Kina bygger datainfrastrukturen bag humanoidrobotternes intelligens

Verdensrobotkonferencen 2026 i Beijing gav et nyttigt øjebliksbillede af, hvor Kinas humanoidrobotindustri er på vej hen: væk fra udelukkende at samle stadig mere avancerede robotkroppe og hen imod at opbygge den datainfrastruktur, der skal træne deres “hjerner”.

Mindst 90 centre til dataindsamling og træning af humanoidrobotter skulle allerede være i drift eller under opførelse i Kina. Tallet peger på et markant skifte i investeringsprioriteterne. Men konferencen viste også afstanden mellem at producere data i industriel skala og at bevise, at dataene faktisk kan skabe robotintelligens, der kan overføres mellem forskellige maskiner, opgaver og arbejdspladser. 13

Den nye strategiske ressource er data fra den fysiske verden

Humanoidrobotter har brug for mere end billeder og tekst. Hvis man vil træne nyttig fysisk intelligens, kræver det information om, hvad mennesker ser, hvordan de bevæger sig, hvordan genstande reagerer, og hvordan handlinger udvikler sig over tid. Derfor er førstepersonsvideo, kropsstillinger, dybdedata, taktile signaler og robotdata værdifulde input til modeller for såkaldt embodied AI – kunstig intelligens, der kan opfatte og handle i den fysiske verden.

Lightwheel AI gjorde denne tankegang konkret med EgoSuite-Open100K, et planlagt datasæt med 100.000 timers førstepersonsoptagelser af menneskelig aktivitet. Projektet dækker mere end 15.000 opgaver og virkelige indsamlingsscener og kombinerer kameraer monteret på hoved og håndled med information om hænder og hele kroppen, semantiske mærkater og dybde. De første 10.000 timer er tilgængelige via Hugging Face, og projektet sigter også mod distribution gennem AtomGit. 1 12

Fordelen er åbenlys: Menneskelige demonstrationer kan dække et bredt udsnit af hverdagslige bevægelser og manipulationsopgaver uden at kræve, at hvert eksempel optages med en dyr fysisk robot. Men menneskedata er ikke automatisk det samme som robotdata. Et menneske kompenserer naturligt for balance, friktion og kontakt. En robot skal derimod registrere og styre disse fysiske forhold gennem sin egen krop og sine egne sensorer.

Seks metoder – og en grundlæggende balancegang

Tian Feng fra SenseTimes Intelligent Industries Research Institute beskrev seks dataindsamlingsmetoder, der bruges parallelt. De omfatter blandt andet fjernstyring, bevægelsesregistrering, syntetiske data og indsamling på rigtige produktionslinjer. 13

Metoderne belyser hver sin del af problemet:

• Fjernstyring kan fastholde robotspecifikke bevægelser og fysisk feedback, men kræver robotter, operatører og kontrollerede faciliteter.
• Bevægelsesregistrering kan optage menneskelige bevægelser i stor skala, men registrerer ikke nødvendigvis de kræfter og begrænsninger, som robotten møder.
• Syntetiske data kan effektivt skabe sjældne situationer, men simuleret adfærd skal stadig kunne overføres til den virkelige verden.
• Data fra produktionslinjer ligger tættest på kommerciel anvendelse, fordi de afspejler konkrete opgaver, fejl og begrænsninger i arbejdsmiljøet.
• Førstepersonsoptagelser af mennesker giver stor bredde til lavere indsamlingsomkostninger, men kan mangle robotrelevante forhold som ledmoment og kontaktkraft.

Den rapporterede prisforskel er betydelig: Dataindsamling med mennesker uden en fysisk robotkrop kan koste omkring en femtedel af indsamling med rigtige robotter. Til gengæld kan materialet afspejle, hvordan ansatte dataindsamlere løser en opgave, snarere end hvordan erfarne medarbejdere udfører den. 13

Det er ikke nødvendigvis et argument imod menneskedata. Det er et argument for at se dataene som ét lag i en bredere træningsblanding sammen med fjernstyring, robotternes egne tilstandsdata, simulationer og feedback fra virkelige installationer.

Robotternes forsyningskæde bliver også en dataforsyningskæde

Konferencens bredere budskab var, at robotinfrastruktur nu også omfatter det udstyr, der registrerer demonstrationer og samspillet mellem sanser og bevægelser – ikke kun motorer, batterier og robotstel. Førstepersons- og håndholdte systemer, handsker, taktile grænseflader, kameraer, mikrocontrollere, hukommelse og analoge komponenter bliver alle en del af datapipeline’en. 13

Det kan skabe en billigere vej til at indsamle store mængder demonstrationer. Samtidig opstår et standardiseringsproblem. Data, der er indsamlet med forskellige sensorer, kalibreringsmetoder, handlingsformater, middleware og mærkningsstandarder, kan være vanskelige at kombinere.

