Modelle konkurrieren nicht mit Parametern, sondern mit geschlossenen Regelkreisen und der praktischen Umsetzung in häuslichen Szenarien – die diesjährige Konferenz ist nicht mehr „sexy“ | Direktbericht von der WRC 2026

Text von | Q Xiaofen, HUANG Nan 

Redaktion | YUAN Silai 

Am 20. August wurde die Weltroboterkonferenz (im Folgenden WRC genannt) im nationalen Innovations- und Ausstellungszentrum in Yizhuang, Peking, veranstaltet. Die Eröffnung fiel mit dem Börsengang von Unitree zusammen, dessen Marktkapitalisierung an ihrem Höhepunkt über 400 Milliarden Yuan lag und der ohnehin schon heißen Branche noch einmal neuen Schwung verlieh.

Die diesjährige WRC zog mehr als 300 Aussteller an, was einem Anstieg von 40 % gegenüber dem Vorjahr entspricht, und es wurden sogar 3000 Roboterprodukte ausgestellt.

Unter den neuen Gesichtern befinden sich neben einer neuen Reihe von Startups im Bereich der verkörperten Intelligenz auch echte Kunden – nach offiziellen Angaben haben sich in diesem Jahr 49 staatliche Unternehmen zu einer Gruppe zusammengeschlossen, um mit 12 echten Ingenieurszenarien (Stromnetz, Luft- und Raumfahrt, Bergbau und Metallurgie usw.) nach Robotern zu suchen.

Die WRC ist in vier Hallen A, B, C und D unterteilt, eine mehr als im Vorjahr. Der gesamte Rundgang führt von den vollständigen humanoiden Robotern in Halle C über die vollständigen Anwendungsszenarien in den Hallen A und D bis zu Halle B, in der hauptsächlich Anbieter aus dem oberen Bereich der Industriekette vertreten sind, und bildet so die vollständige Industriekette der verkörperten Intelligenz ab.

Auffällig ist, dass in Halle B auch eine Reihe neuer internationaler Chip-Giganten wie AMD, Infineon, Realtek und andere aufgetaucht sind, die versuchen, Kunden unter den neuen aufstrebenden Roboterunternehmen zu gewinnen.

Als eine der wichtigsten Konferenzen im Roboterbereich jedes Jahr kann die WRC als wichtiges Beobachtungsfenster für den Trend der Branche dienen.

Hard Krypton durchstreifte das 52.000 m² große Ausstellungsgelände und stellte fest, dass die Menschen nicht mehr bereit sind, für Visionen und Geschichten zu bezahlen. Auf dieser WRC müssen die Unternehmen scharfe Fragen beantworten: Ist ihr Modell geschlossen und kann der Roboter echte Aufgaben erledigen?

Mit dem Börsengang von Unitree und der Entstehung mehrerer Unternehmen mit einem Marktwert von über 10 Milliarden Yuan ist die verkörperte Intelligenz in eine tiefe Phase eingetreten. Die WRC 2026 ist ein Vorpostenfenster, das eine Rückkehr zum kommerziellen Wert darstellt: Egal wie verlockend das Endziel ist, Unternehmen müssen zuerst im Moment Einnahmen erzielen.

Quelle / Aufnahme von Hard Krypton

  Die Modelle werden wirklich eingesetzt, aber es geht nicht um Intelligenz, sondern um einen geschlossenen Regelkreis

Hard Krypton hat an vielen WRC-Veranstaltungen teilgenommen. Früher haben die Unternehmen verglichen, „wie intelligent das Modell ist“ oder „wie groß meine Parameter sind“, aber in diesem Jahr ist es pragmatischer geworden, alle sprechen über das gleiche Problem: Wie man Modell, Daten und praktische Aufgaben zu einem geschlossenen Regelkreis verbindet, damit das Modell der Umsetzung in realen Szenarien dient.

Eine neue technische Veränderung besteht jedoch darin, dass letztes Jahr das gesamte Gelände mit dem VLA-Label versehen war, während in diesem Jahr niemand mehr über VLA spricht, sondern fast alle ein Weltmodell darauf aufbauen.

