Die praktische Umsetzung der verkörperten Intelligenz beginnt mit dem Begehen von Fehlern.

Vor einem Monat hat der Roboter des Robotikunternehmens Sharpa seinen Dienst in der DQ-Filiale an der Wujiang Road in Shanghai aufgenommen. Seine Aufgabe ist die Herstellung von Oreo-Blizzards, wobei er 55 vollständige Schritte abdeckt: das Entnehmen des Bechers, das Einfüllen der Zutaten, das Hinzufügen von Oreo-Stückchen, das Rühren und das Ausliefern des fertigen Produkts.

Während die Vertreter der großen Sprachmodellbranche nebenan abwechselnd Theorien über die Bedrohung durch KI verbreiten und sich in Aktionen wie Schwindelanfällen und Hinsetzen üben, hat der Sharpa-Roboter bereits einen vollen Monat lang ununterbrochen in der DQ-Filiale gearbeitet, ohne einen einzigen Tag frei zu haben.

Dieses Jahr ist das Jahr des Einsatzes humanoider Roboter in der Produktion. Nachdem sie auf der Bühne ihre Fähigkeiten unter Beweis gestellt haben, legen die Roboter nun ihre Showrequisiten ab, ziehen Arbeitshandschuhe an und betreten Fabriken und Werkshallen. Der nächste Schritt für humanoide Roboter ist der praktische Einsatz in realen Anwendungsszenarien – ein unbestrittener Branchentrend der Gegenwart.

Am Tag des Dienstantritts des Sharpa-Roboters war die öffentliche Meinung relativ positiv: Schließlich war dies die erste komplexe Langzeitaufgabe, die ein Roboter im Bereich der verkörperten Intelligenz in China in einem unveränderten realen Szenario durchführte. Das ist etwas völlig anderes als ein Demo-artiges Pop-up-Ereignis.

Aber nachdem ein ganzer Monat der Arbeitszeit einen vorläufigen Abschluss gefunden hat, haben Personen außerhalb der Branche und Fachleute aus der Branche zwei völlig unterschiedliche Perspektiven entwickelt:

Im Allgemeinen betrachten die Zuschauer das Ganze als eine Art Sehenswürdigkeit, und Kunden, die Eiscreme kaufen, geben an, dass der Prozess etwas langsam ist: Der Sharpa-Roboter braucht etwa 6 Minuten für einen vollständigen Ablauf, das ist doppelt so viel wie ein geübter menschlicher Mitarbeiter und entspricht noch dem Niveau eines Lehrlings.

Gleichzeitig ist das Verhalten des Roboters sehr variabel: Er zeigt sehr „menschenähnliche“ geniale Momente, wenn er einen Löffel auswählt oder sogar beurteilt, welcher Löffel leichter zu greifen ist, aber es gibt auch Fälle, in denen er Krümel auf dem Tisch nicht erkennt und sie nicht aufwischt, also keine Eigeninitiative zeigt. Natürlich sagen die Verbraucher auch einhellig: „Es ist noch in den Kinderschuhen“, das ist verständlich. Schließlich hat man nach dem Verzehr der vom Roboter hergestellten Eiscreme das Gefühl, dass der eigene Intelligenzquotient gestiegen ist.

Der Sharpa-Roboter arbeitet schweißtreibend in der DQ-Filiale

Der Sharpa-Roboter gibt den Kunden emotionalen Mehrwert

Die Praktiker der verkörperten Intelligenz beobachten die Situation vor Ort intensiv und gehen zurück ins Büro, um die Aufnahmen Bild für Bild durchzugehen: Welche Schwierigkeiten hat der Roboter erlebt? Welche Probleme kann er selbst lösen? Welche Probleme lassen sich nicht lösen? Wie schneidet er im Vergleich zu den Produkten unseres Unternehmens ab? Stellt Sharpa derzeit noch Mitarbeiter ein?

Mit anderen Worten: Die Aufmerksamkeit der Industrie liegt auf der Sammlung von Fehlern, die der Roboter gemacht hat. Bei den 55 Schritten zur Herstellung von DQ-Eiscreme verbergen sich in vielen Schritten Fehlerquellen, die sehr hohe Anforderungen an die Generalisierungsfähigkeit des Roboters stellen. Genau wie menschliche Mitarbeiter geschult werden müssen, sind die Stärken und Schwächen, die der Roboter im praktischen Einsatz offenbart, wertvolle technische Vermögenswerte für die anschließende Analyse und Forschung.

Der Roboter greift versehentlich zwei Löffel auf einmal

Es ist nicht übertrieben zu sagen: Wenn der Sharpa-Roboter überhaupt keinen Fehler gemacht hätte, würde die Industrie wahrscheinlich aufatmen – das würde bedeuten, dass die technischen Herausforderungen gar nicht so groß sind, und die Illusion „Ich kann das auch“ würde sich schnell verbreiten. Gerade die Probleme, die der Roboter im praktischen Einsatz offenbart, sind in der aktuellen Phase der Industrie von großem Wert für Forschung und Nachbearbeitung.

