Ein erst neun Monate altes Unternehmen lässt Roboter die „vorab einstudierte Welt“ verlassen

In den neun Monaten, in denen die Embodied Intelligence besonders lebhaft boomt, ist ein Team besonders unauffällig geblieben.

Während Konkurrenten die Aufmerksamkeit mit einem Roboter-Demo nach dem anderen erobern, setzt dieses Team auf etwas Langsameres und Teureres: Das Training eines universellen Modells für die physische Welt.

Dieses Unternehmen heißt Natural Will. Es wurde im Januar 2026 gegründet und verfolgte von Anfang an das Ziel, ein universelles Grundmodell für die physische Welt zu entwickeln, das mit ein und demselben Modell ständig neue Aufgaben anpassen kann.

Erst im Oktober 2026 trat dieses Team zum ersten Mal mit seinem Produkt an die Öffentlichkeit und veröffentlichte das universelle Grundmodell Natura-1 für die physische Welt im 50B-Bereich. Es wurde mit Millionen von Stunden menschlicher Ego-Perspektivdaten vortrainiert und zeigt derzeit bereits Fähigkeiten zur geschickten Bedienung und zur Einhaltung von Zero-Shot-Anweisungen. Bei unbekannten Objekten und vorübergehenden Anweisungen kann es vorhandene Erfahrungen mobilisieren, um Bewegungen zu organisieren, und nach der Anpassung sogar komplexere Langzeitaufgaben bewältigen.

Jetzt beginnt Natura-1 auch, Erfahrungen aus der realen Welt aufzunehmen.

01 Roboter lernen, neue Aufgaben zu lösen

Roboter im Alltag zu sehen, ist längst keine Neuigkeit mehr. Nehmen wir den üblichen Kaffeeroboter im Einkaufszentrum als Beispiel: Der mechanische Arm nimmt die Tasse von einer festen Position, fügt die Zutaten in einer voreingestellten Reihenfolge hinzu und legt das fertige Produkt an die Abholstelle. Solange Tassen und Zutaten an vertrauten Orten stehen, kann er stabil arbeiten.

Probleme beginnen oft mit einem Unfall. Wenn die Tasse von ihrer ursprünglichen Position abweicht, verlieren die im Programm geschriebenen Koordinaten ihre Gültigkeit. Die Bewegungen des Roboters sind noch immer genau, aber das Ergebnis ist genau – in die Luft zu greifen.

Ein Mitglied des Teams hat diesen Unterschied einmal in einem Satz zusammengefasst: „Wenn es keine Variablen gibt, braucht man kein Modell, Programmieren reicht aus.“

Das stimmt auch. Vorprogrammierte Roboter handeln nach den Prozessen, die Ingenieure im Voraus geschrieben haben, und stürzen leicht ab, sobald sich die Umgebung ändert. Roboter-Modelle hingegen haben einen zusätzlichen Bewertungsschritt: Sie beobachten die Umgebung vor sich, verstehen die Anweisungen des Menschen und organisieren dann Bewegungen entsprechend den Veränderungen vor Ort.

Erst wenn die Realität vom Programm abweicht, kommt das Modell zum Einsatz.

Das von Natura-1 betonte Zero-Shot Instruction Following löst diese Art von Veränderungen: Das Modell überspringt das spezielle Training für die aktuelle Aufgabe, lernt direkt selbstständig unter unbekannten Anweisungen und führt Bewegungen aus.

Zum Beispiel hat das Trainingsdaten dem Roboter beigebracht, Äpfel zu greifen, aber nicht, Objekte abzuwischen, und auch nicht die Aufgabe, Äpfel abzuwischen. Aber wenn das Personal diese Anweisung vorübergehend gibt, kann das Modell schnell selbstständig die neue kombinierte Bewegung erlernen, Äpfel abzuwischen.

In einem weiteren Test ließ das Team von Natural Will den Roboter zuerst die Objekte auf der linken und rechten Seite bewegen. Er schloss zwei Greifvorgänge nacheinander ab. Als das Wort „gleichzeitig“ zur Anweisung hinzugefügt wurde, änderte sich die Bewegung des Roboters: Eine Hand hielt das Objekt an Ort und Stelle, die andere Hand schloss dann den Greifvorgang ab, und beide Hände bewegten sich schließlich gemeinsam.

