Der „GPT-Moment“ der verkörperten Intelligenz ist eingetroffen: Unitree und Agibot teilen sich ein gemeinsames „Gehirn“, 10 Minuten lang ohne jegliche Unterbrechung, ein rohes Video enthüllt die Zukunft der gesamten Branche.

Zwei konkurrierende Roboter-Grundkörper planen autonom, arbeiten kooperativ, ergänzen sich gegenseitig und entwickeln sich selbst weiter, gesteuert von ein und demselben universellen Steuerungsgehirn. Während die weltweit führenden Teams noch mit fein bearbeiteten Kurzclips demonstrieren, „was Roboter leisten können“, verkündet dieses mysteriöse Modell direkt mit einem unbearbeiteten Langtake ruhig das Ende der alten Ära – Roboter können bereits „selbst entscheiden, was sie tun, wie sie es tun, wann sie aufhören und mit wem sie es müheloser erledigen“.

01. Ein Video lässt die gesamte Branche verstummen

Heute wurde der gesamte Technologie-Medienraum von einem Video unbekannter Herkunft in Aufregung versetzt.

Das bekannte Technikmedium QbitAI veröffentlichte einen ausführlichen Bericht, der ein zehnminütiges Roboter-Demo-Video beschreibt: Es handelt sich um einen durchgehenden Einstellung ohne Schnitt, ohne separate Kameraführungen, ohne Wiederholaufnahmen, ohne externe Fernsteuerung und ohne Eingriff durch manuelle Anweisungen. Die Aufnahmen wirken sogar etwas grob, der Drehort ist nur eine kleine Mietwohnung von etwa 15 Quadratmetern, der Durchgang ist so eng, dass sich Menschen kaum umdrehen können, die Kameraperspektive ist eingeschränkt und die Lichtverhältnisse sind auch nicht ideal. Aber genau in dieser „höllischen“ echten Wohnumgebung teilen zwei humanoide Roboter – Unitree Robotics G1 und Agibot Expedition A3, zwei auf dem Markt konkurrierende Hardwareprodukte – dasselbe universelle intelligente Gehirn, arbeiten Seite an Seite und harmonieren so gut wie ein altes Team, das seit Jahren zusammenarbeitet.

Glas reinigen, den Scheibenwischer nach dem Gebrauch präzise an seinen Platz zurückstellen, Kleidung aus der Waschmaschine holen, sie sortiert einräumen, den Kühlschrank öffnen und schließen, beurteilen, ob Lebensmittel gekühlt werden müssen, Zutaten zum Auftauen herausnehmen, Unordnung auf dem Tisch ordnen, einen Schal sanft um den Hals des Kollegen legen und sogar selbstständig nach einer Kiste suchen, um sich höher zu stellen und an Objekte in großer Höhe zu gelangen … Zehn volle Minuten lang gibt es keine Unterbrechungen, keine Orientierungslosigkeit, keine Fehlermeldungen oder Abstürze – es gibt nur ein tiefes Verständnis der physischen Welt, autonome Schlussfolgerungen und Entscheidungen, Echtzeit-Fehlerkorrektur, dynamische Steuerung und eine fast menschliche „Faulheits-Intelligenz“.

Nachdem ich diesen Bericht und die beigefügten Videoclips gesehen habe, saß ich lange Zeit vor dem Computer und war sprachlos. Ein Gefühl sagt mir: Das ist wahrscheinlich der „GPT-Moment“ im Bereich der verkörperten Intelligenz, auf den wir alle gewartet haben.

02. Warum heißt es, dass dies „völlig anders ist“? – Der paradigmatische Sprung von der „Datenintuition“ zur „physischen Intelligenz“

Bevor wir jedes Detail dieses Videos gründlich analysieren, müssen wir erst ruhig zurückblicken, worüber die Branche der verkörperten Intelligenz im letzten Jahr gestritten hat und warum die hier gezeigten Fähigkeiten alle Fachleute ein unheimliches Gefühl der Beklemmung verspüren lassen.

