Aufstrebender Newcomer im Bereich Embodied Intelligence: innerhalb von 3 Monaten zum Unicorn geworden
Gerade wenn die Investitionen in die Embodied-Intelligence im inländischen Primärmarkt allmählich zurückgehen, hat ein ausländisches Unternehmen für Roboter-Datentraining innerhalb von drei Monaten zwei Finanzierungsrunden abgeschlossen und ist bereits zu einem Einhorn mit einem Marktwert von über 10 Milliarden Yuan aufgestiegen.
Vor kurzem verbreitete sich die Nachricht über eine neue Finanzierungsrunde von dem Roboter-Datenunternehmen XDOF mit einer Bewertung von etwa 1,2 Milliarden US-Dollar, was mehr als 10 Milliarden Yuan entspricht. Seitdem das Unternehmen im Juni dieses Jahres den Abschluss der Serie-A-Finanzierung in Höhe von 70 Millionen US-Dollar bekanntgab, sind nur etwa drei Monate vergangen.
XDOF wurde 2024 gegründet und wird gemeinsam von Philipp Wu, Fred Shentu und Nemo Jin gegründet. Eines der technologischen Grundlagen des Unternehmens ist das GELLO-Fernbedienungssystem, das im Rahmen der Forschung zum Roboterlernen an der University of California, Berkeley entwickelt wurde.
Was mich neugierig macht, ist, dass dieses Unternehmen weder Modelle entwickelt noch humanoide Roboter herstellt, sondern ein auf den ersten Blick wenig aufregendes Datengeschäft betreibt: Es sammelt, sortiert und verarbeitet Interaktionsdaten aus der realen Welt für Roboter. Aber genau dieses Unternehmen, das "Daten verkauft", hat die Gunst von namhaften Institutionen wie a16z und Thrive Capital gewonnen.
Derzeit handelt es sich bei dieser Finanzierung von XDOF noch um ein vorgeschlagenes Geschäft. Details wie der genaue Finanzierungsbetrag und ob die Bewertung neue Mittel enthält, wurden noch nicht öffentlich bestätigt. Aber unabhängig davon, wie das endgültige Geschäft abgeschlossen wird, sendet diese Finanzierung zumindest ein bemerkenswertes Signal: Da die Industrie für große Modelle und Roboter in eine neue Entwicklungsphase eintritt, wird das Datengeschäft, das einst als arbeitsintensiv und mit wenig Entwicklungspotenzial eingestuft wurde, nun von Kapitalgebern neu bewertet.
Scale AI im Bereich der Roboter
"Die Datenqualität ist oft der unterschätzte Erfolgsfaktor im Deep Learning." Dieser Satz stammt von Philip Wu, als er einen Forschungsartikel seines Teams auf Twitter weiterverbreitete.
Phillp Wu ist der Gründer von XDOF. Die University of California, Berkeley, an der er tätig ist, ist selbst ein wichtiges akademisches Zentrum für die weltweite Forschung zu Roboterlernen, Verstärkungslernen und Embodied-Intelligence. Die im inländischen Kreis für Embodied-Intelligence verbreitete Redewendung "Vier Rückkehrer aus Berkeley" verdeutlicht nebenbei den Einfluss dieser Universität auf chinesische Gründer und Investoren.
Philipp Wu, der Gründer von XDOF, begann seine Forschungsarbeit ebenfalls mit Robotern selbst. Aus den öffentlich zugänglichen Lebensläufen auf LinkedIn geht hervor, dass er als Student im Roboter-Lernlabor der University of California, Berkeley, unter der Anleitung von Professor Pieter Abbeel an der Robotersteuerung forschte. Von Juli 2022 bis August 2024 war er zudem als Gastforscher bei Meta tätig und forschte an multimodalen Grundmodellen für Roboter.