Ein anderes Mal brachte das Team vorübergehend einen Laptop mit und ließ den Roboter den Bildschirm öffnen und die Leertaste drücken. In vergangenen Trainings sind Computer und Tastaturen nie aufgetaucht, und das Team hatte ursprünglich keine zu hohen Erwartungen. Überraschenderweise hob der Roboter schnell den Bildschirm an, bewegte seine Hand über die Tastatur und streckte schließlich den Zeigefinger aus, um die Leertaste zu drücken.

Das ist ein interessantes Experiment, das zeigt, dass das Modell bereits in der Lage ist, gesammeltes Wissen über Objekte und Bewegungserfahrungen in unbekannte Aufgaben einzubringen. Nach mehreren Monaten Training sind die Fortschritte von Natura-1 immer deutlicher geworden: Es kann nicht nur mehr vorübergehende Anweisungen mit Zero-Shot bewältigen, sondern nach der Aufgabenanpassung auch kontinuierliche Vorgänge mit längeren Schritten abschließen.

Diese beiden Beispiele scheinen sehr klein zu sein, aber dahinter verbirgt sich ein langjähriges Problem der Embodied Intelligence: Roboter können einen Satz von Bewegungen im Training auswendig lernen, aber in der realen Welt tauchen jeden Tag neue Probleme und Anforderungen auf. Nur wenn das Modell die Beziehung zwischen Objekten und Bewegungen versteht, kann es gelernte Erfahrungen neu kombinieren.

Für Roboterunternehmen wird diese Fähigkeit auch die Art der Projektlieferung verändern.

Natural Will hat das Nachtraining und das verstärkende Lernen mit echten Geräten schon sehr früh durchgängig gemacht. Daher kann es schnell Aufgaben wie das Herstellen von Teigtaschen mit Greifern abschließen, aber das Team glaubt, dass dies nicht das Endziel ist. Ihrer Meinung nach ist „The world is built by for hands“ und geschickte Hände sind die Zukunft. Aus praktischer Sicht wurden viele Messerhalter und Tabletts, die in Roboter-Demos scheinbar willkürlich auf dem Tisch platziert sind, mehrmals getestet. Wenn sie ein paar Zentimeter zur Seite verschoben werden, kann die Erfolgsrate deutlich sinken.

Daher steht hinter einem flüssigen Video von wenigen Minuten oft eine Woche oder zwei Wochen der Fehlersuche. Mit steigender Anzahl von Projekten muss auch die Anzahl der vor Ort arbeitenden Techniker steigen. Mit jedem verkauften Roboter übernimmt das Unternehmen eine zusätzliche Lieferaufgabe.

Universelle Modelle versuchen, diese Situation zu ändern. Sie erwerben zunächst breitere Betriebserfahrungen, und wenn sie in neue Szenarien eintreten, benötigen sie nur eine kleine Menge zusätzlicher Daten, sodass Ingenieure ihre Energie für längerfristigere Gliederungen verwenden können.

Später entschied sich Natural Will, das Herstellen von Wontons mit geschickten Händen zu testen. Das Team suchte eine einfache Herstellungsart im Internet und ließ den Roboter die Wonton-Haut auf die Handfläche legen und dann mit der anderen Hand zusammendrücken. Das kleine Modell griff jedoch oft ins Leere, manchmal drückte es auch zu stark und durchstieß die Wonton-Haut.

Nach der bisherigen Erfahrung bei der Erstellung von Demos bedeutete dies, dass der Prozess neu entworfen werden musste. Aber am nächsten Tag, nachdem eine Version des Modells, die mit mehr Daten trainiert wurde, auf dem Gerät geladen wurde, richtete der Roboter sich selbst auf die Wonton-Haut aus und kontrollierte die Kraft seiner Finger. Die Bewegung, von der ursprünglich erwartet wurde, dass sie wiederholt geändert werden muss, gelang auf diese Weise.

Das ist auch der Grund, warum Natural Will sich für geschickte Hände entschieden hat. Greifer sind zwar ausgereift, aber ihre Bewegung besteht hauptsächlich aus Öffnen und Schließen. Bei Scheren benötigen sie speziell umgebaute Werkzeuge; bei weichen Objekten ist es schwierig, die feine Koordination zwischen Fingern mit nur zwei Richtungen (Öffnen und Schließen) auszudrücken.

Geschickte Hände erlauben es dem Roboter, nach menschlichen Methoden zu arbeiten. Zero-Shot Instruction Following lässt ihn neue vorübergehende Aufgaben verstehen, und die geschickte Bedienung wandelt das Verständnis in Bewegungen um. Wenn beide Fähigkeiten kombiniert werden, können Roboter die Arbeitsweise verlassen, bei der eine Aufgabe mit einem eigenen Programm ausgestattet wird, und haben die Chance, individuelle Lieferungen zu skalierbaren Produkten zu machen.

