29 CEOs im Bereich Embodied Intelligence diskutieren über „Generalisierung“: Konsens und Dissens
Auf dem gerade zu Ende gegangenen Welt-Roboterkongress 2026 (WRC2026) war das Thema „Generalisierung“ ein Problem, das fast alle Unternehmensleiter nicht umgehen konnten.
Nach unvollständigen Statistiken von „Bright Company“ teilten auf dem Hauptforum etwa 30 Unternehmensgründer oder Verantwortliche ihre Ansichten zur Generalisierungsfähigkeit mit, die sich im Wesentlichen zu „zwei Konsensen“ und „einer Meinungsverschiedenheit“ zusammenfassen lassen: Der erste Konsens lautet, dass Generalisierung derzeit der größte technische Engpass der verkörperten Intelligenz ist. Der zweite Konsens besagt, dass der Weg zur Verbesserung der Generalisierung weiterhin auf Daten und Szenarien beruht. Hinsichtlich der technischen Route zur Erzielung starker Generalisierbarkeit bestehen hingegen unterschiedliche Meinungen.
Einige Gäste sind der Ansicht, dass die aktuelle Bewertung der verkörperten Intelligenz direkt mit der Generalisierungsfähigkeit zusammenhängt, und eine stärkere Generalisierungsfähigkeit bedeutet auch eine höhere Bewertung.
Mit dem Börsengang von Unitree Robotics (688836.SH) zahlt der Markt nicht mehr direkt nur für die „Generalisierungsvorstellung“ der Verkörperung. Die Forschungsberichte mehrerer Wertpapierhäuser zeigen, dass die Generalisierungsfähigkeit zwar nicht direkt „quantifiziert“ werden kann, aber über vier Proxy-Varianten indirekt bewertet werden kann: Auslieferungsvolumen, Auftragsqualität, Konvergenzgrad der technischen Routen (stabile Bewertung in bereits konvergierten Segmenten, hohe Optionen in nicht konvergierten Segmenten) und Daten-Flywheel (Bewertungsprämien fließen an Unternehmen, die zuerst Daten aus realen Szenarien erhalten).
„Bright Company“ hat die Ansichten der Unternehmensverantwortlichen zur „Generalisierungsfähigkeit“ anhand der Reden der Gäste auf dem Hauptforum der WRC2026 zusammengestellt, die sich grob in sechs Teile gliedern lassen: Definition, Engpass der Generalisierung, technische Route, Daten, Implementierungsrhythmus und Meinungsverschiedenheiten.
Wie versteht man Generalisierung?
Gao Jiyang, Gründer und Geschäftsführer von Starhaven Diagram, hat die „marktorientierteste“ Definition gegeben – Generalisierbarkeit bedeutet Schulungskosten. Er stellte fest, dass die verkörperte Intelligenz drei Schlüsselindikatoren für die Entwicklung zu Produktivität hat: Geschwindigkeit, Präzision und Generalisierbarkeit, wobei Generalisierbarkeit einfach als „Schulungskosten“ beschrieben werden kann: Die Einstellung von Robotern erfordert ebenso wie die Einstellung von Mitarbeitern Schulungen. Hohe Schulungskosten bedeuten geringe Generalisierbarkeit, und wenn die Kosten gegen unendlich gehen, bedeutet das, dass das Lernen nie gelingt. Derzeit kann Starhaven Diagram neue und langwierige Aufgaben durch Nachschulungen in etwa 10 Stunden erledigen, mit dem Ziel, dies im nächsten Jahr auf 1 Stunde oder sogar nur „einige wenige Datenpunkte“ zu reduzieren, um langwierige Aufgaben nachzuschulen.
Jia Kui, Gründer und Geschäftsführer von Crossdimension Intelligence, unterteilt die allgemeine Generalisierbarkeit in zwei gekoppelte Komponenten: semantische Generalisierbarkeit und physische Generalisierbarkeit. Die semantische Generalisierbarkeit löst das Problem „Roboter wissen, wie sie handeln müssen, wenn sie unterschiedliche Objekte sehen“, was im Wesentlichen die kognitive Intelligenz des Menschen ist, und die Daten müssen aus echten menschlichen Daten stammen. Die physische Generalisierbarkeit löst das Problem „stabile Arbeit auch dann, wenn sich die physischen Bedingungen zwischen Trainingsdaten und Tests ändern“, was durch generative Simulation und Nachschulung mit synthetischen Daten erreicht wird – dies ist auch das erste Prinzip, nach dem Crossdimension diese Route gewählt hat.