In den letzten Jahren haben wir zu viele Roboter-Demos mit sorgfältig bearbeiteten Schnitten, gut abgestimmter Beleuchtung und mitreißender Musik gesehen. Im Scheinwerferlicht können sie laufen, springen und Objekte greifen, ihre Bewegungen sind flüssig und ihre Koordination ist harmonisch – als ob sie nur einen Schritt davon entfernt wären, in Millionen von Haushalten einzuziehen. Aber hinter dieser glänzenden Verpackung verbirgt sich oft eine peinliche Wahrheit: Vorgegebene Skripte, Greenscreen-Compositing, Fernsteuerung, gezielte Wiederholaufnahmen und segmentierte Schnitte sind in der Branche bereits zu stillschweigenden „offenen Geheimnissen“ geworden.

Sobald man diese „Demo-Könige“ in die echte Welt wirft und sie mit verdeckten Objekten, wechselnden Lichtverhältnissen, verformten Kontaktflächen und unbekannten räumlichen Veränderungen konfrontiert werden, verwandeln sie sich sofort von „Superhelden“ zurück in „künstliche Dummköpfe“ und können nicht einmal die grundlegendste Umgebungsanpassung durchführen.

In den letzten zwei Jahren gab es in der Branche der verkörperten Intelligenz heftige Debatten über technische Richtungen. Die beiden vorherrschenden Technologiepfade VLA (Visuell-Sprach-Aktions-Modell) und WAM (Welt-Aktions-Modell) haben jeweils ihre Anhänger, aber beide stoßen auf unüberwindbare grundlegende Engpässe.

VLA, also das Visuell-Sprach-Aktions-Modell, kann man als Datentintuitions-Schule bezeichnen. Zu den repräsentativen Modellen gehören RT‑2, OpenVLA und andere. Seine Logik ist sehr direkt: Man gibt Bilder und sprachliche Anweisungen ein und gibt direkt Roboteraktionen aus. Im Wesentlichen lernt es die Zuordnung zwischen „welches Bild man sieht und welche Aktion man ausgibt“ und stützt sich stark auf Trainingsdaten in Form von Tripeln, die durch menschliche Fernsteuerung erfasst werden.

Seine Vorteile sind schnelle Schlussfolgerungen und leichtgewichtige Bereitstellung, aber sein tödlicher Nachteil ist: Es versteht die physische Welt nicht wirklich. Es lernt die aus Datenstatistik abgeleitete Wahrscheinlichkeit, nicht die physische Kausalität. Sobald es auf neue Szenarien und Interaktionen trifft, die nicht im Trainingssatz vorkamen, gibt es leicht absurde Aktionen aus. Bei lang andauernden Aufgaben sammeln sich Fehler kontinuierlich an, je weiter die Aufgabe fortschreitet, desto stärker weichen die Aktionen vom Ziel ab. Außerdem ist das Modell stark an die Hardware des Grundkörpers gebunden: Wenn man einen anderen Roboter einsetzt, muss man das Training in großem Umfang neu anpassen.

Das WAM-Welt-Aktions-Modell kann als Vorausschau-Imaginations-Schule bezeichnet werden. Sein Ansatz ist anders: Es gibt nicht direkt Aktionen aus, sondern prognostiziert zuerst, wie die Welt nach der Ausführung einer Aktion aussehen wird, und leitet anhand des prognostizierten Bildes ab, welche Aktion ausgegeben werden soll.

Es verfügt über eine gewisse Fähigkeit zur physischen Vorausschau, aber es leidet unter einem tödlichen „Trennung von Wissen und Handeln“. Das Modell kann Veränderungen der Welt im imaginären Raum durchdenken, aber es ist schwierig, die Ergebnisse dieser Überlegungen in Roboter-Gelenkbahnen umzuwandeln, die den echten dynamischen Einschränkungen entsprechen – es versteht und begreift die Situation, kann sie aber nicht genau umsetzen. Gleichzeitig ist der Rechenaufwand für die Schlussfolgerung sehr hoch, die Latenz ist groß und die Echtzeitimplementierung auf echten Robotern ist sehr schwierig.