02 Woher kommen die Millionen Stunden Daten

Nachdem die Route der geschickten Hände festgelegt wurde, stand das Team bald vor der nächsten Herausforderung: Die Datenerfassung.

Wenn man wiederholt Daten für dieselbe Aufgabe erfasst, wird das Modell zwar immer geschickter, aber für die nächste Aufgabe muss man von vorne anfangen. Wenn universelle Fähigkeiten davon abhängen, dass das Modell reichhaltige Betriebserfahrungen gesehen hat, muss die Datenquelle langfristig erweitert werden.

Natural Will hat schon sehr früh Ego-Daten aus der ersten Perspektive als Kern-Trainingsdaten festgelegt. Im Vergleich zur Fernsteuerung von Robotern ist der Erfassungsprozess von Ego-Daten leichter. Ein Handy, das am Kopf einer Person befestigt ist, kann den gesamten Prozess aufzeichnen, wie beide Hände echte Arbeiten erledigen. Die Erfassungsszenarien können schnell erweitert werden, und die Kosten sind einfacher zu kontrollieren. Darauf aufbauend hat Natural Will schrittweise eine Datenverarbeitungs-Pipeline aufgebaut. Heutzutage erreichen die Vortrainingsdaten, die von Natura-1 verwendet werden, bereits Millionen von Stunden und stammen hauptsächlich von menschlichen Bedienungen in der realen Welt.

Ego-Videos aus der ersten Perspektive zeichnen menschliche Hände auf. Wie sich Finger beugen, wie die Handfläche Objekte stützt und wie sich die Kontaktpunkte ändern – all diese Informationen sind in den Videos verborgen. Wenn man am Ende Greifer verwendet, können die meisten Details nur zu einem einzigen Öffnungs- und Schließvorgang komprimiert werden.

Mit den Worten des Teams: „Informationen können von viel zu wenig werden, aber nicht von wenig zu viel.“

Bewegungen menschlicher Hände können zu Greiferbewegungen vereinfacht werden, aber Greiferdaten können die Koordination von fünf Fingern nicht ergänzen. Da Natural Will sich für menschliche Betriebsdaten entschieden hat, sind geschickte Hände die passendere Trägerplattform.

Bei der Auswahl der Modellarchitektur testete das Team zunächst verschiedene Lösungen über zwei bis drei Wochen: Eine Art ähnelt dem in der Branche üblichen VLA, die andere legt mehr Wert auf die Effizienz der Bewegungserzeugung. Letztendlich zauderte das Team nicht lange und etablierte schnell die Route des „universellen Grundmodells für die physische Welt“.

Es ist kein reines Action Model. Mit der Erweiterung des Trainingsumfangs hat Natural Will auch das Sprachverständnis und visuelle Informationen in ein einziges Modell integriert. Das Team glaubt, dass Natura-1 kaum in die vorhandenen Kategorien von VLA oder WAM eingeordnet werden kann, und definiert es daher als eine unabhängige Route für universelle Grundmodelle der physischen Welt.

Das ist kein bloßes Namensspiel. Die Rechenleistung und das Kapital von Startups sind begrenzt. Jedes zusätzliche Training des Modells kostet echtes Geld. Bei der gleichen Menge an eingegebenen Daten kann eine Architektur mit höherer Lerneffizienz offensichtlich viele Umwege vermeiden.

Nach Runden von Training erreichte die Parametergröße des Modells von Natural Will 50B und wurde damit zu einem der universellen Grundmodelle für die physische Welt mit besonders großer Parametergröße, die derzeit in der Branche öffentlich bekannt gegeben werden. Wenn die Datenmenge nur einige zehntausend Stunden beträgt, sind die Leistungen von 5B- und 50B-Modellen ähnlich. Aber wenn die Datenmenge auf ein größeres Niveau ansteigt, hat das 50B-Modell genug Platz, um mehr Erfahrungen aufzunehmen.

Mit anderen Worten: 50B und Millionen Stunden sind ein Satz koordinierter Investitionen. Millionen Stunden liefern dem Modell breitere Erfahrungen, und 50B-Parameter sind dafür verantwortlich, diese Erfahrungen aufzunehmen. Nach Ansicht des Teams wird das Scaling-Gesetz, das von großen Sprachmodellen bereits bestätigt wurde, auch in der physischen Welt wirken: Mit dem gleichzeitigen Wachstum von Datenmenge und Modellgröße erwerben Roboter nach und nach neue Fähigkeiten, die früher einzeln trainiert werden mussten.