Hu Luhui, Gründer und Geschäftsführer von Zhicheng AI, hat hingegen ein dreidimensionales Rahmenwerk vorgeschlagen: Die Generalisierbarkeit der physischen Intelligenz umfasst drei Ebenen – Aufgaben-Generalisierung, Umgebungs-Generalisierung und Ontologie-Generalisierung, und „diese drei sind keine Addition, sondern Multiplikation“, was zu einem sprunghaften Anstieg des Datenbedarfs und immer höheren Anforderungen an Qualität und Konsistenz führt.
Federico Pecora, Global Head of Physical AI Robotics Research bei Arm, ist aus Systemperspektive der Ansicht, dass fortschrittliche Roboter „Generalisierung über verschiedene Objekte hinweg“ erreichen können und insbesondere in spezifischen Arbeitsabläufen wie Sortierung, Logistik, Lagerhaltung und Automobilindustrie den Großteil der Arbeit abdecken können. Die Weiterentwicklung der Generalisierungsforschung schafft in jedem Schritt Wert – sie kann auf Software-, Modell- und Fähigkeitsebene wiederverwendet werden und Ressourcen über verschiedene Aufgaben hinweg planen, „was eine große Befreiung für Robotikunternehmen ist und die Kosten für technische Umgestaltungen senkt“.
Warum ist Generalisierung der größte Engpass?
Wang Xingxing, Gründer und Vorsitzender von Unitree Robotics: Die Erfolgsrate der Erfassung und des Trainings in festen Szenarien kann nahezu 100 % erreichen, aber „wenn man das zu bedienende Objekt oder die Umgebung nur geringfügig ändert, sinkt die Erfolgsrate stark“. Er führt die Grundursache auf den Ausrichtungsfehler zwischen Ein-/Ausgabe des KI-Modells und der realen Welt zurück: Sprachmodelle arbeiten mit digitaler Kodierung und verlustfreier Ein-/Ausgabe, während Roboter bei jeder Ein- und Ausgabe Abweichungen und Verluste aufweisen, „die Fehler von letzten wenigen Zentimetern oder Millimetern lassen sich nicht korrigieren“. Daraus leitet er die Definition des „ChatGPT-Moments“ der verkörperten Intelligenz ab: In 80 % der unbekannten Umgebungen können etwa 80 % der Aufgaben über Sprach- oder Textanweisungen erledigt werden, was in frühestens 2-3 Jahren und spätestens 5-10 Jahren Realität wird.
Cao Peng, Vorsitzender des Technischen Ausschusses der JD-Gruppe und Präsident von JD Cloud, argumentiert aus Skalierungsperspektive: Bei den Standardaufgaben der JD-Logistik sind Effizienz und Kosten von Robotern bereits nahe an denen von menschlichen Arbeitskräften, aber „es ist unmöglich, sie in mehr und komplexere Szenarien zu skalieren, weil die Generalisierbarkeit des Modells schlecht ist“ – eine schlechte Generalisierbarkeit blockiert direkt den Weg der skalierten Replikation.
Zhao Tongyang, Gründer und Geschäftsführer von Zhongqing Robot, listet Generalisierung als einen größten Engpass auf: Es gibt viele Kundenanforderungen, „wenn Sie jede davon trainieren müssen, stellt sich die Frage, ob Sie ein spezialisiertes Werkzeug oder ein universelles System entwickeln“, die Fähigkeit von Daten, Modellen und Architekturen, mehrere Aufgaben gleichzeitig zu lösen und die Generalisierungsfähigkeit zu unterstützen, ist der grundlegende Engpass.
Xiong Rong, Chefwissenschaftlerin des Innovationszentrums für humanoide Roboter in Zhejiang, weist auf das allgemeine Dilemma der Industrie hin – „ein Objekt, eine Schulung“: Sobald sich Objekte, Szenarien oder Beleuchtung ändern, müssen Daten neu erfasst und trainiert werden. Darüber hinaus lösen die vorhandenen Methoden das Problem der unzureichenden Generalisierbarkeit nicht wirklich, sondern führen sogar dazu, dass „die ursprüngliche präzise, zuverlässige und effiziente Ausführungsfähigkeit der Roboter verloren geht“.
