Dialog mit Lu Zongqing, Gründer von BeingBeyond, dem Portfoliounternehmen von Xinglian.

Im Juni 2025 stellte Lu Zongqing auf dem Zhiyuan-Kongress eine These auf: Menschliche Videos sind der einzige skalierbare Datenpfad für körperliche Intelligenz.

Zu dieser Zeit konzentrierte sich die Aufmerksamkeit der Branche auf den Roboter-Körperbau, den Aufbau von Szenarien für Datenerfassung und das Daten-Flywheel, nur wenige Modellunternehmen richteten ihren Blick auf menschliche Videos aus der ersten Person. Lu Zongqing verhielt sich anders: Er stellte nicht nur diese These auf, sondern sammelte auch Daten in dieser Richtung, bis heute hat er bereits mehr als 500.000 Stunden angesammelt.

Lu Zongqing ist tenured Associate Professor am Institut für Informatik der Peking-Universität, langjähriger hochrangiger Bereichsvorsitzender von ICML, NeurIPS und ICLR sowie der erste systematische Förderer der latenten Raum-Route in China.

Im Jahr 2025 gründete er BeingBeyond und verfolgte einen technischen Pfad, der sich grundlegend von der Mainstream-Route für Videogenerierung unterscheidet – das Latent World-Action Model: Es generiert keine Bilder, sondern sagt direkt im Embedding-Raum gemeinsam voraus, was der Roboter als Nächstes tut und wie die Welt darauf reagieren wird.

Die Trainingskosten dieser Route betragen nur etwa 1 % der Kosten der Videogenerierungsroute, die Inferenzgeschwindigkeit reicht für die Echtzeitsteuerung, aber sie hat einen Nachteil – ohne Bilder ist die Darstellung schwierig. In der heutigen Zeit der heißen Finanzierung für körperliche Intelligenz und des harten Wettbewerbs um Demo-Vorführungen ist dies eine Entscheidung, die Standhaftigkeit erfordert.

Aber Lu Zongqing selbst betrachtet dies nicht als eine festgelegte Wette.

In einem Interview sagte er eine überraschende Aussage: Die deterministische Technologie für körperliche Grundmodelle ist noch nicht entstanden, und selbst das Weltmodell ist möglicherweise nicht die richtige Richtung.

Seine Logik lautet: GPT konnte durch Massenressourcen aufgebaut werden, weil es zuvor Transformer und die Next-Token-Prediction gab, also ein deterministisches Paradigma – erst dann war das Massenansammeln von Daten sinnvoll. Für körperliche Intelligenz ist dieser Schritt noch nicht erreicht, „Wir wissen noch nicht einmal, was die deterministische Technologie überhaupt ist.“

Das ist keine selbstbescheidene Aussage, sondern eine klare Einschätzung.

Am 28. Juli 2026 veröffentlichte BeingBeyond offiziell Being-H0.8 – das weltweit erste implizite taktile Welt-Aktions-Modell. Being-H0.8 führte erstmals die taktile Modalität in das vortraining groß angelegter Modelle ein und vereinheitlichte Vision, Taktilität, Aktionen und zukünftige Zustandsänderungen in demselben latenten Raum. Dadurch kann der Roboter nicht nur verstehen, „was er sieht, was er tut und was er berührt“, sondern auch weiter erfassen, „wie sich die Welt dadurch verändert hat“, sodass er eine vollständigere Erkennungs- und Vorhersagefähigkeit für physikalische Interaktionsprozesse erhält.

Wir haben mit Lu Zongqing über die Wahl des technischen Pfades, den wahren Wert von Daten, die Entstehung der Branchenarbeitsteilung und die Frage, wie weit das allgemeine körperliche Grundmodell noch entfernt ist, ein Gespräch geführt. Im Folgenden die bearbeitete Fassung ohne Änderung des ursprünglichen Sinns:

01

Von der Peking-Universität zum Unternehmertum:

Theoretische Inhalte werden nicht von selbst zu Produkten

▎Sie sind Professor an der Peking-Universität, haben viele Jahre in der Wissenschaft gearbeitet und dann ein Unternehmen für körperliche Intelligenz gegründet. In diesem Jahr sehen wir viele Hochschullehrer, die sich selbstständig machen, wie Li Yiming, Zhao Hao und auch Sie – es wirkt, als gäbe es dieses Jahr besonders viele Personen aus der akademischen Welt, die den Schritt ins Unternehmertum wagen. Wie haben Sie damals diese Entscheidung getroffen?