Ein Roboter, der Fehler machen kann, ist erst ein Roboter, der es wert ist, erforscht zu werden.

Schwimmen lernen im offenen Meer

2024 gründeten die drei Gründer des Lidar-Unternehmens Hesai, Li Yifan, Xiang Shaoqing und Sun Kai, Sharpa. Zuerst konzentrierten sie sich auf geschickte Hände und brachten die Sharpa Wave auf den Markt, eine fünffingrige geschickte Hand mit taktiler Wahrnehmung, die im Oktober 2025 erfolgreich in die Serienproduktion ging und ausgeliefert wurde.

Die Roboterhand gilt als das wichtigste Hardware-Element des gesamten Roboters. Sharpa hat zuerst das Problem gelöst, „ob die Hand arbeiten kann“, und dann die Fähigkeit in das gesamte Robotersystem integriert. Auf der CES Anfang dieses Jahres stellte Sharpa einen humanoiden Roboter vor und veröffentlichte gleichzeitig das CraftNet-Modell, bei dem vor Ort Aufgaben wie Tischtennisspielen, Karten austeilen und Papierwindrad zusammenbauen demonstriert wurden.

Die Roboterhand, die bei der Frühlingsgala Nüsse drehte, stammt von Sharpa

Das Design der Sharpa Wave-Hand ist extrem komplex: Sie kann nicht nur Objekte greifen, sondern nach dem Berühren von Objekten durch Tastsinn Rutschen, Verformung und Kraftaufnahme erkennen und dann die Greifkraft anpassen – das ist das Schlüsselelement, das es dem Roboter ermöglicht, in der DQ-Filiale zu arbeiten.

In dem von Nvidia im Mai dieses Jahres vorgestellten Referenzdesign für humanoide Roboter wurde das W01-Doppelhandsystem von Sharpa verwendet; Google DeepMind hat in den Experimenten mit Gemini Robotics 2 die W01 auch auf dem Apptronik Apollo 2 zur Prüfung montiert. Die Bestellungen aus vor- und nachgelagerten Bereichen sind weitaus wertvoller als reine Showdemonstrationen.

Der Sharpa-Roboter ist mit Rädern ausgestattet, was ihm im Vergleich zu reinen Roboterhand-Produkten von Natur aus Nachteile bei der Darstellung von Showfähigkeiten bringt. Aber die Kombination aus Roboterhand + Roboter + zugehörigem Modell bildet einen Technologie-Stack, der Aufgabenabläufe autonom abschließen kann.

Nachdem die technische Plattform aus Gehirn, Körper und geschickter Hand vollständig aufgebaut ist, iteriert das technische Team von Sharpa einerseits die Produkte und führt andererseits praktische Einsätze in realen Szenarien durch:

Im September dieses Jahres veröffentlichte Sharpa das Nachfolgeprodukt W02 der Wave/W01-Serie, das im Vergleich zur W01 leichter und kleiner ist. Gleichzeitig wurden der humanoide Roboter D01 und das Exoskelett-Datenhandschuh AE01 für präzise Fernsteuerung und Datenerhebung vorgestellt.

Zur gleichen Zeit traf der Sharpa-Roboter in der DQ-Filiale auf seinen strengsten „Lehrer“: die Eiscreme.

Roboter sind nicht wie Menschen, die von Natur aus Rückmeldungen wie Tastsinn und Schwerkraft aus der physischen Welt wahrnehmen können. Daher sind alltägliche Handlungen wie das Öffnen eines Flaschendeckels oder einer Konservendose viel schwieriger zu meistern als das Ausführen von Kampftechniken.

Die Herstellung von Eiscreme ist für Menschen nicht schwer, aber für Roboter entspricht sie der Nordschleife des Nürburgrings: 55 Schritte, überall gibt es Fallstricke und Herausforderungen. Das manuelle Be- und Entladen von Stahlcoils auf einem LKW erfordert nur ausreichend starkes Material und genügend Kraft, aber bei der Herstellung von Eiscreme muss allein beim Greifen des Pappbechers sehr viel berücksichtigt werden.

Form und Krafteinwirkung von Pappbecher, Becherrand und Löffel sind jeweils unterschiedlich. Beim Rühren muss die Roboterhand den Becherrand mit Daumen und Zeigefinger festhalten: Bei zu wenig Kraft rutscht er aus der Hand, bei zu viel Kraft hält der Pappbecher nicht stand. Das richtige Maß zu finden, ist eine große Hürde.

Der Sharpa-Roboter entnimmt den Becher

Der Sharpa-Roboter fügt gerade Zutaten hinzu

Zum Beispiel sind die Plastiklöffel in der Filiale zufällig angeordnet, in Extremfällen muss der Roboter selbst einen Weg finden, sie herauszuholen – das stellt sehr hohe Anforderungen an die Generalisierungsfähigkeit der Softwarealgorithmen.

