Das verkörperte Best-Paper-Team tritt als geschlossene Gruppe an, um das integrierte Gehirnmodell mit kombinierter Wahrnehmungs- und Steuerungsfunktion zu meistern.

Go-Karts, Dinge, die selbst Menschen kaum gut fahren können, wurden tatsächlich von einem zweibeinigen humanoiden Roboter gemeistert??

Von dem „Gehen zum Fahrzeug“ und dem „Hinsetzen im Fahrzeug“ aus sieht der Roboter selbst die Straße, lenkt selbst und tritt aufs Gaspedal.

Die rechte Fuß steuert die Kraft, beide Hände korrigieren ständig die Richtung, das Sehvermögen beurteilt die Veränderungen der Rennstrecke, während ständig der Schwerpunkt angepasst werden muss, um das Gleichgewicht des ganzen Körpers zu erhalten.

Na also, viel Kontakt zum Gleichgewicht, Koordination von Hand, Auge, Fuß, Gehirn und dem ganzen Körper, ein äußerst feines Maß an Kraftsteuerung – all das ist bei einem Roboter vorhanden.

Das Unternehmen, das dieses Konzept vorgelegt hat, ist Shenggong Zhixing, und es ist seit seiner Gründung erst etwas mehr als ein Monat vergangen.

Und das Erstaunlichste ist, dass dieser zweibeinige humanoide Roboter im Video tatsächlich ein branchenführendes originelles End-to-End-Sensorkontroll-Integrationskonzept verwendet, das die derzeitige vorherrschende Trennung von „Gehirn + Kleinhirn“ in der Embodied Intelligence durchbricht. Es teilt Wahrnehmung, Entscheidung und Bewegungssteuerung nicht mehr in mehrere relativ unabhängige Module auf, sondern lässt ein einziges Modell ab dem Erkennen der Welt direkt bis zur endgültigen Aktion des Roboters ausgeben.

Man muss wissen, dass End-to-End und Whole-Body Intelligence die technischen Pfade mit der höchsten Aufmerksamkeit in der akademischen Welt der Embodied Intelligence im Jahr 2026 sind. Es gibt nur sehr wenige Spitzenlabore und Spitzenunternehmen auf der Welt, die entsprechende Ergebnisse vorweisen können – und das wurde tatsächlich von einem jungen chinesischen Unternehmen, das vor weniger als zwei Monaten gegründet wurde, so lebendig umgesetzt?

Wer ist Shenggong Zhixing eigentlich?

01. Das „Traumteam“ der Best Paper in Embodied Intelligence

Shenggong Zhixing wurde Ende Juni dieses Jahres gegründet, also vor weniger als 60 Tagen.

Wenn das erste „Unglaubliche“ an diesem Unternehmen darin besteht, dass es etwas mehr als einen Monat nach seiner Gründung direkt branchenführende Ergebnisse für ein integriertes Gehirnmodell zur Wahrnehmungs- und Steuerungstechnik vorgelegt hat, dann ist das zweite „Unglaubliche“ das Gründungsteam dieses Unternehmens.

Das Gründungsteam von Shenggong Zhixing ist fast ein junges „Traumteam“ der Best Paper im Bereich Embodied Intelligence.

CEO Ding Pengxiang, geboren nach 1995, ist Doktor der Zhejiang-Universität und der Westlake-Universität, sein Betreuer ist Wang Donglin. Er hat sich tief in die Embodied Intelligence eingearbeitet und verfügt über eine Reihe von glänzenden Leistungen, die in der wissenschaftlichen Welt als „erfolgreiche Erzählung“ gelten:

Er ist Erstautor des weltweit ersten vierbeinigen VLA (QUAR-VLA, ECCV 2024) und des ersten humanoiden VLA (Humanoid-VLA, Februar 2025), Kernautor von ReconVLA (AAAI 2026 Best Paper), Erstautor des leichtgewichtigen Benchmark-Modells VLA-Adapter mit 50 Millionen Parametern (der innerhalb einer Woche über 1000 GitHub-Sterne erhielt, derzeit über 2000 hat, das Open-Source-VLA-Projekt mit den meisten Sternen in China und das fünfte VLA-Projekt weltweit mit über 1000 Sternen ist), Gründer der Open-Source-Community für Embodied Intelligence OpenHelix Robotics (mit insgesamt über 5000 Sternen) und einer der fünf am meisten zitierten Doktoranden für Embodied Intelligence in China.

