Zwei Finanzierungsrunden in nur zwei Monaten: Unternehmer der nach 2000 geborenen Generation von der Tsinghua-Universität und der Peking-Universität nehmen es mit der Entwicklung von agilen Roboterhänden auf.
Die Industrie für Roboter und verkörperte Intelligenz durchläuft derzeit eine Anpassungsphase, doch das Fenster für Unternehmensgründungen ist noch nicht vollständig geschlossen. Gründer, die auf nicht konsensfähige technische Wege setzen, können nach wie vor die Gunst des Kapitals gewinnen.
Exklusiv von ChinaVenture erfahren: Kürzlich hat das zwei Monate alte Unternehmen ManuPrax Robotics aufeinanderfolgend zwei Finanzierungsrunden abgeschlossen, die von Alphaist Partners und TY Capital angeführt wurden, gefolgt von Relay Angels und dem tatsächlichen Kontrolleur eines Teileherstellers, mit einem Gesamtbetrag von fast zehn Millionen US-Dollar.
Das Unternehmen wurde von zwei jungen Forschern gegründet und im September dieses Jahres registriert. Es zielt auf die Strecke der geschickten Roboterbedienung ab und widmet sich der Entwicklung von Hardware-Software-integrierten Lösungen für geschickte Hände. Dabei bilden Algorithmen, Daten und Engineering-Fähigkeiten die Hauptbarrieren für die Software der geschickten Hände des Unternehmens.
CEO Li Puhao wurde 2001 geboren, ist Bachelor-, Master- und Doktorand am Fachbereich Automatisierung der Tsinghua-Universität. Seit 2021 forscht er zu Themen wie geschickten Händen und geschickter Bedienung und hat mehrere einflussreiche Arbeiten auf dem Gebiet der geschickten Bedienung veröffentlicht. CTO Chen Zeyuan wurde 2000 geboren, hat einen Masterabschluss der Peking-Universität und verzichtete zugunsten der Unternehmensgründung auf die Zulassung zum Doktoratsstudium. Auf dem Gebiet der grundlegenden Interaktionsalgorithmen für geschickte Bedienung umfassen die von ihm mitgewirkten Arbeiten ClutterDexGrasp und CADGrasp, zudem war er in den Forschungsteams von Amazon FAR, Zhiyuan und JD tätig.
Die beiden nach 2000 Geborenen sind der Ansicht, dass auf dem Gebiet der geschickten Bedienung sowohl in der Wissenschaft als auch in der Industrie das am meisten Fehlende die Methode ist, um geschickten Händen wirklich menschliche Bedienfähigkeiten zu verleihen. Sie haben sich dafür entschieden, mit Softwarefähigkeiten einzusteigen und die Bedienfähigkeit auf die Ebene des „Kleinhirns“ zu legen. Nach der Vorstellung des Teams ist das übergeordnete Grundmodell (z. B. GPT-6 Astra) für das Verständnis von Aufgaben und die Erstellung von Plänen verantwortlich, während das „Kleinhirn“ für die muskelgedächtnisähnliche Bewegungskoordination zuständig ist und das Bedienziel in kontinuierliche, stabile Bewegungen umwandelt.