Für ein Startup bedeutet diese Route eine höhere Vorabinvestition. Viele Roboterunternehmen führen zuerst Projekte durch und unterstützen dann die Forschung und Entwicklung mit Einnahmen; Natural Will hat sich dagegen entschieden, zuerst das Datensystem aufzubauen und dann das große Modell zu trainieren. Ersteres kann leichter aktuelle Bestellungen erhalten, Letzteres setzt darauf, dass dasselbe Modell in mehr Szenarien wiederverwendet werden kann, und hat einen größeren industriellen Skaleneffekt.

Neue Daten verbessern das Modell, das verbesserte Modell kehrt zur Validierung auf echten Geräten zurück, und Fehler im Test liefern Hinweise für die nächste Trainingsrunde. Natural Will hofft, auf diese Weise eine nachhaltig evolvierbare Infrastruktur für physische Intelligenz zu bilden, sodass die Fähigkeiten des Roboters mit der Anhäufung von Daten ständig wachsen.

03 Nach dem Verlassen des Demo-Stadiums

Nach der Erweiterung der Modellgröße erhielt Natura-1 eine weitere Überraschung: Das Modell beginnt, selbst Fehler zu korrigieren.

Ein Test verlangte vom Roboter, das Handy auf dem Tisch zu greifen und es an eine bestimmte Stelle zu legen. In der frühen Version bewegte sich der mechanische Arm nach dem ersten vergeblichen Greifversuch weiterhin zur Zielposition, als ob das Handy bereits in seiner Hand wäre. Wenn der Arm das Ziel erreichte, stellte er manchmal erst fest, dass die Aufgabe nicht abgeschlossen war, und kehrte dann zum Ausgangspunkt zurück, um es erneut zu versuchen.

Die neue Version reagiert früher. Wenn die Finger das Handy berühren, es aber nicht fest greifen können, bleibt der mechanische Arm an Ort und Stelle und passt den Winkel neu an. Manchmal versucht er auch mehrmals nacheinander, bis das Handy wirklich vom Tisch abgehoben wird.

Menschen können auf natürliche Weise mit dem Modell über Sprache interagieren, und dann führt der Roboter Bewegungen aus. Wenn er fehlschlägt, versucht er es selbst und korrigiert seine Fehler.

Ähnliche Situationen traten auch bei der Verwendung von Scheren auf. Wenn die Finger beim ersten Mal vom Scherengriff abweichen, passt der Roboter die Position weiter nach unten an, sodass die Finger den Eingang finden und die Schere heben können. Laut dem Team wurden nur wenige Beispiele für aufeinanderfolgende Fehlschläge in das Training aufgenommen. Das Modell hat diese Wiederholungsversuche höchstwahrscheinlich aus Millionen von Stunden menschlicher Bedienungen gelernt – genau so, wie Menschen manchmal das Handy rutschen lassen, wenn sie ein Handy greifen, und als Nächstes normalerweise an Ort und Stelle noch einmal zugreifen.

Dabei geht es auch um die Gedächtnisfähigkeit von Natura-1. Einige frühe Roboter-Modelle erzeugen Bewegungen nur basierend auf dem aktuellen Bild, sodass jeder Frame wie ein neuer Anfang aussieht. Das Team von Natural Will beschrieb diesen Zustand einmal mit dem Satz „Every day is the first day“.

Natura-1 bezieht sich auf die zuvor gesehenen Bilder. Es weiß, dass es gerade einmal gegriffen hat, und kann die Veränderungen vor und nach der Bewegung vergleichen. Für kurze Aufgaben von wenigen Sekunden mag diese Gedächtniswirkung begrenzt sein; aber wenn die Aufgaben länger werden, wird die Gedächtnisfähigkeit immer unentbehrlicher.

Das Auftauchen der Fehlerkorrekturfähigkeit bringt Roboter näher an echte Arbeitsabläufe heran, aber Natural Will glaubt, dass ein anderer Standard ebenso wichtig ist: Ein zufälliger einmaliger Erfolg zeigt nur, dass das Modell die Möglichkeit dazu hat. Erst wenn die Aufgabe stabil wiederholbar ist, kann man sie als beherrschte Fähigkeit betrachten.

Nach der Veröffentlichung des Modells plant Natural Will, externe Personen zum Vor-Ort-Test einzuladen. Besucher können vorübergehend Anweisungen