Han Zheng, Mitgründer und Geschäftsführer von Sudo Technology, hat die strengsten kommerziellen Regeln aufgestellt: Die Einstufung der verkörperten Intelligenz muss auf der Voraussetzung einer „Erfolgsrate von 99 %“ beruhen, andernfalls befindet sie sich noch im Forschungsstadium. Die Bedienung von Objekten muss „eine Erfolgsrate von 99 % bei gleichzeitiger Erfüllung einer bestimmten Generalisierbarkeit“ erreichen, und „zuerst muss die Generalisierbarkeit von Objekten und Umgebungen sichergestellt werden, bevor die Generalisierbarkeit von Objektarten angestrebt wird“, sonst gibt es keinen Weg zur Kommerzialisierung. Er zweifelt auch am Nutzen von „ein Objekt, eine Schulung und das Anhäufen von Master- und Doktoranden zur Datenerfassung für ‚Alchemie‘“ für die Generalisierbarkeit.
Generalisierung und technische Route
Chen Jianyu, Gründer und Geschäftsführer von Starbot Era, erklärt: VLA erreicht durch Imitationslernen eine gewisse Generalisierbarkeit, die aber relativ begrenzt ist. Bei neuen Aufgaben ist es schwierig, aus Beispielen zu lernen, ohne Daten zu erfassen. Der Aufbau eines Weltmodells hingegen schafft ein verständnis für die Allgemeinkenntnisse der physischen Welt (z. B. dass Wasser aus einem Becher nach unten fließt), „was eine relativ gute Generalisierbarkeit aufweist und die Generalisierungsfähigkeit erheblich verbessern kann“. Er unterscheidet auch die Ebenen der Generalisierung: VLA kann die Objekt-Generalisierung erreichen, aber die Aufgaben-Generalisierung (Null-Shot, neue Aufgaben, die nie gesehen oder trainiert wurden) ist die „ultimative Zielsetzung der Generalisierung“.
Zhang Yufeng, Gründer und Geschäftsführer von Unbounded Power, ist hingegen der Ansicht: VLA verfolgt Wahrscheinlichkeitsverteilungen und Muskelgedächtnis mit „ausreichend großen Datenmengen und guter Verteilung“, aber „Emergenz wurde nie beobachtet“. Das Weltmodell muss das Verständnis der grundlegenden Logik der physischen Welt durchbrechen, um die Szenarien-Generalisierung zu unterstützen. Seine Implementierungsstrategie lautet: „Fertigkeiten in der Industrie üben, Generalisierung im kommerziellen Bereich üben, der Haushalt ist die ultimative Herausforderung“.
Wang Qian, Gründer und Geschäftsführer von Independent Variable Robot, ist der Ansatz: Aufgrund der starken Generalisierbarkeit des Basismodells kann die gesamte Kette neuer Szenarien in 3 Monaten realisiert werden (überseeische Kollegen haben dafür zweieinhalb Jahre gebraucht), „bessere Ergebnisse, niedrigere Kosten und höhere Geschwindigkeit als spezialisierte Modelle, Expertenengineering und Einzelpunktmodelle sind bereits Realität“.
Xiong Youjun, Geschäftsführer des Pekinger Innovationszentrums für humanoide Roboter: Auf der Kleinhirnseite wird das VLA-Modell zur generellen Bedienung über verschiedene Ontologien hinweg verwendet (das einzige, das die nationalen Standardtests bestanden hat), mit mehreren Konfigurationen, mehreren Aufgaben und einer bestimmten Generalisierbarkeit, „neue Aufgaben können mit nur 20 Datenpunkten freigeschaltet werden“.
Wang He, Gründer und CTO von Galaxy General, hat das Wort „Generalisierung“ zwar nicht verwendet, aber er beschreibt die Ergebnisse: Galaxy Star Brain hat die „Bedienung über verschiedene Ontologien, Aufgaben und Szenarien hinweg“ erreicht – ein einziges Modell kann als Transportroboter für fünffingrige Hände fungieren, der Verlust der Aktionsvorhersage kann mit unmarkierten menschlichen Daten ständig gesenkt werden, und er kündigt an, dass das Unternehmen bis 2028 das ChatGPT-Moment der verkörperten Intelligenz erreichen wird.
Guo Yandong, Gründer und Geschäftsführer of Zhisquare, weist darauf hin: Das menschliche Gehirn erreicht mit einem Stromverbrauch von nur 20 Watt eine „sehr starke Generalisierbarkeit“, während die Energieeffizienz der Cloud-Berechnung modernster KI-Chips nur in der Größenordnung von 10⁻⁷ liegt – die Obergrenze der Generalisierbarkeit hängt stark mit der Energieeffizienz zusammen, was der Ausgangspunkt seines gehirnähnlichen Architekturmodells NeuroVLA ist (mit einer Reaktionszeit von 20 Millisekunden).
Zhu Zheng, Mitgründer und Chefwissenschaftler von Super Vision: Wir hoffen, dass das Weltmodell „wie ein Sprachmodell die Generalisierung in allgemeinen Szenarien erreicht“.