Sowohl Li Puhao als auch Chen Zeyuan haben Forschungserfahrungen am Beijing Institute for General Artificial Intelligence (kurz „BIGAI“). ManuPrax Robotics ist zudem ein offiziell unterstütztes Gründerprojekt von BIGAI. Zhu Songchun ist der Direktor von BIGAI und gleichzeitig der Doktorvater von Li Puhao. Seiner Ansicht nach studierte Li Puhao am Fachbereich Automatisierung der Tsinghua-Universität, trat bereits im zweiten Studienjahr BIGAI bei und entwickelte seine Forschung schrittweise entlang des Ausbildungssystems von BIGAI und der entsprechenden Sonderklasse. „Das Studium am Fachbereich Automatisierung der Tsinghua-Universität hat ihm eine solide Grundlage in Mathematik, Physik, Steuerungstechnik und Ingenieurwesen vermittelt. Das Forschungsumfeld von BIGAI und der Sonderklasse ermöglichte es ihm, frühzeitig mit den Gesamtproblemen der allgemeinen künstlichen Intelligenz in Kontakt zu treten und einen breiteren Forschungshorizont zu entwickeln. Die Kombination dieser beiden Aspekte ermöglicht es ihm, in die spezifischen Details der Roboterbedienung einzutauchen und gleichzeitig zu überlegen, welche Position diese Arbeiten im System der allgemeinen Intelligenz einnehmen.“
Natürlich stellen die technischen und geschäftlichen Barrieren, die die führenden Unternehmen für geschickte Hände derzeit aufbauen, die Wahl und Beurteilung dieses jungen Unternehmens vor einige praktische Prüfungen. Ihre Einstellung zu dieser Sache lautet jedoch: „Wir fürchten uns nicht vor Schwierigkeiten, sondern davor, dass es nicht schwierig genug ist.“
Eine „Hand“ bauen, die praktische Arbeit verrichten kann
Unter allen Roboterkomponenten ist die geschickte Hand möglicherweise das schwierigste Element, das sogar Elon Musk Kopfzerbrechen bereitet.
Im Jahr 2025 erklärte Elon Musk auf der Telefonkonferenz zu Teslas Finanzergebnissen, dass der elektromechanische Ingenieuraufwand für geschickte Hände und Unterarme sogar den anderer Teile des Roboter Körpers übersteigt. Im Jahr 2026 sprach er öffentlich noch davon, dass Tesla sich noch mit dem endgültigen Hardwaredesign für die Hände von Optimus quält.
Die menschliche Hand kann viele komplexe Bedienungen ausführen: vom Greifen von Werkzeugen und Aufschrauben von Flaschenverschlüssen über das Heben zerbrechlicher Gegenstände bis hin zum Drehen von Teilen an den Fingerspitzen. Menschen können Position und Kraft der Finger jederzeit an Form, Gewicht und Berührungszustand des Objekts anpassen. Für Roboter erfordert dies jedoch die Zusammenarbeit von präzisen mechanischen Strukturen, Sensoren, Echtzeitsteuerung und Algorithmen.
Aus der Sicht von Li Puhao und Chen Zeyuan kann man geschickte Hände nicht nur anhand der Freiheitsgrade vergleichen. Eine hohe Anzahl an Gelenken bedeutet nicht automatisch eine starke Bedienfähigkeit; die Fähigkeit, in voreingestellten Umgebungen Greifaufgaben zu erledigen, bedeutet auch nicht, dass man mit sich ständig ändernden Objekten und Berührungszuständen in der realen Welt umgehen kann. Sie sind der Ansicht, dass Hardware nur der Träger der Bedienfähigkeit ist. ManuPrax Robotics möchte den Wettbewerbsschwerpunkt von „Wie sieht die Hand aus“ auf „Was kann die Hand tun“ verlagern.
Dies spiegelt möglicherweise auch die Bedeutung des englischen Firmennamens ManuPrax wider: Manu stammt aus dem lateinischen „manus“ und bedeutet „Hand“; Prax stammt aus dem griechischen „praxis“ und bedeutet „Handlung, Praxis“. „Manchmal ist geschickte Bedienung eine instinktive Reaktion des Muskelgedächtnisses, es ist ein Modell auf der Ebene des Kleinhirns“, sagt Li Puhao.
Um dies zu erreichen, liegt der Schlüssel nicht in der übergeordneten Aufgabenplanung und Aufgabenzerlegung, auch nicht in den Teilen, für die derzeit das VLA-Modell (Visuell-Sprach-Aktion) zuständig ist. Übergeordnete Modelle lösen hauptsächlich Probleme wie das Verstehen der Umgebung, das Verstehen von Aufgaben, Schlussfolgern und Planen, während sie sich darauf konzentrieren möchten, die tieferliegende Ausführungsfähigkeit zu lösen, das sogenannte „Kleinhirn“.
