Kinas nye robottrænere kan få op mod 800.000 yuan om året

Kina er ved at opbygge et helt nyt arbejdsmarked omkring et meget praktisk problem: Hvordan lærer man maskiner at arbejde i den fysiske verden?

Den foreslåede tekniker i anvendelse af robotter med fysisk intelligens skal hjælpe humanoide robotter med at lære arbejdsopgaver. Det sker ved at føre robotterne gennem virkelige handlinger, registrere vellykkede forsøg og finde ud af, hvorfor andre forsøg mislykkes.

Stillingen er blandt 12 nye erhverv, som Kina planlægger at anerkende i takt med, at nye teknologier skaber nye jobfunktioner. Den rapporterede årsløn for robotteknikere ligger på 500.000–800.000 yuan, men tallet skal ikke forstås som en garanteret løn for alle stillinger. 612

Hvad laver en tekniker i fysisk AI?

Jobbet handler ikke først og fremmest om at skrive software linje for linje. Teknikeren fungerer i stedet som bindeled mellem robotten, det miljø den skal arbejde i, og de ingeniører, der udvikler dens kunstige intelligens.

En typisk træningssession kan indebære at:

• fjernstyre en humanoid robot gennem en fysisk opgave
• guide eller korrigere robottens bevægelser
• gentage handlinger som at gribe, sortere, bære eller bruge udstyr
• kontrollere, om opgaven blev udført sikkert og stabilt
• registrere fejl og usædvanlige situationer til ingeniørteamet
• tilpasse demonstrationerne til en bestemt fabrik eller arbejdsplads

I fysiske miljøer kan sensorer registrere hver vellykket bevægelse som såkaldt råt undervisningsmateriale til modeltræning. 4 Teknikerens værdi ligger derfor ikke blot i at kunne betjene en maskine, men i at skabe demonstrationer, der er præcise, gentagelige og nyttige for udviklingen af robottens adfærd.

Derfor bliver menneskelige bevægelser til AI-data

Traditionelle AI-systemer kan ofte trænes på tekst, billeder eller andre digitale registreringer. En robot skal også lære, hvordan handlinger foregår i et tredimensionelt rum: Hvor står genstanden? Hvor meget kraft skal der bruges? Hvordan kommer robotten rundt om en forhindring? Og hvad gør den, når noget går galt?

En guidet demonstration kan på én gang indfange:

• robottens ledbevægelser og bevægelsesbane
• dens visuelle observationer og øvrige sensorinput
• rækkefølgen af handlingerne i en opgave
• kontakt med genstande og omgivelser
• om forsøget lykkedes eller mislykkedes

Det gør demonstrationer fra fabrikker og lagre særligt værdifulde. Her møder robotterne virkelige genstande, skiftende indretninger, fysisk kontakt og begrænsninger, som er vanskelige at gengive fuldstændigt i en simulering. Dataene kan bruges til at træne og evaluere systemer, der forbinder opfattelse, instruktioner og fysisk handling. 47

Økonomien er en del af forklaringen på, hvorfor behovet er så presserende. En rapport, som Xinhua citerede, oplyste, at udviklingen af ét enkelt anvendelsesscenarie tidligere kunne koste en virksomhed mere end 10 millioner yuan alene i træningsdata. 4 Hvis teknikere kan producere bedre demonstrationer i organiserede virkelige miljøer, kan de hjælpe virksomheder med at reducere både den tid og de omkostninger, der kræves for at tilpasse en robot til en bestemt opgave.

Hvorfor rollen er opstået så hurtigt

Humanoid robotteknologi er bevæget sig fra laboratoriedemonstrationer mod industriel anvendelse, men arbejdsstyrken omkring teknologien er ikke fulgt med i samme tempo. Robotterne har brug for mennesker, der både forstår praktiske arbejdsprocesser og kravene til indsamling af AI-data.

Den kombination er sjælden. En tekniker kan få brug for erfaring med robotstyring, sensorer, manipulation, opgavedesign, sikkerhed og datakvalitet. En person, der er dygtig til en fabriksopgave, ved ikke nødvendigvis, hvordan man skaber demonstrationer, som en maskinlæringsmodel kan bruge. Omvendt kan en softwareekspert mangle den praktiske dømmekraft, der skal til for at diagnosticere en fysisk robotfejl.

Det nye erhverv forsøger at formalisere dette mellemled. Det anerkender, at fysisk AI kræver mere end forskere, der designer modeller, og ingeniører, der bygger hardware. Nogen skal få robotten til at udføre nyttigt arbejde igen og igen i det miljø, hvor den senere skal fungere.