Pieter Abbeel ist Professor an der University of California, Berkeley, Direktor des Roboter-Lernlabors und Ko-Direktor des Berkeley Artificial Intelligence Research (BAIR). Er forscht seit langem daran, wie Roboter Fähigkeiten durch menschliche Demonstrationen, Verstärkungslernen und Versuch und Irrtum erwerben. Zum Beispiel gehören komplexe Operationen, die wir heute oft von Robotern ausgeführt sehen, wie das Falten von Kleidung, das Knüpfen von Knoten und das Zusammenbauen von Gegenständen, zu den Forschungsbereichen von Abbeel. Er gründete zudem gemeinsam mit seinen Studenten Covariant, um die Roboter-Lerntechnologie in Logistik- und Lagerumgebungen einzusetzen. 2022 verlieh die Universität Berkeley den ACM Prize in Computing an Abbeel in Anerkennung seiner Forschungsbeiträge auf dem Gebiet des Roboterlernens. Philipp Wu arbeitete einst als Forschungsingenieur bei Covariant und erforschte Lerntechnologien für Logistik- und Lagerroboter.
Wenn man die Embodied-Intelligence als eine neue Industriekette betrachtet, sind die Roboter selbst der "Körper", die Modelle das "Gehirn" und die Daten eher der "Treibstoff" während des Trainingsprozesses. Die Hersteller von Roboterhardware benötigen Daten zum Trainieren ihrer Modelle, die Modellentwickler brauchen Daten zur Verbesserung ihrer Fähigkeiten, und Datenunternehmen haben die Möglichkeit, Dienstleistungen für mehrere Kunden anzubieten. Daher nennen einige Investoren XDOF das Scale AI oder Mercor im Bereich der Roboter.
Trotzdem muss man mit dieser Analogie vorsichtig umgehen. Unternehmen wie Scale AI sind im Markt für Internetdaten und Modelltraining tätig, während XDOF mit einer komplexeren physischen Welt konfrontiert ist. Im Gegensatz zu herkömmlichen Industrierobotern, die auf vorprogrammierten Abläufen basieren, müssen allgemeine Roboter mit sich ständig ändernden Objekten, Umgebungen und Aufgaben umgehen. Wie ein Mensch einen Stift greift, einen Flaschenverschluss öffnet oder ein Kleidungsstück faltet, beinhaltet komplexe Vorgänge im Bereich der visuellen Wahrnehmung, der Bewegung und des Feedbacks. Damit Roboter diese Fähigkeiten erlernen können, reicht es nicht aus, dass Ingenieure Regeln für jede Bewegung schreiben – sie benötigen eine große Menge an echten Interaktionsdaten.
Diese Art von Daten existiert nicht auf natürliche Weise wie Internettexte, und die Daten, die Roboter benötigen, können oft nur durch echte Operationen erhalten werden. Die Pose, die Handbewegung, das Kontaktfeedback und die Ursache des Fehlers, wenn ein Roboter ein Objekt greift, sowie die Art, wie Menschen ihre Bewegungen anpassen, sind alles notwendige Materialien für das Training allgemeiner Roboter. Darüber hinaus sind die Anforderungen an die Qualität von Roboter-Trainingsdaten noch höher: Eine Bewegung, die "ungefähr richtig" aussieht, kann aufgrund von Unterschieden in Kraft, Winkel, Kontaktstelle oder Zeitpunkt fehlschlagen. Aus diesem Grund lässt sich die Erfassung von Roboter-Daten nicht einfach als "Aufnehmen von Videos von Robotern" verstehen. Sie erfordert die gleichzeitige Aufzeichnung von visuellen Informationen, Bewegungsabläufen, Roboterzuständen und Aufgabenergebnissen, und man muss zudem die Bewegungsabbildung zwischen verschiedenen Robotern, die Qualitätskontrolle der Daten und die Methode zur Extraktion effektiver Lernsignale aus Fehlern und Anpassungen berücksichtigen.
Im Juni dieses Jahres veröffentlichte XDOF das WARP-RM-Schema (Warp-Augmented Relative Progress Reward Model). Das Forschungsteam stellte bei dem Training von Robotern zum Falten von T-Shirts fest, dass die Roboter schlechtere Ergebnisse erzielten, nachdem mehr Demonstrationsdaten hinzugefügt wurden. Das Problem lag nicht darin, dass diese Demonstrationen die Aufgabe letztendlich nicht abschlossen, sondern dass sie eine große Anzahl von Pausen, Zögerlichkeiten und wiederholten Anpassungen beinhalteten. Für Imitationslernmodelle werden diese Bewegungen ebenfalls als Trainingssignale behandelt.