Det fører til det, brancheobservatører kalder “ø-data”: nyttige registreringer, der er fanget i den hardware- og softwarestak, som producerede dem. Et åbent datasæt kan mindske problemet, men åbenhed alene sikrer ikke genbrug. Der er brug for fælles dataskemaer, kalibreringsmetadata, tidsstandarder, grænseflader og evalueringsprotokoller, før store datamængder kan bygge videre på hinanden og skabe en fælles kapacitet. 13

Har robotteknologi en skaleringslov?

Et andet ubesvaret spørgsmål er, om det velkendte mønster fra store AI-modeller – at mere data og større modeller giver mere kapable systemer – også gælder for robotteknologi.

Generalist AIs rapport om GEN-0 fra november 2025 gav et opmuntrende, men begrænset svar. I virksomhedens forsøg havde mindre modeller svært ved at optage stadig mere varierede sensormotoriske data, en fejl virksomheden kaldte “ossificering”. Ydeevnen fortsatte med at forbedres ved større skalaer, og rapporten pegede på en tilsyneladende overgang omkring 7 milliarder parametre. 36

Det er interessante resultater, men endnu ikke en generel skaleringslov for robotteknologi. Resultaterne stammer fra én virksomheds modeller, data og evalueringsdesign. Robotter har desuden en ekstra udfordring, som tekstmodeller ikke møder på samme måde: En model skal handle gennem en bestemt krop, i et bestemt miljø og under virkelige fysiske begrænsninger.

Det praktiske spørgsmål er derfor ikke blot, om modellen er stor nok. Det handler også om, hvorvidt træningsdataene indeholder de rigtige fysiske signaler, og om den færdige politik kan overføres til andre robotkroppe og virkelige opgaver.

Mange robotter er ikke det samme som reel efterspørgsel

Kinas industrielle skala giver landet en stor fordel, når robotter skal indsættes til forsøg og dataindsamling. Men antallet af leverede maskiner kan være misvisende, hvis de fleste stadig primært bruges til at demonstrere egenskaber frem for at skabe en tilbagevendende økonomisk værdi.

Interact Analysis vurderede, at den globale produktion af humanoidrobotter oversteg 20.000 enheder i 2025, mens kun omkring 10 procent blev taget i brug i virkelige anvendelser. De fleste blev brugt til forskning, dataindsamling eller underholdning. Samme analyse pegede på Kina som drivkraften bag både udbuddet og den tidlige anvendelse af humanoidrobotter. 21

Det er en vigtig kontekst for boomet i datacentrene. Statsstøtte, masseindkøb og programmer, der køber data tilbage fra leverandører, kan hurtigt øge antallet af robotter, faciliteter og registrerede timer. Det kan bidrage til at skabe et lærende økosystem, men det beviser ikke i sig selv, at kunder vil betale for robotter, der stabilt sænker omkostninger, øger produktionen eller udfører arbejde, som mennesker har svært ved at klare.

Den reelle flaskehals er at få delene til at hænge sammen

Konferencen i Beijing viste ikke, at Kina allerede har løst problemet med embodied intelligence. Den viste, at industrien samler byggestenene til en mulig løsning i en usædvanlig skala:

1. Bred dataindsamling fra menneskelige demonstrationer og mange forskellige miljøer.
2. Fysisk forankrede data fra fjernstyring, robotsensorer og virkelige produktionsopgaver.
3. Interoperabel infrastruktur, så optagelser kan flyttes mellem robotkroppe og softwarestakke.
4. Modeller, der kan skaleres og overføres, i stedet for blot at huske demonstrationer.
5. Feedback fra drift, der registrerer fejl, genopretning og menneskelig indgriben.
6. Kommercielle indtægter, som kan finansiere fortsat dataindsamling uden permanent afhængighed af tilskud.

Lightwheels foreslåede økosystem peger også i denne retning: åbne datastandarder, dataindsamling styret af evalueringer samt tæt samspil mellem data- og modeldesign. 1

Den vigtigste konklusion er derfor mere præcis end påstanden om, at “Kina har bygget en robotjerne”. Kina bygger de fabrikker, instrumenter og datasæt, der skal gøre en sådan hjerne mulig. Om infrastrukturen faktisk fører til bredt anvendelige humanoidrobotter, afhænger af datakvalitet, fysisk nøjagtighed, kompatibilitet på tværs af hardware og dokumentation for, at robotterne skaber varig værdi uden for demonstrationer og forskningslaboratorier.