Letztendlich sind alle derzeit vorherrschenden Bereiche im Wesentlichen „datengesteuerte Aufgabenanpassung“. Alle Aktionen basieren auf „Wahrscheinlichkeitsvermutungen“ aus riesigen Datenmengen, nicht auf dem Verständnis physischer Regeln. Die Obergrenze der Fähigkeiten des Modells wird durch die Trainingsdaten festgelegt; es versagt leicht bei langwierigen Szenarien, die echte physische Schlussfolgerungen erfordern, wie Verdeckungen, Kontakte und Verformungen; bei neuen Szenarien, neuen Interaktionen und neuer Hardware stößt es sofort an seine Grenzen. Deshalb sind Branchen-Demos immer auf kurze Dauer, einzelne Aufgaben und störungsfreie standardisierte Szenarien beschränkt: Sobald man die Dauer verlängert und die Aufgabenkomplexität auf mehrere Ziele und mehrere Schritte erhöht, stürzen die meisten Modelle innerhalb von 30 Sekunden ab.

Aber der 10-minütige geheime Langtake-Demo, der heute von diesem mysteriösen Team veröffentlicht wurde, durchbricht von der ersten bis zur letzten Frame völlig die festgelegten Rahmenbedingungen der Branche und umgeht auf der Ebene der grundlegenden Logik die physische Interaktionslücke, die VLA und WAM seit Jahrzehnten nicht überwinden können.

Es ist kein durch Daten erzeugter „Reflex“, sondern echte „Intelligenz“, die auf Echtzeitberechnungen nach physischen Regeln, Echtzeitbewertungen der Fähigkeiten des Grundkörpers und autonomen Planungsentscheidungen basiert, die sich an den Aufgabenziele orientieren.

Zusammengefasst: Andere Modelle „vermuten“ Aktionen, dieses Modell „berechnet“ Aktionen und kann nach der Berechnung ständig weiter „lernen“.

Das beeindruckendste Detail im Video für mich ist, dass der Roboter Glas reinigt – ich denke, dieses Szenario zeigt, dass der Roboter über echte „autonome Schlussfolgerungen“ verfügt

Quelle: QbitAI

Der Unitree G1 Roboter wischt das Innenglas mit einem Scheibenwischer. Nach ein paar Zügen stellt er fest, dass eine Stelle nicht sauber wird. Er bleibt nicht stecken und gibt keine Fehlermeldung aus, sondern „denkt“ nach und schlussfolgert: Der Schmutz befindet sich möglicherweise auf der Außenseite des Glases. Dann lehnt er sich zur Seite, lehnt sich zurück, streckt den Kopf vor, streckt den Arm aus und führt die Hand mit dem Scheibenwischer präzise aus dem Fenster, um die Außenseite zu reinigen.

Hinter dieser Bewegung verbirgt sich die dreifache Integration von räumlicher Wahrnehmung, dynamischer Berechnung und Drehmomentsteuerung. Er weiß, wie lang sein Arm ist, wo der Fensterrahmen liegt, ob er beim Ausstrecken anstoßen wird und wie viel Kraft er braucht, um das Glas sauber zu wischen.

Das kann man nicht mit Daten „füttern“ – es ist das tiefe Verständnis und die Echtzeitanwendung des Modells für physische Regeln.

Ein weiteres Bild zeigt, dass mitten im Video plötzlich der eingestellte Wecker klingelt. Die beiden Roboter unterbrechen sofort ihre laufenden Hausarbeiten und führen vorrangig die temporäre Anweisung „Tisch und Kühlschrank ordnen“ aus. Noch beeindruckender: Nach Abschluss dieser „vorgezogenen Aufgabe“ nehmen sie exakt die zuvor unterbrochene Aufgabe wieder auf – holen Kleidung aus der Waschmaschine und räumen sie weiter ein.

Diese Fähigkeit zur dynamischen Mehrfachaufgabensteuerung und zur Wiederherstellung des kontextuellen Gedächtnisses wird weltweit zum ersten Mal bei Robotern demonstriert. Bisherige Demos können nur einzelne sequenzielle Aufgaben ausführen – bei Störungen mitten im Vorgang stürzt die Aufgabe meist vollständig ab.

