Der Schlüssel zum Sieg für humanoide Roboter liegt in ihrem "Gehirn"

Vom 19. bis 23. August fand die 2026 Welt-Roboterkonferenz in Yizhuang, Peking statt. Mehr als 300 Unternehmen stellten über 2000 Exponate aus, darunter mehr als 150 neu vorgestellte Produkte.

Im Vergleich zum Vorjahr hat sich das Gesicht der Konferenz stark verändert: Während die Roboter auf den meisten Messeständen im letzten Jahr noch vorführende Aktionen wie Salti schlagen und Boxen ausführten, zeigten sie dieses Jahr praktische Demonstrationen wie das Sortieren von Medikamenten in einer simulierten Apotheke, das Abholen von Waren für Kunden im Einzelhandelsszenario sowie das Falten von Kleidung und Ordnen von Gegenständen in einem simulierten Familienhaushalt.

Nach Beobachtungen von Reportern vor Ort treten bei Robotern in praktischen Szenarien jedoch von Zeit zu Zeit Probleme auf.

Am Nachmittag des 20. Augusts bemerkte der Reporter, dass sich vor einem Stand für unbemannten Einzelhandel eine lange Schlange bildete und viele Menschen zuschauten. Auf dem Stand war eine Reihe von Regalen aufgebaut, die sowohl Medikamente als auch Alltagsprodukte enthielten. Daneben befand sich eine Kasse. Kunden konnten über ein Mini-Programm auf dem Handy bestellen, und der Roboter holte die Waren nach Eingang der Bestellung aus dem Regal, legte sie auf die Kasse und schloss die Übergabe ab.

Ein Besucher bestellte ein Tütenprodukt mit Sojamilch. Nach Erhalt der Bestellung drehte sich der Roboter zuerst zum Regal, erkannte die Position der Sojamilch, streckte seinen mechanischen Arm aus, um sie zu greifen, drehte sich um und legte sie auf die Kasse. Die gesamte Bewegung verlief kohärent und flüssig. Als immer mehr Menschen zuschauten, gab ein weiterer Besucher eine Bestellung für ein kleines Produkt ab, das auf der Innenseite des Regals stand. Diesmal zeigte der Roboter jedoch eine deutliche Pause in seiner Bewegung. Der Mitarbeiter erklärte, dass dies darauf zurückzuführen sei, dass der hohe Personenfluss in der Nähe die Hinderniserkennung des Roboters störte. Ein Besucher sagte: „Bei so wenig Menschen bleibt es schon stecken, wenn es zwei Dinge abholen soll. Wenn es wirklich in einem Einzelhandelsgeschäft arbeiten muss, wird es dort definitiv mehr Störungen geben, und es wird die Arbeit nicht bewältigen können.“

Tatsächlich hängt der oben genannte Fall mit der Generalisierungsfähigkeit von Robotern zusammen: Menschliche Roboter verfügen derzeit nicht über ein Gehirn, das so flexibel ist wie das von Menschen, um mit verschiedenen Situationen umzugehen. Das Verhalten von Robotern hängt von der vorherigen Datenerfassung und Szenensimulationstraining ab, im Wesentlichen führen sie voreingestellte Programme aus. Sie können trainierte Aktionen ausführen, aber wenn eine nicht trainierte Situation auftritt, wissen sie nicht, was sie tun sollen.

„Kunden kaufen Roboter, um Probleme zu lösen, nicht um sich um sie zu kümmern“, sagte Duan Yanbiao, CPO (Chief Product Officer) von Yunji Technology, im Gespräch mit Reportern über die Herausforderungen bei der Implementierung von Robotern in Szenarien.

Yunji ist seit vielen Jahren im Bereich der Serviceroboter tätig und hat Serviceroboter in mehr als 40.000 Hotels weltweit eingesetzt. Duan Yanbiao sagte, dass der Grund für die Situation, in der Kunden sich umgekehrt „um Roboter kümmern“, darin liegt, dass Roboter im Betrieb auf eine große Anzahl von Long-Tail-Problemen stoßen – also unerwartete Situationen, deren einzelne Eintrittswahrscheinlichkeit nicht hoch ist, die aber vielfältig sind. Am Beispiel von Hotelszenarien können die langen Fasern von Teppichen manchmal die Räder des Roboters einfangen. Ähnliche Fälle lassen sich im Labor und bei Simulationstrainings kaum im Voraus abdecken. Sobald dies auftritt, müssen Kunden Zeit aufwenden, um das Problem speziell zu bearbeiten.

Duan Yanbiao ist der Ansicht, dass diese Long-Tail-Probleme einer der Hauptgründe sind, die die großskalige Kommerzialisierung von Robotern behindern.