Das WARP-RM versucht, das Problem zu lösen, wie man die Teile aus diesen Daten herausfinden kann, die den Fortschritt der Aufgabe wirklich vorantreiben. Indem die Zeitskalen der vorhandenen Bewegungsabläufe verändert werden, lernt das Modell, die Geschwindigkeit des Aufgabenfortschritts zu beurteilen: Ob eine Bewegung die Aufgabe vorantreibt, stagniert oder sogar zurückfällt. Auf diese Weise kann ein Datensatz, der ursprünglich nur eine einzige Demonstration enthält, durch Wiedergabe in verschiedenen Geschwindigkeiten mehr relative Fortschrittssignale für das Training generieren. Die Ergebnisse zeigen, dass in Experimenten zum Falten von T-Shirts die mit WARP-BC gewichtete Trainingsstrategie auf Datensätzen unterschiedlicher Qualität eine höhere Erfolgsrate beibehält. Auf dem saubersten Datensatz schlossen beide Methoden 20 Faltvorgänge ab, aber die gewichtete Strategie benötigte durchschnittlich etwa 64 Sekunden, während das gewöhnliche Imitationslernen etwa 114 Sekunden brauchte.
Namhafte Institutionen wie a16z setzen große Summen ein
Wie allgemein bekannt ist, plagt das Datenproblem die Branche der Embodied-Intelligence. Obwohl immer mehr Unternehmen Simulationsdaten und synthetische Daten als Lösungsweg nutzen, können Simulationen das Datenvolumen vergrößern, aber nur echte Daten bestimmen, wie nah diese Daten an der realen Welt sind. Wenn ein Unternehmen die Fähigkeit zur Erfassung von echten Daten beherrscht und darüber hinaus stabile Datenpipelines, Tools und ein Kundennetzwerk aufbaut, kann sein kommerzieller Wert sich von einem Datendienstleister zu einem Anbieter von Trainingsinfrastruktur weiterentwickeln.
Im Juni dieses Jahres veröffentlichte XDOF den ABC-130K-Datensatz, der mehr als 130.000 Roboter-Betriebsabläufe umfasst und etwa 200 zweihändige Betriebsaufgaben abdeckt, die in Zusammenarbeit mit Institutionen wie der Universität Berkeley erstellt wurden. Gleichzeitig gab das Unternehmen den Abschluss der Serie-A-Finanzierung in Höhe von 70 Millionen US-Dollar bekannt, an der sich Thrive Capital, a16z, Lux Capital, Spark Capital und WndrCo beteiligten. Im September verbreitete sich die Nachricht, dass XDOF über eine neue Finanzierungsrunde verhandelt, mit einer Bewertung von etwa 1,2 Milliarden US-Dollar.
Hinter der intensiven Aufmerksamkeit von Kapitalgebern liegt ein jährliches Umsatzvolumen von fast 50 Millionen US-Dollar bei XDOF, zu dessen Kunden mehrere führende KI-Labore gehören.
Tatsächlich sind im Inland bereits einige namhafte Unternehmen und Gründer im Bereich des Datentrainings für große Modelle entstanden, die in diesem Jahr ebenfalls eine hohe Beliebtheit bei Finanzierungen genießen. Nach Gesprächen mit mehreren Investoren haben wir festgestellt, dass das Entwicklungspotenzial des Datengeschäfts nicht darin liegt, wie viele Abläufe verkauft werden. Genau wie einige frühe Datenunternehmen werden sie leicht als Outsourcing-Dienstleister verstanden: Der Kunde stellt eine Aufgabe, das Unternehmen organisiert Personal zur Datenerfassung und -annotierung und liefert das Ergebnis nach Projekt ab. Aber wenn der Bedarf an der Ausbildung von Roboter-Modellen weiter wächst, kann dieses Modell keinen größeren kommerziellen Raum unterstützen.
Der Grund dafür ist, dass der Datenbedarf nicht einmalig ist. Für das Modelltraining müssen ständig neue Daten ergänzt werden. Wenn die Leistung des Modells nachlässt, müssen Daten neu erfasst werden. Bei einem neuen Roboter oder einem neuen Aufgabenszenario werden wiederum neue Daten benötigt. Ein wirklich wertvolles Unternehmen muss die Erfassung, Bereinigung, Annotierung, Ausbildung, Bewertung und Rückkopplung verbinden, um ein kontinuierlich funktionierendes Datenproduktionssystem aufzubauen.