Ein einzelnes VLA-Modell kann Szenarien betrachten, Anweisungen verstehen und Aktionen ausführen, was für kurze geschlossene Szenarien ausreicht, aber es weiß nicht, wie die Umgebung aussieht, und kennt keine Kausalzusammenhänge. Daher häufen sich die Fehler bei längeren Aufgaben, und es schlägt fehl, wenn es in eine unbekannte Umgebung wechselt. Das Weltmodell schließt diese Lücke – es lässt den Roboter vor dem Handeln im Geiste mehrere Möglichkeiten durchdenken, erst denken, dann handeln, anstatt während der Ausführung Fehler zu machen.

Allerdings gibt es bei der Integration von VLA und Weltmodell unterschiedliche Ansätze bei den verschiedenen Anbietern.

Beobachtungen von Hard Krypton auf der WRC zeigen, dass der derzeit repräsentativste Weg darin besteht, das Weltmodell direkt in das Modell einzufügen, sodass die Aktionsgenerierung nicht mehr nur eine reine End-to-End-Abbildung ist, sondern auf der Grundlage der Vorhersage der dynamischen Veränderungen der Welt erfolgt.

YU Chao, Gründer von Luming Robotics, erklärte Hard Krypton, dass ihr Ansatz für das verkörperte Gehirn Prime R0 darin besteht, die Vorhersagefähigkeit des Weltmodells direkt in den Entscheidungsrahmen von VLA zu integrieren, sodass semantisches Verständnis, Handlungsausführung und Lagevorhersage einen geschlossenen Regelkreis bilden.

„Wir behandeln das Weltmodell nicht einfach als externes Add-On, sondern lassen es gleichzeitig beim Erlernen von Aktionen auch die Veränderungen der Welt nach den Aktionen erlernen“, sagte YU Chao.

Der von Luming zeitgleich veröffentlichte Roboter-Fähigkeitsentwicklungsmotor NexCore baut ebenfalls einen solchen geschlossenen Regelkreis auf: Ausgehend von echten industriellen Aufgaben werden Daten aus der realen Welt erfasst, durch Modelltraining Roboterfähigkeiten gebildet und dann auf den Roboter bereitgestellt, um die Aufgaben zu erledigen. Während des Roboterbetriebs entstehen neue Rückmeldungen und Daten, die zurück in das Modell und das Fähigkeitssystem fließen, um kontinuierlich zu iterieren.

Stardust Intelligence geht einen anderen Weg, indem es interpretierbare, überprüfbare und eingreifbare Reasoning in das Modell einführt, und sich von der expliziten Text-Schlussfolgerung von Lumo-1 allmählich zur impliziten Modellierung der dynamischen Veränderungen der Welt bei Lumo-2 entwickelt.

Der wesentliche Unterschied zwischen den beiden besteht darin, dass einer den Schlussfolgerungsprozess sichtbar und überprüfbar macht, während der andere den Schlussfolgerungsprozess in den impliziten Raum komprimiert, um Effizienz zu erzielen.

Einfach ausgedrückt ist der Schlussfolgerungsprozess von Lumo-1 lesbar: Die KI organisiert zuerst ihre Gedanken in Sprache und führt dann die Aktion aus, was dem „Aufschreiben“ des Denkprozesses entspricht. Sie teilt die Aufgabe in drei unabhängige Module ein: Planung, Vorhersage und Steuerung, wobei das Weltmodell als separate Vorhersageebene in der Mitte fungiert. Der Vorteil dieser Architektur liegt in der Stabilität bei Langzeitaufgaben, der Nachteil besteht darin, dass die Daten zwischen den Modulen hin- und herübertragen werden, was langsam ist und nur schwer in reale Szenarien mit hochfrequenter Interaktion integriert werden kann.