Die anderen „kleinen Genies“ im Kernteam stehen ihnen in nichts nach.

Jeder hat einen Doktortitel, jeder ist nach 2000 geboren, jeder hat Veröffentlichungen in Top-Konferenzen – es ist ein in China (und sogar weltweit) seltenes Team, das Grundmodelle für vierbeinige Roboter, Manipulatoren und humanoide Roboter entwickelt hat. Seine Ergebnisse umfassen:

• Erstautor des CoRL-Papiers, das Pi0.5 besiegte und das erste Best Paper einer chinesischen Forschungsgruppe im Bereich der Top-Konferenz für Robotik erhielt;

• Kandidat für das IJCNN Best Paper;

• Erstautor des HEX-Papiers, das das erste Cross-Entity-Whole-Body-Manipulation-Modell für vollformatige zweibeinige humanoide Roboter vorschlägt;

• Erstautor des OpenWBC, eines der weltweit ersten Open-Source-Fernsteuerungssysteme für Humanoide;

• Erstautor des Trajbooster, eines ersten Loco-Manipulation-VLA, das große Aufmerksamkeit in der Branche erregte und die Effizienz der Datennutzung über verschiedene Entitäten hinweg direkt „durchbrach“ …

Loco-Manipulation, Vierbeiner, Manipulatoren, Humanoide, WBC-Datenerfassung, Vortraining, Nachtraining, Bewegungssteuerung, Cross-Entity …

Mit solch soliden Fähigkeiten und fortschrittlicher Forschung hat man praktisch eine Gruppe von Autoren der bahnbrechendsten Doktorarbeiten für Embodied Intelligence in den letzten zwei Jahren in ein einziges Unternehmen gebracht.

Noch wichtiger ist, dass sie nicht einfach nur „einige Papiere veröffentlicht“ haben: Drei der fünf bahnbrechendsten Arbeiten im internationalen Bereich der Loco-Manipulation stammen von diesem Startup-Team mit weniger als 20 Personen – die Dichte an Best Paper ist so hoch, dass es fast schon unfair ist.

Die jüngste Gruppe von „Erstautoren von wissenschaftlichen Arbeiten“ im Bereich der chinesischen Embodied Intelligence beginnt, gemeinsam in die Praxis einzusteigen.

Interessanterweise werden Personen, die den Bereich der Embodied Intelligence genau beobachten, feststellen, dass Shenggong Zhixing kein Einzelfall ist.

In den letzten sechs Monaten findet im Bereich der Embodied Intelligence stillschweigend eine „große Migration“ von Talentparadigmen statt. In den zwei Jahren davor war das typische Startup-Paradigma für chinesische Embodied Intelligence, dass Professoren selbst in die Praxis einsteigen: Universitätslabore sammeln einige Jahre lang technische Erfahrungen, Professoren werden zu technischen Aushängeschildern des Unternehmens und bringen dann Doktoranden, Masterstudenten und Laborergebnisse in die Industrie. Hinter einer Reihe von bekannten Startup-Unternehmen für Embodied Intelligence lässt sich ein solcher Weg finden.

Aber seit 2026 steigen immer mehr junge Doktoranden, die direkt an der Spitze der Forschung arbeiten, selbst als Gründer ein.

Warum? Aus keinem anderen Grund: Die Technologie entwickelt sich zu schnell. 2023 diskutierte die Branche noch, ob Roboter überhaupt „Großmodelle“ benötigen; 2024 wurde VLA zum Kernkonzept; 2025 wurden Doppel-System-Modelle wie Figure Helix schnell populär; 2026 diskutiert die gesamte Branche nur noch über „End-to-End“.