Song Bin, Mitgründer und Geschäftsführer von Beijing Feidu Technology: Damit das Weltmodell die Generalisierung unterstützen kann, sind „gekoppelte Lösung mehrerer physikalischer Felder + stabile Ausgabe über lange Zeitsequenzen + eine bestimmte Korrektheit“ erforderlich, „dieses eine Problem wird schätzungsweise noch viele Jahre lang zu lösen sein“. Aber er stimmt auch zu, dass das Weltmodell selbst eine starke Generalisierungs- und Allgemeinfähigkeit haben sollte (vergleichbar mit der neunjährigen obligatorischen Schulbildung).
Generalisierung und Daten
Generalisierung entsteht nicht aus dem Nichts, sie hängt von Daten ab. In diesem Teil stimmen die Unternehmensverantwortlichen am meisten überein, und die Ansichten entsprechen am meisten der Marktbewertungslogik.
Cao Peng von der JD-Gruppe weist darauf hin, dass es in der Branche anerkannt ist, dass das Roboter-Gehirn mit „skalierter Replikation und guter Generalisierbarkeit“ Daten im Umfang von zehn Millionen Stunden erfordert, während der aktuelle Umfang nur bei hunderttausend Stunden liegt. Außerdem besteht das Problem der „Generalisierung und Anpassung über verschiedene Ontologien hinweg“. Die Lösung von JD besteht darin, in zwei Jahren 10 Millionen Stunden menschliche Daten + 1 Million Stunden Daten echter Roboter zu erfassen und die Vielfalt der realen Szenarien zu nutzen, um die Datengeneralisierbarkeit zu verbessern – wenn das Datenvolumen seines JoyAI-RA-Modells von 1000 Stunden auf 10000 Stunden steigt, verbessern sich die Generalisierungsergebnisse deutlich und übertreffen π0.5.
Xie Chen, Gründer und Geschäftsführer von Guanglun Intelligence, hat ein großes Rahmenwerk vorgeschlagen: Das Ziel, eine grundlegende Generalisierbarkeit auf dem Niveau der „High-School-Abschluss“ zu erreichen, ist „10 Milliarden Stunden verkörperte Daten“ – echte Roboter machen nur etwa 0,1 % der Datenpyramide aus, der Rest wird durch Simulation und menschliche Daten abgedeckt; sein menschlicher Datensatz EgoSuite aus realen Szenarien wird direkt zur „Verbesserung der allgemeinen Generalisierungsfähigkeit von Robotern“ verwendet.
Xu Jincheng, Gründer und Geschäftsführer von Pasini, definiert die Voraussetzung der Generalisierung auf der Wahrnehmungsebene: Generalisierung hängt davon ab, dass „physische Erfahrung in großem Maßstab produziert werden kann → physische Intelligenz in großem Maßstab generalisiert werden kann“, und Tastsinn ist der einzige stabile Modus, der nicht von der Beleuchtungsumgebung beeinflusst wird (das Sehen kann durch Umgebungsänderungen außer Kraft gesetzt werden), er ist die wahrnehmungsbezogene Grundlage zur Unterstützung der Generalisierung. Sein Daten-„Vier-Zertifikate“-System stellt sicher, dass die Daten nativ isomorph sind und eine hohe Wiedergabetreue aufweisen, um die Generalisierung zu unterstützen.
Wang Xiaogang, Mitgründer von SenseTime und Vorsitzender von Daxia Robot, antwortet mit der Fähigkeit des Weltmodells in der ersten Phase: Datenaugmentierung ermöglicht „aus einem Beispiel hundert zu lernen“ – das Weltmodell generiert vielfältige Daten als Ergänzung für das Training und löst das Generalisierungsproblem auf der Datenseite.
Jiao Jichao, Vizepräsident von UBTECH und Dekan des Forschungsinstituts für verkörperte Intelligenz und humanoide Roboter: Die Migration über verschiedene Ontologien hinweg ist eine große Herausforderung für die Transformer-Architektur – inkonsistente Motorenparameter und Konfigurationen führen dazu, dass „es auf diesem Gerät funktioniert, aber auf einem anderen speziell angepasst werden muss“.
Liu Wei, Vizepräsident von Infineon Technologies, bietet eine Lösung auf gehirnähnlicher Ebene: Funktionsmigration und Wissensspeicherung sorgen dafür, dass „das Training nicht neu durchgeführt werden muss“ und der Bedarf an neuen Daten sinkt.
Du Dalong, Gründer und Geschäftsführer von Octopus Power, hat einen Durchbruch in der