„Wir möchten die Fähigkeit ergänzen, dass geschickte Hände Bewegungen in der realen physischen Welt präzise, koordiniert und stabil ausführen können“, erläutert Chen Zeyuan weiter. Damit der Roboter den Becher auf dem Tisch heben und bedienen kann, muss das übergeordnete Modell den Befehl „Hebe den Becher“ verstehen, die Position des Bechers erkennen und das Bewegungsziel festlegen. Aber danach, aus welchem Winkel die Finger sich nähern sollen, wie die Position der Fingerspitzen angepasst wird, wie viel Kraft aufgebracht werden muss, damit der Becher sich entlang der Zielbahn bewegt, und wie man eingreift, wenn der Becher rutscht – all dies sind keine Probleme, die durch das bloße Verstehen des Befehls gelöst werden können.
In diesem Arbeitsteilungsmodell übernimmt das „Kleinhirn“ die muskelgedächtnisähnliche Bewegungskoordination, wandelt das vom übergeordneten Grundmodell vorgegebene Ziel in kontinuierliche, koordinierte Bewegungen um und passt sich ständig an den tatsächlichen Berührungszustand an. Das Team hofft, durch die Zusammenarbeit dieser beiden Ebenen der Fähigkeit den Roboter dazu zu bringen, nicht nur Aufgaben zu verstehen, sondern Bewegungen in der realen physischen Welt auch korrekt auszuführen.
Um diese Fähigkeit zu realisieren, wählt ManuPrax Robotics den Weg des verstärkenden Lernens. Li Puhao erläutert: Im Gegensatz zu Methoden, die hauptsächlich auf menschlichen Demonstrationen basieren, um das Modell Bewegungen nachahmen zu lassen, versucht das verstärkende Lernen, das Modell dazu zu bringen, durch Erkundung, Versuch und Irrtum sowie Feedback schrittweise wirksame Strategien zu finden. Das Modell probiert eine Bewegung aus, erhält ein Belohnungssignal basierend auf dem Ergebnis und passt die nächste Aktion an. Durch ständige Wiederholung hat es die Chance, erfolgreiche Erfahrungen anzusammeln und sich schrittweise an verschiedene Objekte und Umgebungen anzupassen. „Die täglichen Bewegungen des Menschen sind sehr vielfältig, und Form, Gewicht, Material und Anordnung von Objekten sind äußerst unterschiedlich. Mit nur begrenzten menschlichen Demonstrationen ist es schwierig, alle Situationen abzudecken. Wenn das Modell durch Interaktion lernen kann, hat es die Chance, die Abhängigkeit von einzeln durchgeführten menschlichen Demonstrationen zu verringern.“
Aber es ist nicht einfach, diesen Weg zu skalieren. Verstärkendes Lernen erfordert universelle Belohnungssignale, die auf Demonstrationen basieren, sowie eine ausreichend effiziente und stabile Trainingsarchitektur. Gleichzeitig bedeutet es nicht, dass eine Bewegung, die das Modell in einer Simulationsumgebung gelernt hat, auch auf echter Hardware reproduziert werden kann. Reibung, Berührung, Verformung und Sensorfehler in der Realität können alle dazu führen, dass erfolgreiche Erfahrungen aus der Simulation unwirksam werden.
Nach Angaben der beiden Erfinder erforscht das Team derzeit die Kombination von Simulation, echten menschlichen Demonstrationen und generierten Interaktionsbahnen, um ein Trainingsdatensystem aufzubauen und weiter zu überprüfen, dass sich das Bewegungsmodell mit zunehmendem Trainingsumfang und Datenmenge kontinuierlich verbessert.