Wang Xingxing, Gründer von Unitree Robotics (688836.SH), sagte am 20. August auf dem Hauptforum der Konferenz, dass der größte Engpass weltweit derzeit die unzureichende Generalisierungsfähigkeit der verkörperten Intelligenz ist. Die meisten aktuellen Modelle können nach ausreichender Datenerfassung und speziellem Training in festen Szenarien eine Aufgaben-Erfolgsquote von fast 100 % erreichen. Sobald jedoch das zu bedienende Objekt ausgetauscht oder die Umgebung geringfügig verändert wird, sinkt die Erfolgsquote stark ab.

Nach Ansicht von Wang Xingxing ist der Zeitpunkt, an dem ein Roboter etwa 80 % der Aufgaben in einer beliebigen unbekannten Umgebung erledigen kann, ungefähr der ChatGPT-Moment der verkörperten Intelligenz – also ein generationsübergreifender Fähigkeitsdurchbruch bei der verkörperten Intelligenz, vergleichbar mit dem von ChatGPT. Dieser Zeitpunkt wird in zwei bis drei Jahren eintreten, falls es schnell vorangeht, oder in fünf bis zehn Jahren, falls es langsam vorangeht.

Vor diesem Hintergrund hat der Wettbewerb um die Datenakkumulation, das Modelltraining und die Erkundung von Geschäftsmodellen für das „Gehirn“ von Robotern bereits begonnen.

01

„Eier legen entlang des Weges“

An einem festen Arbeitsplatz mit hoher Gewissheit besteht nur ein geringer Unterschied zwischen der Erfolgsquote der Arbeit von Robotern und der von Menschen. Sobald die Aufgaben länger und komplexer werden, weitet sich dieser Unterschied schnell aus.

Die neue Generation des menschlichen Roboters „Tie Da“ von Xiaomi arbeitet seit diesem März an der Schraubenmutter-Arbeitsstation im Automobilwerk von Xiaomi. Die Schraubenmutter-Arbeitsstation ist ein fester Arbeitsplatz in der Automobilmontagelinie. Arbeiter müssen die Schraubenmuttern nacheinander auf die Schraubenlöcher ausrichten und sie festziehen. Jeder Arbeitsgang dauert einige Sekunden und wird täglich Hunderte Male wiederholt. Die Aktionen sind hochgradig repetitiv, erfordern jedoch eine hohe Positioniergenauigkeit.

Xiang Diyun, General Manager der Robotersparte von Xiaomi, sagte dem Reporter, dass die Erfolgsquote von „Tie Da“ bei der Inbetriebnahme der Arbeitsstation anfangs 90 % betrug; nach 4 Monaten ist sie bereits auf 98 % gestiegen. Die Erfolgsquote von Menschen bei der gleichen Aufgabe beträgt 99 %, und dieser letzte Prozentpunkt wird voraussichtlich bis zum Ende des Jahres erreicht werden.

An festen Arbeitsplätzen mit hoher Gewissheit wie der Schraubenmutter-Arbeitsstation hängt die Effizienz von Robotern stark von der Aufgabendauer ab. Xiang Diyun sagte, dass die Effizienz von Robotern an festen Arbeitsplätzen ständig der von Menschen nahekommen kann. Sobald die Aufgaben jedoch länger, komplexer werden oder die Umgebung Variablen aufweist, die nicht im Training abgedeckt sind, sinkt die Erfolgsquote schnell. Bei kurzen Aufgaben von 3 bis 5 Sekunden erreicht die Effizienz von Robotern 70 bis 100 % der Effizienz von Menschen; bei mittellangen Aufgaben von 30 bis 60 Sekunden sinkt sie auf 60 bis 70 %; bei langen Aufgaben von mehr als einer Minute sinkt sie auf etwa 30 % der menschlichen Effizienz.

Wang Xingxing erläuterte in seinem oben genannten Vortrag die technischen Gründe für diesen Effizienzrückgang: Jede Wahrnehmungs- und Steuerungsschleife des Roboters erzeugt Abweichungen und Verluste. Je länger die Aufgabe dauert, desto größer ist die Akkumulation von Abweichungen.

Ein Investor, der den Roboterbereich seit langem beobachtet, sagte dem Reporter, dass im Roboterbereich „99 Punkte gleich 0 Punkte“ bedeuten. Was dieser fehlende 1 % für Nutzer bedeutet, lässt sich am Beispiel von Staubsaugerrobotern erkennen. Staubsaugerroboter sind seit vielen Jahren in normalen Haushalten im Einsatz, ihre Aufgaben sind hochgradig spezialisiert und ihre Funktionen relativ einfach. Trotzdem müssen Nutzer vor jedem Start eine Vorbereitung treffen: Verstreute Gegenstände auf dem Boden müssen weggeräumt werden, da der Roboter sie nicht erkennen kann; die Türen bestimmter Räume müssen geschlossen werden, da der Roboter keine Schwellen überqueren kann.