Das führt zu einer interessanten „Wissensinversion“ in der heutigen Branche: Das höchste technische Verständnis für Embodied Intelligence liegt nicht unbedingt bei den „erfahrenen“ Größen der Branche. Die Personen, die als Erste das Paradigma der nächsten Technologie kennen, sind wahrscheinlich die Doktoranden an der vordersten Forschungsfront, die täglich selbst Daten auswerten, Modelle anpassen und mit Robotern experimentieren.

Welches Konzept nur in Benchmarks gut abschneidet und welches nach der Umsetzung auf einem echten Roboter sofort versagt – bei den verborgenen technischen Strömungen muss man die Doktoranden fragen, die das Modell gerade erfolgreich zum Laufen gebracht haben, um zu wissen, wohin die Spitzentechnologie, das Talent und die Ressourcen fließen.

Diese Veränderung hat die Großmodell-Branche bereits einmal durchgemacht. Liang Wenfeng, Gründer von DeepSeek, stellte in einem Interview mit 36kr das Profil des Kernteams vor: „Es sind alles Absolventen von Spitzenuniversitäten, Doktoranden im 4. oder 5. Studienjahr, die noch nicht abgeschlossen haben, sowie junge Leute, die erst seit wenigen Jahren ihren Abschluss haben.“

Das gilt nicht nur für China, sondern auch für das Ausland.

Das gilt für Großmodelle, und das gilt auch für Embodied Intelligence.

02. End-to-End – das „Endzustand“ der Embodied Intelligence

Das bahnbrechendste Team mit der bahnbrechendsten Talentstruktur muss natürlich auch die bahnbrechendsten Ergebnisse vorweisen.

Wie bereits erwähnt liegt das Revolutionäre an Shenggong Zhixing darin, dass es das derzeit vorherrschende „schichtbasierte“ Konzept aufhebt und sich direkt dem weltweiten schwierigen Problem der integrierten End-to-End-Wahrnehmungs- und Steuerungstechnik widmet.

Um seine Revolutionäre Wirkung zu verstehen, muss man zuerst wissen: In den letzten Jahren war der vorherrschende Ansatz für humanoide Roboter im Wesentlichen noch „schichtbasiert“ oder „Gehirn + Kleinhirn“. Das obere Gehirn ist für Wahrnehmung, Verständnis und Planung zuständig, das untere Kleinhirn für Bewegungssteuerung und Gleichgewicht.

Das Team von Shenggong Zhixing ist eines der ersten Teams in China, das diese Architektur vorgeschlagen hat, und hat bereits 2023 entsprechende Ergebnisse veröffentlicht.

In den letzten zwei Jahren sind aber die Probleme des „schichtbasierten Konzepts“ immer deutlicher geworden. Da zwischen den oberen und unteren Schichten natürliche indirekte Kaskadenfehler bestehen, lässt sich die Abbildung zwischen Wahrnehmung und Steuerung nicht direkt herstellen, und das „Gehirn“ kann nur sehr schwer die Aktionsrückmeldung des „Kleinhirns“ erhalten, was zu schlechten Aufgabenergebnissen führt.

Um es mit einem Vergleich zum Menschen zu erklären: Wenn ein Mensch eine Tasse auffangen will, die gerade vom Tisch fällt, führt er nicht zuerst das visuelle Verständnis durch, pausiert dann, um eine Trajektorie zu generieren, und aktiviert schließlich den Arm. Meistens lehnt sich der Körper schon vor und streckt die Hand aus, sobald das Auge den fallenden Becher gesehen hat. Wahrnehmung, Aktion und Gleichgewicht sind im Grunde ein einziger Vorgang.

