tischdecke mitziehen könnte, passt es das Glas aktiv in eine vertikale Haltung an, bevor es es anhebt, und korrigiert kontinuierlich Kraft und Bahn anhand der Echtzeit-Tastrückmeldung, sodass die Fragmente schließlich sicher in den Mülleimer auf dem Tisch gelegt werden.

Daimon-TWM erledigt die Aufgabe, zerbrochenes Glas aufzuräumen, autonom

Daimon-TWM arbeitet mit einer dreischichtigen Architektur zusammen und bildet eine physische Intelligenz mit physischer Kognition als Grundlage und dem Betriebszyklus „langsame Planung – schnelle Korrektur“:

Die dreischichtige Architektur von Daimon-TWM

Modul für physische Kognition: Die Grundlage für taktiles Schlussfolgern auf Basis von Verstärkungslernen ist für die Aufbauung von physischem Allgemeinwissen zuständig, versteht Schlüsselmerkmale wie Kontaktzustand, Kraft und Verformung sowie Materialeigenschaften und bildet eine kognitive Beurteilung des aktuellen physischen Zustands.

Modul für vorausschauende Entscheidungsfindung: Das dynamische Vorhersagezentrum auf Basis des Weltmodells ist für die vorausschauende Vorhersage zuständig, leitet die Entwicklungstrends des Kontaktzustands und potenzielle Ausfallrisiken ab und generiert Aktionsstrategien anhand der Ableitungsergebnisse.

Modul für sofortige Steuerung: Das Hochfrequenz-Servosystem auf Basis von Tastrückmeldungen ist für die sofortige Aktionskorrektur zuständig, kombiniert kontinuierlich Entscheidungsanweisungen und Echtzeit-Tastrückmeldungen und realisiert kleine Korrekturen im Millisekundenbereich mit einer hohen Frequenz von 100 Hz.

Die Parametergröße von Daimon-TWM erreicht das Niveau von 10B, es kann auf der Plattform NVIDIA RTX 5090 in Echtzeit schlussfolgern und hat das Potenzial, körper- und armübergreifend bereitgestellt zu werden. Das Modell führt lernbare einheitliche taktile Token (unified tactile tokens) ein, extrahiert kontaktbezogene Informationen aus multimodalen Beobachtungen und baut einen einheitlichen taktilen latenten Raum für das taktile Verstehen und die Vorhersage auf.

Daimon-TWM durchzieht das gesamte Modellstadium mit Tastsinn und verleiht dem Modell deutliche Vorteile bei physischem Verstehen, vorausschauender Planung und Generalisierung der Manipulation: Daimon-TWM erzielt umfassende Vorteile bei der Bewertung der physischen Kognition und zeigt ausgezeichnete autonome Manipulationsfähigkeiten bei kontaktintensiven Manipulationsaufgaben. Die durchschnittliche Erfolgsrate unter ungestörten Bedingungen ist doppelt so hoch wie die von π0.5, unter gestörten Bedingungen sogar zehnmal so hoch.

Den selbstevolutionären Loop der physischen Intelligenz aufbauen

In diesem intensiven Wettbewerb, der von dem „physischen Interaktionsgehirn“ angeführt wird, hat Daimon nicht nur einen ersten Vorteil bei der Intelligenz aufgebaut, sondern auch als Erster den vollständigen Loop „Wahrnehmung erzeugt Daten, Daten veredeln Intelligenz, Bewertung prüft Fähigkeiten, Bereitstellung fördert Iteration“ durchlaufen, was die „kambrische Explosion“ der physischen Intelligenz vorantreibt.