Dieser Investor ist der Ansicht, dass Nutzer Roboter kaufen, damit die Maschinen ihre Arbeit für sie erledigen. Sobald die Maschine nicht mit einer etwas komplexeren Situation umgehen kann, müssen die Nutzer sich umgekehrt um die Maschine kümmern. Je komplexer die Aufgabe und je offener das Szenario ist, desto höher sind diese Kosten.

Wenn dies schon bei Staubsaugerrobotern der Fall ist, werden die Probleme bei allgemeinen menschlichen Robotern noch größer sein.

Vor Ort auf der diesjährigen Welt-Roboterkonferenz bemerkte der Reporter, dass der Haushalt das Szenario ist, in das die Unternehmen den größten Aufwand für Präsentationen stecken. Von Kleiderfalten, Kochen, Ordnen von Gegenständen bis zur Auffüllung des Kühlschranks werden verschiedene Haushaltsaufgaben nacheinander demonstriert. Aber alle Haushaltsszenario-Demonstrationen der Hersteller befinden sich noch im Prototypstadium. Kein einziges Produkt kann offiziell in normalen Haushalten eingesetzt werden.

Wang He, Gründer von Galaxy Universal, sagte auf dem Hauptforum der Konferenz, dass nach den aktuellen technischen Bedingungen der direkte Einsatz von Robotern in normalen Haushalten kein guter Entwicklungspfad ist. Mo Lei, Vice President von Zhifang, ist ebenfalls der Ansicht, dass es mindestens 5 Jahre dauern wird, bis menschliche Roboter in Haushalte Einzug halten.

Darüber hinaus ist die Erledigung einer Aufgabe nicht dasselbe wie die gute Erledigung einer Aufgabe. Vor Ort auf der Konferenz beobachtete der Reporter, dass der Roboter eines Unternehmens etwa 10 Minuten für das Falten eines Kleidungsstücks benötigte. Bei einer Demonstration der Tischreinigung durch einen Roboter an einem Stand klebte ein zerknülltes Papiertuch am mechanischen Greifer. Der Roboter versuchte mehrmals, es in den Eimer zu werfen, was ihm nicht gelang, bis ein Mitarbeiter eintrat, um das Problem zu lösen. Während der Messe traten sogar Fälle auf, in denen mehrere Roboter aufgrund von Störungen des lokalen Netzes die Demonstration nicht fortsetzen konnten.

Da das Haushaltsszenario kurzfristig nicht realisierbar ist, besteht der aktuelle Konsens der Branche darin, schrittweise vom B-Bereich überzugehen.

Dafür schlägt Galaxy Universal folgenden Pfad vor: Zuerst werden Roboter kontinuierlich in Szenarien wie Einzelhandelsapotheken und industriellen Produktionslinien betrieben, dann werden institutionelle Pflegeeinrichtungen und Krankenhausstationen als Zwischenstufe genutzt, danach dringen sie in bedarfsorientierte Haushaltsszenarien wie Altenpflege und Behindertenhilfe vor und breiten sich schließlich auf normale Haushalte aus. Wang He nennt diesen Prozess „Eier legen entlang des Weges“.

Auf dem Weg zu den Haushalten muss die Fähigkeit des Roboter-Gehirns ständig weiterentwickelt werden.

Auf der Ebene der technischen Architektur hat die Roboterbranche im vergangenen Jahr eine Richtungs-Konvergenz erlebt: 2025 verwendeten die meisten Unternehmen für verkörperte Intelligenz das VLA-Modell (Visuell-Sprach-Aktions-Modell, bei dem der Roboter gleichzeitig das gesehene Bild, empfangene Sprachbefehle und ausgeführte Aktionen verarbeitet); bis 2026 begannen die meisten Unternehmen, das Weltmodell auf Basis des VLA-Modells zu ergänzen, sodass der Roboter vor der Ausführung von Aktionen den zukünftigen Zustand der Umgebung vorhersagen und die Akkumulation von Abweichungen während der Aufgabenausführung verringern kann.

Gleichzeitig hat die Branche einen technischen Konsens über das „schnelle und langsame Gehirn“ gebildet: Das Großhirn ist für tiefgreifende Schlussfolgerungen und Aufgabenplanung zuständig, das Kleinhirn für die hochfrequente sofortige Ausführung und Bewegungssteuerung. Beide teilen sich die Arbeit, um den Rechenverbrauch und die Reaktionsgeschwindigkeit auszugleichen.