Geschickte Hände sind nicht nur ein Hardware-Geschäft
Fast alle Roboter brauchen eine „Hand“, die praktische Arbeit verrichten kann. In den letzten Jahren konzentrierte sich der Wettbewerb in der Branche für geschickte Hände hauptsächlich auf mechanische Strukturen, Antriebsarten, Freiheitsgrade, Tragfähigkeit und Kosten. Mit dem Eintritt weiterer Unternehmen in die Strecke erstreckt sich der Wettbewerb auch von der reinen Hardwareleistung auf Datenakkumulation, Bedienalgorithmen und die Kooperationsfähigkeit von Hardware und Software.
Auf dem heutigen Markt für geschickte Hände gibt es sowohl selbst entwickelte Produkte von Roboterherstellern als auch unabhängige Lieferanten für geschickte Hände. Erstere können geschickte Hände in das Gesamtsystem integrieren und einheitlich gestalten, letztere müssen sich mit Produktleistung, Kosten und Lieferfähigkeit um verschiedene Kunden bemühen. Die Chance unabhängiger Lieferanten liegt darin, mehrere Roboterhersteller zu bedienen, aber sie stehen auch unter dem Wettbewerbsdruck durch die Eigenentwicklung von Gesamtgeräteherstellern. Wer zu einem universellen Lieferanten werden kann, hängt letztendlich davon ab, ob das Produkt Vorteile zwischen Leistung, Kosten und Zuverlässigkeit aufbauen kann.
Aus Sicht von ManuPrax Robotics könnte sich das Muster der Hardware bald in eine neue Phase entwickeln. Li Puhao schätzt, dass sich die Entwicklung der Hardware für geschickte Hände im Inland sehr schnell vollziehen wird, und dass der Gewinnspielraum für das reine Hardware-Geschäft innerhalb der nächsten sechs Monate stark schrumpfen könnte. Dies ist der wichtige Hintergrund, warum sich das Team dafür entschieden hat, sich auf das Bedienmodell der physischen Interaktionsebene auszudehnen. Wenn Hardware allmählich zu einem Produkt mit höherem Standardisierungsgrad und geringerem Gewinn wird, könnte die Bedienfähigkeit, die bestimmt, ob Roboter komplexe Aufgaben erledigen können, zu einem neuen Wettbewerbsschwerpunkt werden.
Daher legen sie ihren Schwerpunkt auf die Entwicklung einer Plattform für geschickte Bedienmodelle, die an verschiedene Hardware angepasst werden kann. Diese Plattform übernimmt die von multimodalen Großmodellen vorgegebenen Bedienziele nach oben, passt sich nach unten an verschiedene Hardware für geschickte Hände an und stellt dem übergeordneten Modell aufrufbare Bedienfähigkeiten zur Verfügung. Li Puhao ist der Ansicht, dass eine solche Plattform im Vergleich zu Algorithmen, die an eine einzelne geschickte Hand gebunden sind, die Chance hat, verschiedene Hersteller und Anwendungsszenarien zu bedienen und die Abhängigkeit vom Verkauf einzelner Hardwareprodukte zu verringern.
Aber der Spielraum für die Plattformisierung bedeutet nicht, dass die Kommerzialisierung von Software einfacher wird. Beim Kauf von Hardware können Kunden Tragfähigkeit, Freiheitsgrade, Preis, Zuverlässigkeit und Lieferzeit direkt vergleichen. Beim Kauf von Bedienmodellen müssen Kunden viel spezifischere Fragen beantworten: Kann das Modell Aufgaben erledigen, die bisher nur schwer umzusetzen waren? Um wie viel kann die Erfolgsrate der Bedienung im Vergleich zu vorhandenen Algorithmen oder selbst entwickelten Lösungen verbessert werden? Und wie viel Trainings- und Bereitstellungszeit kann eingespart werden? Wenn das Modell nur in wenigen Demonstrationsaufgaben gut abschneidet, sind Kunden möglicherweise nicht bereit, dafür separat zu zahlen. Nur wenn das Modell die Bedienungseffekte in realen Szenarien kontinuierlich verbessern kann und auch nach der Migration auf verschiedene Hardware noch wirksam ist, hat es die Chance, zu einer unabhängig bereitstellbaren und wiederverwendbaren Fähigkeitsebene im Robotersystem zu werden.