In diesem Jahr hat Stardust Intelligence Anpassungen an Lumo-2 vorgenommen: Mithilfe des Welt-Aktionsmodell-Frameworks führt es die Vorhersage von Veränderungen der Welt im „impliziten Raum“ durch und generiert direkt Aktionen, was schneller ist, aber der Schlussfolgerungsprozess kann nicht mehr direkt wie im Text angezeigt werden. Diese Änderung entspricht der Verkleinerung und Beschleunigung der unabhängigen Module, sodass die Schlussfolgerungsgeschwindigkeit 2,71 Mal schneller ist als das Standard-Autoregressionsverfahren.

Der Stardust Intelligence T1 sortiert einen Rucksack auf der WRC (Quelle / Unternehmen)

Unabhängig von den unterschiedlichen technischen Wegen muss am Ende eine praktische Frage beantwortet werden: Wie kann das Modell in realen Szenarien Wert schaffen?

Die intuitive Wahrnehmung von Hard Krypton lautet: In diesem Jahr bewegen sich die Roboter schneller als zuvor, und das ist mit bloßem Auge sichtbar. Mehrere Ausstellungsmitarbeiter gaben an, dass dahinter eine große Anzahl von technischen Optimierungsarbeiten für die Modellimplementierung steckt.

Ein Mitarbeiter erzählte Hard Krypton, dass einer der Schmerzpunkte bei der Roboterimplementierung früher die Schnittstellen waren: Sowohl Modellanbieter, die verschiedene Roboterplattformen kauften, als auch Plattformanbieter, die Modelle beschafften, mussten Schnittstellenprogramme einzeln schreiben, und die Lücke zwischen Hardware und Modell war riesig.

Aus diesem Grund hat Fourier Robotics auf der diesjährigen WRC ein Framework hervorgehoben, das Funktionsmodule wie große Sprachmodelle, verkörperte Modelle, Navigationsplanung und untergeordnete Bewegungssteuerung verbindet. Für Modellanbieter reicht es aus, das Modell darin einzufügen, um es zu validieren, und es muss nicht von Grund auf an die Anpassung gearbeitet werden, als hätte man ein „Nervensystem“ gebaut.

Fourier Robotics (Quelle / Offizielle Seite)

XU Shichao, Technischer Direktor von Xixi Intelligence, erzählte Hard Krypton, dass hinter der schnellen Bewegung auch eine Logik der Abwägung von Modellen steckt: Im Prozess der industriellen Umsetzung hat die Branche die große Begeisterung für große Modelle allgemein verloren. Wenn man jeden Schritt dem großen Modell überlässt, um ihn erst durchzudenken, kann man überhaupt nicht schnell werden, und der Rechenverbrauch ist ebenfalls enorm.

Daher lautet der technische Konsens in der Branche in diesem Jahr die „Schnell-Langsam-Gehirn“-Architektur mit Zusammenarbeit von Groß- und Kleinhirn: Das Großhirn führt tiefe Schlussfolgerungen durch, das Kleinhirn führt schnelle Ausführungen durch, um die umfassenden Probleme des Modells bei Rechenleistung, Kosten, Wärmeabfuhr und Reaktionszeit zu lösen. Konkret werden hochfrequente, wiederholte Aktionen herausgetrennt und von kleinen Modellen mit geringerer Rechenleistung übernommen, sodass nicht jedes Mal das große Modell aufgerufen werden muss.

XU Shichao erklärte, dass die Branche im Allgemeinen zusätzlich Arbeiten wie die Simulation der physischen Welt und vorzeitige Schlussfolgerungen durchführt, damit das Modell nicht gleichzeitig rechnen und handeln muss, was die Gesamteffizienz steigert. Dadurch erfüllen die Roboter die Anforderungen der Fabrikkapazität bei der Lebensmittelverarbeitung und verbessern den tatsächlichen Nutzen der Fabrik.

ZHANG Xiaoming, Executive Vice President von Cowarobot, wies im Gespräch mit Hard Krypton auch auf die Besonderheit von verkörperten Modellen hin: Große Sprachmodelle werden normalerweise „zuerst im Labor trainiert und dann in großem Maßstab bereitgestellt“, während Roboter-Modelle nicht warten müssen, bis sie perfekt trainiert sind, um eingesetzt zu werden – sie können zuerst in reale Szenarien eintreten, um zu laufen, während der Arbeit Daten sammeln und dann die Daten das Modell weiter verbessern lassen.