Lu Zongqing: Es war keine plötzliche Umstellung. Ich habe bereits an Themen im Zusammenhang mit körperlicher Intelligenz geforscht, bis zu einem bestimmten Punkt habe ich erkannt, dass diese Sache nicht nur auf das Veröffentlichen von Papieren beschränkt bleiben darf. Die akademische Forschung kann prüfen, ob ein Pfad machbar ist – aber nachdem Sie die Machbarkeit bestätigt haben, werden die Erkenntnisse auf dem Papier nicht von selbst zu Produkten.

Das gilt besonders für körperliche Intelligenz: Sie erfordert die Überprüfung an echten Geräten, das Ausführen in echten Szenarien, das wiederholte Scheitern und Anpassen in der realen physischen Welt – all das lässt sich an der Universität nicht umsetzen. Das Unternehmertum ist der Weg, um die Forschung in die Praxis umzusetzen, kein Wechsel des Tätigkeitsbereichs.

▎Wir beobachten, dass ein Teil der Wissenschaftler, die dieses Jahr gründen, offensichtlich ein Gefühl der Dringlichkeit hat, nach dem Motto „wenn man jetzt keine Finanzierung aufnimmt, ist es zu spät“ – besonders Personen mit Hintergrund im Bereich autonomes Fahren sind sehr empfindlich auf den Rhythmus der Industrie. Haben Sie diese Art von Angst?

Lu Zongqing: Die Ziele sind unterschiedlich. Unser Ziel ist es, Modelle zu bauen und das körperliche Grundmodell aufzubauen. Die Ressourcen an der Universität reichen dafür nicht aus, egal ob es um Rechenleistung, Personal oder das industrielle Ökosystem geht – all das ist an der Universität schwer zu bekommen. Ich bin aus der Universität herausgegangen, weil ich diese Sache wirklich umsetzen möchte, nicht weil ich Angst habe, es wäre zu spät.

Natürlich ist der inländische Kapitalmarkt heute meist sehr kurzfristig ausgerichtet. Sehen Sie sich die Club-Deal-Finanzierungen an: Die ersten Runden werden meist nicht öffentlich bekanntgegeben, führende Institutionen tauschen Anteile untereinander aus und treiben die Bewertung auf 500 Millionen US-Dollar, bis dann die Käufer der letzten Runde eintreten. Ob sie an körperliche Intelligenz oder an das allgemeine Weltmodell glauben – ich glaube nicht, dass sie das wirklich tun. Wir wählen unsere Investoren sorgfältig aus, wir hoffen, gleichgesinnte und wirklich langfristig orientierte Institutionen zu finden.

▎Sie erwähnten, dass Sie Investoren auswählen – das klingt fast luxuriös. Heute kämpfen fast alle Unternehmen um Finanzierung, wieso wählen Sie stattdessen aus?

Lu Zongqing: Wenn Ihre Tätigkeit drei bis fünf Jahre braucht, um echte Ergebnisse zu zeigen, muss das Kapital auch zu diesem Zyklus passen. Kurzfristiges heißes Geld würde Ihre technischen Entscheidungen verzerren.

02

Latenter Raum vs. Pixel:

Ein Wettlauf mit einem Kostenunterschied von 100-fach

▎Kürzlich haben wir viele Unternehmen für körperliche Intelligenz besucht und ein interessantes Phänomen festgestellt: Alle behaupten, sie arbeiteten an „Weltmodellen“, aber die technischen Pfade unterscheiden sich stark. Können Sie uns zuerst dieses Konzept klarstellen?

Lu Zongqing: (lacht) Das Weltmodell ist an sich kein abgeschlossenes Konzept – ohne Kontext ist es nur ein vager Begriff.