Eiscreme ist auch nicht wie genau positionierte Metallteile: Zustände wie Temperatur und Viskosität ändern sich ständig. Der Roboter muss ständig beurteilen, ob das Produkt den Ausgabestandards entspricht, insbesondere muss er die typische DQ-Herausforderung „Der Becher wird umgedreht, ohne dass etwas ausläuft“ bestehen – das ist sehr schwierig.

Um das derzeitige Ergebnis ohne Veränderungen am Standort und ohne menschliche Eingriffe zu erreichen, haben das DQ-Team und das Sharpa-Team mehrere Monate lang zusammengearbeitet und das System optimiert.

Wozu das Ganze? Sicherlich nicht, weil der Roboter langsamer arbeitet als Menschen.

Das Greifen eines Löffels ist auch eine Prüfung

Dass Sharpa den Roboter in der Filiale arbeiten lässt, folgt einer technischen Logik: Es geht um das, was Li Yifan als „die Szenarien bis ins Letzte durchdringen“ bezeichnet.

Von der Demonstration bis zur praktischen Umsetzung hat die Branche lange geredet, und mittlerweile besteht Einigkeit über „hochwertige Szenarien“: Es gibt standardisierte Arbeitsabläufe (SOP), aber im Prozess gibt es eine große Menge an Zufälligkeiten.

Industrieszenarien wie die Automobilproduktion sind ebenfalls beliebte Einsatzbereiche für Roboter, aber diese Szenarien haben auch deutliche Grenzen. Vor dem Aufkommen der künstlichen Intelligenz war die Automobilindustrie bereits ein Sektor mit sehr hohem Automatisierungs- und Digitalisierungsgrad. Wenn Roboter in Fabriken arbeiten wollen, ist es für sie schwierig, die etablierten Arbeitsplätze von Industrierobotern wie KUKA und FANUC zu übernehmen.

Auf der anderen Seite sind die Kohlenstoff-basierten Menschen in den Fabriken aufgrund des sehr hohen Automatisierungsgrads kaum noch von Robotern zu unterscheiden, der Raum für Entfaltung und Fehlerversuche für Roboter ist sehr begrenzt.

Das Ausprobieren von Fehlern in echten Geschäftsszenarien ist derzeit aber das Wichtigste für die gesamte Branche.

Die verkörperte Intelligenz befindet sich derzeit in einer Phase des schnellen technischen Fortschritts, die großflächige kommerzielle Umsetzung ist noch in weiter Ferne. Wenn sich der technische Iterationszyklus sehr schnell verkürzt, wird die Halbwertszeit der technischen Ergebnisse sehr kurz, und die Haltbarkeit technischer Barrieren ist noch kürzer.

Um an der technischen Spitze zu bleiben, braucht es eine große Anzahl an Fehlerversuchen, um in echten Szenarien Probleme zu entdecken, die im Labor nicht vorhergesehen werden können. Das Szenario der „Eiscreme-Herstellung“ eignet sich hervorragend für solche Fehlerversuche.

Im Gegensatz zu Fabrikproduktionslinien mit militärischer Verwaltung zeichnen sich Dienstleistungsbranchen im Offline-Bereich dadurch aus, dass die Kernprozesse standardisiert sind, aber im Ausführungsprozess eine große Anzahl zufälliger Szenarien auftreten. Nehmen wir die DQ-Filiale als Beispiel: Geräte fallen aus, Löffel sind aufgebraucht und man muss neue holen, Lieferanten drängen auf die Lieferung und werden gegenüber dem siliziumbasierten Mitarbeiter laut – all das sind reale Situationen, die tatsächlich auftreten.

Ähnlich wie Edge Cases im Bereich des autonomen Fahrens können Simulationen im Labor nicht alle zufälligen Szenarien der Realität abdecken. Nur in realen Szenarien lassen sich Variablen entdecken, die im Labor nicht vollständig vorhergesagt wurden. Die lokalen Daten werden dann zurück in die Simulation übernommen, um mehr verschiedene Fälle zu erweitern, und schließlich in der Realität erneut getestet.

Sobald man sich dem Thema „praktische Umsetzung“ widmet, bedeutet das, dass Unternehmen eine vollständige Lösung mit hoher Zuverlässigkeit erhalten müssen. Kein Unternehmen ist bereit, eigenes Geld auszugeben, um gemeinsam mit einem Robotikunternehmen Fehler zu beheben. Daher sind Fehlerversuche und Überprüfungen im laufenden Betrieb sehr wichtig.

Aber für Robotikunternehmen reicht es nicht aus, wenn das Entwicklungsteam von Sharpa in die DQ-Filiale geht, um die Arbeitsabläufe kennenzulernen – selbst wenn sie bis zum Regionaldirektor aufsteigen, werden sie niemals alle zufälligen Ereignisse vollständig abdecken können. Je länger der Roboter in der Filiale arbeitet, desto mehr Edge Cases sammelt er an, desto besser kann er die anschließende technische Verbesserung unterstützen.

Mit anderen Worten: Wenn man eine Finanzierung beschaffen will, muss man mehrmals proben, um ein perfektes Ergebnis zu erzielen. Wenn man aber die technische Entwicklung