Die Architektur konvergiert, aber um das Gehirn klüger zu machen, braucht es letztendlich Daten. Derzeit verlässt sich die Roboterbranche hauptsächlich auf zwei Wege, um Trainingsdaten zu sammeln.

Der erste Weg besteht darin, Roboter vor Ort bei Kunden einzusetzen, um Szenariodaten zu erfassen. Zum Beispiel sagte Zheng Xiaodan, Leiter des Geschäfts für verkörperte Intelligenz im Einzelhandel von JD.com, dass Roboter von der „Präsentation“ zur „Arbeit“ übergehen. Als Nutzer mit Szenarien wie Logistik, Einzelhandel und Gesundheit hofft JD.com, seine Szenarien für Roboter-Hersteller und Modellanbieter zu öffnen, um die Datenerfassung gemeinsam voranzutreiben. Das Ziel für die nächsten zwei Jahre ist die Erfassung von hochwertigen Szenariodaten im Umfang von zehn Millionen Stunden.

Zheng Xiaodan sagte, dass die Messung von Daten nicht nur auf die Quantität ankommen darf, sondern vor allem auf die hohe Qualität und die Vielfalt der Szenarien.

Der zweite Weg ist die Simulation. Das Prinzip der Simulation besteht darin, Szenarien in einer virtuellen Umgebung aufzubauen, damit Roboter wiederholt trainieren können. Die Kosten einer virtuellen Umgebung sind weit niedriger als der Einsatz von Robotern vor Ort bei Kunden. Außerdem lassen sich schnell verschiedene Szenarienänderungen erzeugen, z. B. die Veränderung des Lichts, das Verschieben von Gegenständen und die Simulation von Personenflussstörungen. Theoretisch können mit geringen Kosten eine große Anzahl von Trainingsszenarien abgedeckt werden.

Das Problem der Simulation besteht jedoch darin, dass es Unterschiede zwischen der virtuellen Umgebung und alltäglichen Szenarien gibt. Die physikalischen Gesetze in der virtuellen Umgebung sind vereinfacht, beispielsweise ist ein Papiertuch in der Simulation ein standardmäßiges flexibles Objekt. Aber in alltäglichen Szenarien lassen sich das Gefühl eines zerknüllten Papiertuchs, das am mechanischen Greifer klebt, oder die Flugbahn eines nassen, schwereren Papiertuchs, das von der Greiferoberfläche rutscht, durch die Simulation kaum nachbilden. Die Simulation kann die Datenmenge aufstocken, aber sie kann kaum die zufälligen, unvorhersehbaren Variablen abdecken, die in alltäglichen Szenarien auftreten.

In der Branche wird dieser Unterschied als „sim-to-real gap“ bezeichnet – also der Verlust bei der Übertragung von der Simulation zur Realität. Roboter, die rein durch Simulation trainiert wurden, leiden oft unter einem Leistungsabfall, wenn sie in alltägliche Szenarien eintreten.

Nach Ansicht von Mo Lei ist „Arbeiten“ das Szenario mit der höchsten Obergrenze. Nur wenn Roboter vor Ort bei Kunden kontinuierlich arbeiten, können sie ständig Probleme aufdecken, Daten sammeln und Modelle iterieren. Er ist der Ansicht, dass ein Unternehmen für verkörperte Intelligenz nicht nur Modelle entwickeln sollte, sondern eine Einheit aus Software, Hardware und Szenarien bilden muss. Das Gehirn und der Roboter-Körper müssen gemeinsam iterieren. Wenn man nur Modelle entwickelt, aber keine Hardware herstellt und keine Szenarien betritt, lässt sich die Fähigkeit des Modells nicht ständig verbessern.

Auf der Ebene von Kosten und Hardware sagte Mo Lei dem Reporter, dass wenn menschliche Roboter in normale Haushalte Einzug halten sollen, die Hardwarekosten mindestens in den Preisbereich eines A-Klasse-Autos (ca. 100.000 bis 200.000 Yuan) fallen müssen. Gleichzeitig muss ein Roboter täglich 8 bis 16 Stunden kontinuierlich arbeiten und 30 Tage im Monat ohne Ausfälle laufen. Die Bedeutung der Hardware-Stabilität ist möglicherweise nicht geringer als die des Gehirns selbst.

Als Referenz beträgt die aktuelle Betriebslebensdauer der geschickten Hände von Teslas Optimus-Roboter nur 6 Wochen, die Kosten pro Hand übersteigen 6000 US-Dollar (ca. 42.000 Yuan). Die Kosten für den Austausch von Teilen pro Roboter pro Jahr belaufen sich auf fast 100.000 US-Dollar