Das Weltmodell ist kein einzelnes Modell, es muss letztendlich in einem bestimmten Bereich verankert sein. Im Sprachbereich ist das Sprachmodell das Weltmodell, das ist wissenschaftlich bereits bewiesen – zum Beispiel das Best Paper der ICLR 2024 von MIT. Die 3D-Generierung des Teams von Li Feifei ist in ihrem Szenario auch ein Weltmodell. Videogenerierungsmodelle bezeichnen sich ebenfalls als Weltmodelle. Es gibt heute kein einziges Modell, das gleichzeitig Text ausgeben, 3D-Räume generieren, Videos erzeugen und Roboter steuern kann.

Für körperliche Intelligenz müssen wir Aktionen als Ein- und Ausgabegröße steuern – dann ist das körperliche Grundmodell das Weltmodell im Bereich der körperlichen Intelligenz. Genau das machen wir.

▎Innerhalb des Bereichs der körperlichen Intelligenz gibt es noch große Unterschiede bei den technischen Pfaden. Li Feifei hat ihre eigene Einteilung, Cosmos von Nvidia ist ein anderes Rahmenwerk. Wie verstehen Sie die Einteilung der technischen Pfade innerhalb der körperlichen Intelligenz?

Lu Zongqing: Nach dem Backbone gibt es grob zwei Kategorien. Die eine basiert auf Videogenerierungsmodellen, führt ein Post-Training auf den vorhandenen Fähigkeiten durch und gibt neben dem generierten Video auch Aktionen aus. Die andere Kategorie generiert keine Bilder, sondern sagt direkt im Embedding-Raum die nächsten Zustände und Aktionen voraus.

Li Feifeis Einteilung ist anders, sie unterteilt eher nach dem Verwendungszweck: Rendering-Klassen für die Generierung von 3D-Räumen, Interaktionsklassen für Simulationen und eine weitere Kategorie für die Steuerung von Robotern – Cosmos Policy von Nvidia gehört zu dieser Richtung.

Die Einteilungen sind unterschiedlich, aber für uns ist die Wahl des Backbones am wichtigsten, weil es die Trainingskosten, die Bereitstellungsgeschwindigkeit und letztendlich die Funktionsfähigkeit auf echten Geräten bestimmt.

▎Die Demos der Videogenerierungsroute wirken tatsächlich beeindruckender und lassen sich einfacher vermarkten – aber selbst das starke Projekt Wan von Alibaba hat die Nachricht von der Auflösung des Teams verbreitet. Ist das ein sehr schwieriger Weg?

Lu Zongqing: Die Videogenerierungsroute hat zwei Probleme.

Erstens: Extrem hohe Trainingskosten. Um jedes einzelne Pixel vorherzusagen, erfordert das Vortraining großer Videogenerierungsmodelle möglicherweise Zehntausende von GPUs und mehrere Monate, die Gesamtkosten erreichen mehrere hundert Millionen Yuan. Das Team von Alibaba Wan ist auf Probleme gestoßen, das Modell blieb bei Version 2.2 stehen und ließ sich nicht weiter betreiben.

Zweitens: Es funktioniert nicht auf echten Geräten. Roboter brauchen Echtzeitentscheidungen, die Inferenzgeschwindigkeit muss extrem hoch sein. Sie müssen die Flugbahn eines Balls beurteilen und Greifaktionen in Echtzeit ausführen – bevor das Bild vollständig generiert ist, ist der richtige Zeitpunkt bereits vorbei.

Unsere Route (der latente Raum) hat zwei quantifizierbare Vorteile.

Erstens die Trainingskosten: Bei gleicher Datenmenge und Parameteranzahl betragen die Kosten für die Vorhersage im latenten Raum nur etwa 1 % der Kosten eines Generierungsmodells im Pixelraum – ein Unterschied von zwei Größenordnungen.

Zweitens lassen sich physikalische Gesetze leichter erlernen: Wenn das Überwachungssignal auf Pixelebene definiert ist, wird das Modell dazu gezwungen, Bilder vorherzusagen. Im Embedding-Raum weiß man nicht genau, was dieser Raum ist – dadurch hat man die Chance, wesentlich grundlegendere physikalische und kausale Zusammenhänge zu erlernen.

▎Aber der latente Raum hat keine Bilder, die Darstellung ist schwierig. In der heutigen Zeit der heißen Finanzierung und des harten Demo-Wettbewerbs haben Sie dadurch große Nachteile erlitten, oder?