Bei zweibeinigen humanoiden Robotern ist dieses Problem noch ausgeprägter. Jede Bewegung des Arms, jede Drehung und jede Vorbeugung verändert den Körperschwerpunkt; Änderungen der Kontaktkraft an den Fußsohlen beeinflussen wiederum die Bewegungen des Oberkörpers. Trennung von oberen und unteren Gliedmaßen, keine Steuerung der unteren Körperhälfte und der Kraft durch die Aufgabensemantik, lange Fehlerwiederherstellungsketten, schwierige Vereinheitlichung von Daten und Zielen …

Das ist auch der Grund, warum in den meisten Demonstrationen von zweibeinigen humanoiden Robotern auf dem Markt kaum Aktionen zu sehen sind, die wie das „Go-Kart-Fahren“ von Shenggong Zhixing die Koordination von Hand, Auge, Gehirn und dem ganzen Körper erfordern. Sie wollen das nicht nicht, sie können es nicht.

Die Branche hat dieses Problem bereits erkannt. Ab der zweiten Hälfte des Jahres 2025 sind „Whole-Body Intelligence“ und „End-to-End“ in den Top-Konferenzen der Branche als die nächste Entwicklungsrichtung anerkannt, aber bisher gibt es nur sehr wenige, die konkrete Ergebnisse vorweisen können.

Shenggong Zhixing verfolgt genau diese Richtung.

Das DPC-Modell (Direct Perception Control Model) von Shenggong Zhixing ist ein integriertes Grundmodell für Loco-Manipulation-Wahrnehmungs- und Steuerungstechnik, das die Barriere zwischen „Gehirn + Kleinhirn“ des Roboters durchbricht und direkt End-to-End-Kooperation des ganzen Körpers umsetzt.

Als Eingang dienen multimodale Wahrnehmungsdaten (Sehen, Sprache, Roboterstatus, physikalische Signale); nach der Verarbeitung durch das Unified Perception Control Model werden direkt Ganzkörperaktionen mit Kraftrückmeldung aus Sehen, Sprache, Eigenstatus, historischer Rückmeldung und Kontaktrückmeldung generiert.

Schließlich kann es direkt die koordinierten Gelenkmomente des ganzen Körpers ausgeben und zielt auf den „Endzustand“ der „Interaction-Native Whole-Body Intelligence“ ab.

Besonders bemerkenswert ist, dass das Team von Shenggong Zhixing als erstes nachgewiesen hat, dass das Training mit multi-source-heterogenen Daten das Scaling von Ganzkörperdaten für humanoide Roboter effektiv umsetzen kann. Sein eigenes vortrainierungsfreies Algorithmus benötigt nur sehr wenige echte Daten, um komplexe Ganzkörper-Kooperationsaktionen zu realisieren.

Im Vergleich zu herkömmlichen Konzepten kann das DPC-Modell von Shenggong Zhixing die Wahrnehmungs- und Steuersignale von Gehirn und Kleinhirn gleichzeitig optimieren (die Koordination von Hand, Auge, Gehirn und dem ganzen Körper beim Go-Kart-Fahren), was die nachgiebige Kraftsteuerungsfähigkeit des Roboters erheblich verbessert (der Druckbereich des Gaspedals im Go-Kart und die Geschwindigkeit des Fahrzeugs). Gleichzeitig ermöglicht es die universelle Anpassung desselben Grundmodells über verschiedene Entitäten und Konfigurationen hinweg und verfügt über eine starke Null-Schuss-Verallgemeinerungsfähigkeit in realen Szenarien.

Heute ist „End-to-End“ die anerkannte Konsensrichtung in der Spitzenforschung zur Embodied Intelligence und auch die 2026 von der Branche anerkannte Entwicklungsrichtung für das „nächste Generation Roboter-Gehirn“.

In den letzten zwei Jahren ist die WBC-Technologie für Bewegungssteuerung ausgereift, die verfügbare Datenmenge wächst exponentiell, die Richtung des integrierten Grundmodells für VAM-Wahrnehmung und -Entscheidung beginnt sich zu vereinheitlichen – die „drei großen Berge“, die vor dem integrierten Gehirn für Wahrnehmungs- und Steuerungstechnik in der Embodied Intelligence standen, sind allmählich verschwunden.

„2026 sind alle drei Bedingungen gleichzeitig erfüllt. Jetzt ist das Zeitfenster für das End-to-End-Gehirn zur integrierten Wahrnehmungs- und Steuerungstechnik für zweibeinige Humanoide offen, es dauert