Der Höhepunkt des gesamten Videos ist der Moment der Interaktion zwischen den beiden Robotern. Auf dem Tisch liegt ein Haufen Unordnung, der Unitree-Roboter hat beide Hände voll und kann nicht alles auf einmal transportieren. Der Agibot-Roboter „versteht“ die Situation, entscheidet sich autonom, einen Schal um den Hals des Unitree-Roboters zu legen. Als er feststellt, dass der Schal zu lang ist, beugt sich der Unitree-Roboter sogar kooperativ vor, damit der Agibot den Schal über seinen Kopf legen kann.

Quelle: QbitAI

Anschließend versucht der Unitree-Roboter, den Schal in einen hohen Schrank zu legen. Mit einer Körpergröße von 1,3 Metern reicht er nicht hinauf, also sucht er selbstständig eine Kiste, um sich höher zu stellen. Als er merkt, dass er sich nicht bücken kann, um die Kiste zu heben, tritt er die Kiste mit dem Fuß neben den Schrank. Der Agibot-Roboter sieht die Notlage seines Kollegen, legt sofort seine laufende Arbeit nieder, kommt herüber, nutzt seine Körpergröße von 1,7 Metern, nimmt den Schal herunter, faltet ihn ordentlich und legt ihn in den Kleiderschrank.

Das ist eine Zusammenarbeit ohne sprachliche Kommunikation, nur basierend auf einem gemeinsamen Ziel. Es ist die weltweit erste Echtzeit-Interaktion und dynamische Kooperation zwischen humanoiden Robotern verschiedener Marken. Es beweist, dass dieses „universelle Gehirn“ vollständig von der Hardware entkoppelt ist und an Roboter jeder Marke und jeder Konfiguration angepasst werden kann. Das wird das gesamte Arbeitsmodell der Branche grundlegend verändern.

Obwohl das mysteriöse Team noch keine technischen Details veröffentlicht hat, können Branchenexperten anhand der im Video gezeigten Fähigkeiten bereits sehr tiefgehende Schlussfolgerungen ziehen. Der Kern, warum dieses Modell Dinge erreichen kann, die weder VLA noch WAM schaffen, liegt in der umfassenden Innovation von drei grundlegenden technischen Kernen.

Kern 1: Lernen der physisch eingeschränkten Dynamik – Abschied von der Datenanpassung, hin zur Schlussfolgerung in der echten Welt

Im Gegensatz zum rein datengesteuerten Trainingsmodus von VLA und WAM lautet die Kernlogik dieses Modells „Physische Regeln voranstellen, dynamische Vorausschau antreiben“.

Herkömmliche VLA-Modelle lernen die statistische Korrelation „wenn ich Bild A sehe, ist Aktion B die wahrscheinlichste Ausgabe“. Sie verstehen nicht, warum Aktion B richtig ist, und sie verstehen nicht, wie Aktion B angepasst werden muss, wenn sich die Umgebung geringfügig ändert. Bei dem Modell im Video sind alle Aktionsbahnen keine Wahrscheinlichkeitsanpassung aus Daten, sondern Ergebnisse von Echtzeitberechnungen, die auf Schwerkraft, Drehmoment, Krafteinwirkung und räumlichen Einschränkungen basieren.

Wenn der Roboter mit dem Scheibenwischer Glas reinigt, erinnert er sich nicht an „wie die Glasreinigungsaktion in den Trainingsdaten aussieht“, sondern berechnet in Echtzeit: Wie groß muss die Kontaktkraft zwischen Scheibenwischer und Glasoberfläche sein?

Wie viel Drehmoment müssen die Armgelenke im aktuellen Winkel ausgeben?

Wie ändert sich die Reibung, wenn sich auf der Glasoberfläche Flecken befinden?

Wie muss das Drehmoment kompensiert werden?

Um wie viel verschiebt sich der Schwerpunkt des Roboterkörpers, wenn der Arm aus dem Fenster gestreckt wird?

Wie muss die Stehposition angepasst werden, um das Gleichgewicht zu halten?