Lu Zongqing: Die Vorführung und die praktische Umsetzung sind zwei verschiedene Dinge. Ein Roboter, der keinen Ball fangen kann, ist nutzlos, auch wenn seine Darstellung noch so schön ist. Es ist eine Tatsache, dass der latente Raum schwer zu zeigen ist und keine Bilder für andere bietet – das akzeptieren wir.

Aber aus einer anderen Perspektive: Die Nähe zur Industrie und klare Ziele sind das, was Investoren mehr wertschätzen. Klare Ziele bedeuten, dass Sie wissen, welches Problem Sie lösen – statt schöne Videos zu verwenden, um die Unfähigkeit des Modells bei physikalischen Interaktionen zu vertuschen.

▎Wie viel Prozent der auffälligen Demonstrationsvideos in der Branche sind heute auf „Präsentationszwecke“ zugeschnitten?

Lu Zongqing: Was Sie sehen, ist möglicherweise das beste Ergebnis aus Tausenden von Versuchen. Das ist kein Geheimnis.

03

Bei dem Thema Daten sind wir zwei Jahre früher als alle anderen

▎Wenn wir von Daten sprechen: Heute gibt es eine beliebte Ansicht in der Branche, wer mehr Daten angesammelt hat, hat den Vorteil. Kürzlich haben wir viele Unternehmen besucht und festgestellt, dass alle eigene Datenerfassungszentren aufbauen und Erfassungs-Pipelines einrichten. Wie haben Sie damals die These von der Route der menschlichen Videos aus erster Person aufgestellt?

Lu Zongqing: Diese These habe ich bereits im November 2023 aufgestellt. (Deepzhiji wurde im Mai 2025 registriert und ist ein in China weit bekanntes Unternehmen, das sich auf menschliche Erstperson-Daten spezialisiert – meine Einschätzung lag fast zwei Jahre vor der ihren.)

Die Logik ist nicht kompliziert. Daten, die von Roboter-Körpern erfasst werden, haben von Natur aus zwei Probleme: Die Menge ist nicht groß genug, und die Vielfalt reicht nicht aus. Wie viele Szenarien können Sie in einem Datenerfassungsgelände einrichten? Bei Simulationen ist das genauso: Ingenieure müssen jede Umgebung einzeln aufbauen, die Vielfalt ist extrem schlecht. Die wichtigste Eigenschaft von Daten für das Training eines allgemeinen Grundmodells ist die Vielfalt. Damals haben wir geprüft: Simulator-Daten, Daten von echten Geräten und menschliche Videos – nur die Videos aus erster Person, bei denen Menschen alltägliche Aufgaben erledigen, erfüllen alle drei Punkte gleichzeitig: hohe Vielfalt, große Datenmenge und einfache Skalierbarkeit. Es gab nicht viele verfügbare Datentypen, es gab keine andere Wahl.

▎Wie viele Daten haben Sie inzwischen angesammelt? Früher haben wir von 200.000 Stunden gehört.

Lu Zongqing: (BeingBeyond veröffentlichte am 28. Juli das neueste Being-H0.8) Heute sind es bereits mehr als 500.000 Stunden. Das ist kein bloßes Anhäufen von Laufzeit, jede Stunde wurde nach Kriterien für Vielfalt und Qualität ausgewählt. Wiederholte Daten sind für uns sinnlos. Es gibt nur sehr wenige Unternehmen auf dem Markt, die über 1 Million Stunden an vorhandenen Daten verfügen – einige sprechen von 10 Millionen Stunden, das ist aber ein Zielwert, nicht der aktuelle Bestand.

▎Viele Hersteller von Roboter-Körpern sprechen vom „Daten-Flywheel“: Sie verteilen Geräte an Nutzer, sammeln Daten während der Nutzung und treiben die Datenansammlung durch Massenproduktion voran. Zum Beispiel lassen sie Nutzer Erfassungsgeräte tragen, während sie Hausarbeiten erledigen. Halten Sie das für vertrauenswürdig?

Lu Zongqing: Die größten Vorteile bei dieser Sache haben Plattformunternehmen, keine Startups.

Wenn ein Startup das macht, wird es sein eigenes