ManuPrax Robotics schließt den Weg der Kombination von Hardware und Software nicht vollständig aus. Das Team möchte die Plattformausrichtung des Modells beibehalten und gleichzeitig erwägen, durch selbst entwickelte Hardware oder Zusammenarbeit mit Hardwareherstellern die technische Überprüfung zu beschleunigen, um Daten und Feedback aus realen Szenarien zu erhalten.
Li Puhao erwähnt, dass es in der gegenwärtigen Phase noch nicht ausreicht, den Wert des geschickten Bedienmodells nur anhand von Auslieferungsmengen, Reparaturraten oder Kundenbindungsraten zu messen. Ein Teil der Nachfrage nach geschickten Händen stammt noch immer aus Forschungsprojekten von wissenschaftlichen Einrichtungen und Großunternehmen. Der Kauf der Geräte bedeutet nicht, dass der Roboter bereits in der Lage ist, komplexe Bedienungen stabil durchzuführen. Aber wenn die Kommerzialisierung immer wieder unter dem Vorwand der technischen Überprüfung verzögert wird, lässt sich der Wert des Modells ebenfalls schwer vom Markt prüfen.
Der „Ehrgeiz“ der beiden nach 2000 Geborenen und der „Plan“ von BIGAI
Womit kann ManuPrax Robotics in der bereits gebildeten Wettbewerbsstufe der Strecke für geschickte Hände noch Aufmerksamkeit erregen? Der technische Hintergrund der jungen Hochbegabten ist zwar ein Aspekt, aber noch wichtiger ist wahrscheinlich, wohin die beiden jungen Menschen diese Technologie bringen wollen.
Aus Sicht von Li Puhao ist eine geschickte Hand kein Produkt, das man nur durch einen einzelnen technischen Durchbruch gut machen kann, sondern ein systematisches Projekt. Wenn man es zerlegt, sind viele technische Details nicht unbedingt komplex. Die Schwierigkeit liegt darin, sie zu integrieren, sodass Hardware, Modell und Bedienfähigkeit ein wirklich nutzbares System bilden. Ihr Vorteil liegt darin, dass das Team nicht erst kurzfristig eingetreten ist, als die Strecke populär wurde, sondern seit langem zu den entsprechenden Problemen forscht, weiß, wo die technischen Schwierigkeiten liegen, und klar ist, was als Nächstes gelöst werden muss.
Die Komplementarität zwischen den Teammitgliedern ermöglicht es, diese technische Akkumulation weiter umzusetzen. Chen Zeyuan konzentriert sich auf technische Probleme, während Li Puhao die Entwicklung des Unternehmens und externe Ressourcen aus einer makroskopischeren Perspektive betrachten kann.
Die technischen Barrieren und der Hintergrund des Teams erklären, warum ManuPrax Robotics die Chance hat, diese Sache erfolgreich umzusetzen. Was sie zur Unternehmensgründung antreibt, ist zudem ihr Verständnis für den Wert der Forschung und persönliche Entscheidungen.
Chen Zeyuan forschte an BIGAI, arbeitete mit Li Puhao zusammen und ging später in ein wissenschaftliches Labor von Amazon. In dieser Erfahrung wurde ihm allmählich klar, dass die Effizienz, mit der sie Probleme diskutieren und Projekte vorantreiben, bei der Zusammenarbeit mit Li Puhao im Inland nicht hinter der ausländischen Forschungsumgebung zurückbleibt, und sie haben größere Autonomie. Sie können selbst entscheiden, was sie erforschen und wie sie es vor