Am Beispiel von Cowarobot: Ihre Roboter haben bereits einen normalen Betrieb in Zehntausenden Einheiten in verschiedenen städtischen Szenarien in mehr als 50 Städten und Regionen weltweit realisiert und kumulativ mehr als 50 PB an Daten aus realen Szenarien angesammelt. Diese Daten werden kontinuierlich verwendet, um die Entscheidungs- und Generalisierungsfähigkeit des Modells zu optimieren. „Die Modellverbesserung und die Szenarienimplementierung laufen parallel, nicht nacheinander“, sagte ZHANG Xiaoming.

Dass die Roboter in diesem Jahr schnell laufen, liegt nicht an einer revolutionären Durchbruch bei einer bestimmten Modelltechnik, sondern daran, dass die Branche mehr Wert auf den geschlossenen Regelkreis legt – und in dem Widerspruch „das Großhirn denkt langsam, die Hände und Füße bewegen sich schnell“ einen technischen Lösungsweg für die Abwägung gefunden hat.

Es ist unbestreitbar, dass die verkörperten Modelle zwar bereits einige wenige erfolgreiche Fälle aufweisen, aber noch weit von der industriellen Umsetzung entfernt sind. JIAO Jichao, Vizepräsident von UBTECH und Dekan des Instituts für verkörperte Intelligenz und humanoide Roboter, erzählte Hard Krypton, dass auf der Ebene der Erforschung fortschrittlicher Technologien die Menge der echten Interaktionsdaten in der Branche unzureichend ist und hochwertige Daten rar sind. Außerdem hat die Branche noch kein einheitliches Verständnis für die erforderlichen Datentypen und Trainingsstandards für verkörperte Modelle entwickelt.

In dieser Situation wählen einige Teams einen praktischeren Ansatz. Sie beschäftigen sich nicht damit, ob das Modell echte Aufgaben erledigen kann, sondern prüfen, bis zu welchem Grad es dies kann und auf welcher Schwierigkeitsstufe es fehlschlägt.

Ihre Testmethode ist auch sehr interessant: Zum Beispiel hat Muka Robotics mit drei interaktiven Spiel-Demos – Curling, Zauber erraten und Labyrinth – einen Fähigkeitsgrenzen-Teststand aufgebaut.

Diese drei Spiele haben unterschiedliche Schwerpunkte. Curling überprüft die Anpassungsgeschwindigkeit des Weltmodells in einer dynamischen Umgebung. Zauber erraten prüft die Fähigkeit des Weltmodells zur „Mehrpfad-Deduktion“. Das Publikum versteckt den Ball zufällig unter einem von drei Bechern und tauscht die Positionen der Becher aus. Obwohl der Roboter nicht weiß, wo der Ball ist, kann er jeden möglichen zukünftigen Zustand nacheinander ableiten und dann den optimalen Weg zur Ausführung wählen. Das Labyrinth ist ein klassischer Stresstest. Mit zunehmender Anzahl von Kurven muss das Modell unter rein visuellen Bedingungen kontinuierlich schlussfolgern, die Konsistenz bei sequenziellen Langzeitentscheidungen beibehalten und keine Fehler anhäufen, um die Obergrenze des Modells bei der Bearbeitung komplexer Planungsprobleme herauszufordern.

Der Weltmodell-Trainingsbereich, der von Muka Robotics vor Ort ausgestellt wurde (Quelle / Unternehmen)

Natürlich beweisen solche Experimente auch, dass die verkörperten Modelle noch sehr früh in der Entwicklung sind, und selbst für Tests ist es schwierig, zufällige Szenarien zu verwenden.

„Das direkte Ergebnis der Verbesserung der Modellfähigkeit ist, dass Szenarien, die früher auf Regeln und Planung basierend nicht umgesetzt werden konnten