Am Beispiel des Geschäftsmodells von XDOF betont das Unternehmen öffentlich, dass sein Geschäft nicht nur Datensätze umfasst, sondern auch Datenpipelines, Erfassungstools und Annotierungssysteme. Das von dem Gründungsteam zuvor entwickelte GELLO ist ebenfalls ein Datenerfassungssystem für die Fernbedienung von Robotern. Nach Ansicht von Investoren besteht das Potenzial solcher Unternehmen nicht unbedingt darin, ein größerer Daten-Outsourcing-Anbieter zu werden, sondern eine Infrastrukturplattform im Ökosystem des Roboter-Trainings zu bilden.
Die Finanzierungen für Embodied-Intelligence im Jahr 2026 konzentrieren sich deutlich auf die beiden Bereiche "Gehirn" und "Daten". Das bedeutet aber nicht, dass alle Teilbereiche gleichzeitig an Bedeutung gewinnen. Im Gegenteil, das Kapital konzentriert sich auf immer weniger Projekte, und die Investoren richten ihren Fokus von "technischen Geschichten" zu "kommerziellen Fähigkeiten" um.
Im Inland hat Guanglun Intelligence, ein Unternehmen für physische KI-Daten und Bewertungsinfrastruktur, seit Beginn dieses Jahres mehrere Finanzierungsrunden nacheinander abgeschlossen, und das Tempo der Finanzierungen hat deutlich zugenommen. Im März schloss es die Serie A++ und A+++ Finanzierungen in Höhe von 1 Milliarde Yuan ab und wurde zum weltweit ersten Einhorn für Embodied-Daten. Im Mai erhielt es eine weitere neue Finanzierungsrunde unter der Leitung von Ant Group, mit einer Bewertung von über 2 Milliarden US-Dollar (etwa 15 Milliarden Yuan) nach der Investition. Im Juni folgte eine strategische Finanzierung in Höhe von 1 Milliarde Yuan, sodass die Summe der beiden Runden innerhalb von drei Wochen etwa 2 Milliarden Yuan betrug.
Die "ZhiYuan-Gruppe" arbeitet ebenfalls am Aufbau der Infrastruktur von Datenplattformen für Embodied-Intelligence. Im Februar dieses Jahres gab Mifeng Technology, eine physische KI-Dienstleistungsplattform, die intern von ZhiYuan Robotics gegründet wurde, ihre Gründung bekannt. Bis Ende August 2026 hat das Unternehmen insgesamt mehrere hundert Millionen Yuan an Finanzmitteln erhalten. Vor kurzem wurde das 20.000ste MEgo-Datenerfassungsgerät ohne eigene Roboterhardware offiziell aus der Produktion entlassen. Es ist bekannt, dass dies das erste Mal in der Branche ist, dass die Massenproduktion von Datenerfassungsgeräten ohne eigene Roboterhardware realisiert wurde.
"Garbage in, garbage out." Die Qualität der Daten bestimmt letztendlich die Obergrenze der Fähigkeiten des Modells.
Da Roboter allmählich in die reale Welt eintreten, beteiligen sich immer mehr Unternehmen an dem Bereich der Datenerfassung, und das Datenangebot für physische KI wächst rasant. Obwohl die bisher angesammelten Daten noch weit davon entfernt sind, die Entstehung von Intelligenz bei Robotern wirklich zu unterstützen, und das Scheitern einiger Datenerfassungsprojekte bedeutet auch, dass einige Kapitalgeber bereits Kosten für technische Wege getragen haben, die noch nicht funktionieren. Das bedeutet aber nicht, dass der Wert von Daten abnimmt. Im Gegenteil: Da sich die technischen Wege allmählich konsolidieren, wird sich die Entwicklung von Daten von der Verfolgung von Menge und Qualität zu einem System von Fähigkeiten zur Datenerfassung, -verarbeitung und -rückkopplung entwickeln. Zu diesem Zeitpunkt sollte der Wert von Datenunternehmen neu bewertet werden.
Dieser Artikel stammt aus dem WeChat-Offiziellen Konto "Dong Shi Tiao Capital", Autor: Wei Xianghui, und wird mit Genehmigung von 36Kr veröffentlicht.