Hvad løn- og rekrutteringstallene viser

De tilgængelige tal fra 2026 peger på en markant ubalance mellem virksomhedernes efterspørgsel og udbuddet af personer med relevant erfaring.

Rekrutteringsdata for januar til april 2026 viste, at efterspørgslen efter medarbejdere inden for fysisk intelligens voksede omkring 15 gange fra året før. Den gennemsnitlige månedsløn på tværs af markedet for fysisk AI blev opgjort til 62.000 yuan. Det bredere markedstal må ikke forveksles med lønnen for enhver robottræner. 3

Separate data fra jobplatformen Liepins rapport om robotiktalenter i 2026 viste, at ansættelser i segmentet for humanoide robotter steg 215,8 procent fra året før, mens de gennemsnitlige årlige løntilbud nåede 406.100 yuan. 9 De to målinger er ikke identiske: Den ene følger rekruttering inden for fysisk AI, mens den anden fokuserer på ansættelser i humanoidrobot-segmentet. Tilsammen beskriver de dog en sektor, der vokser hurtigere end puljen af specialiseret arbejdskraft.

Lønpræmien er størst, når en medarbejder kan løse en konkret flaskehals. Her er flaskehalsen ikke blot at bygge en robot. Det handler om at skabe tilstrækkeligt med pålidelige, opgavespecifikke data fra den virkelige verden til at gøre robotten nyttig uden for en kontrolleret demonstration.

Fabrikker bliver til robotternes træningsbaner

Efterspørgslen kommer ikke kun fra robotstartups. Producenter med komplekse produktionsmiljøer kan levere de gentagne opgaver, det udstyr og de arbejdsforhold, der er nødvendige for at træne og teste fysisk AI.

Minth Groups partnerskab med AgiBot illustrerer modellen. Ifølge omtalen af aftalen skal Minths fabriksnetværk fungere som træningsbase, hvor AgiBots robotter kan lære fra virkelige industrielle scenarier og indsamle data, så algoritmerne kan forbedres hurtigere. 32

Det afspejler et bredere skifte: Fabrikker er ikke længere kun potentielle kunder til humanoide robotter. De kan også blive miljøer, hvor der produceres træningsdata. Jo større variation der er i opgaver og arbejdsforhold, desto flere muligheder får virksomhederne for at opdage, hvor robotten fejler, og forbedre dens præstationer.

Påstande fra enkelte virksomheder om meget hurtig vækst eller ubesatte stillinger bør behandles forsigtigt, medmindre de er dokumenteret uafhængigt. Den stærkere, kildeunderstøttede konklusion er, at producenter i stigende grad bliver en del af udviklingskredsløbet for fysisk AI. Derfor får de brug for medarbejdere, der kan omsætte fabriksarbejde til anvendelige træningsdata for robotter.

Universiteterne kan ikke lukke hullet med det samme

Kina er allerede ved at opbygge en formel uddannelsesvej. Ni universiteter blev i 2026 godkendt til at udbyde fysisk intelligens som bachelorfag, hvilket markerer, at området er på vej ind i den almindelige universitetsverden. 21

Universitetsuddannelser kan dog ikke løse et akut rekrutteringsproblem. Selv hvis det samlede optag i første omgang kun er nogle få hundrede studerende, går der flere år, før de kommer ud på arbejdsmarkedet. De første kandidater ventes ifølge den citerede rapportering omkring 2030. 16

Uddannelserne står desuden over for en usædvanligt bred faglig opgave. Medarbejdere inden for fysisk AI kan få brug for viden om robotteknologi, perception, sammenkobling af sensordata, overførsel fra simulation til virkelighed, manipulation, sikkerhed og dataarbejde. Traditionelle uddannelser i datalogi eller maskinteknik kan levere dele af fundamentet, men virksomhederne har brug for personer, der kan samle det hele og samtidig arbejde praktisk i virkelige miljøer.

Det skaber et kortsigtet gab mellem akademiske kvalifikationer og klarhed til industriel anvendelse. Korte kurser, erhvervsuddannelser, robotlaboratorier og intern oplæring i virksomheder kan være med til at bygge bro, før de første dedikerede universitetsårgange bliver færdige.

Den større lektie for fysisk AI

Det nye erhverv er vigtigt, ikke kun på grund af lønnen. Det viser også, hvor næste fase af AI-kommercialiseringen kan blive begrænset.

For softwarebaseret AI kan bedre modeller og mere computerkraft ofte skaleres gennem digital infrastruktur. Fysisk AI afhænger også af adgang til virkelige miljøer, dygtige operatører, sikre forsøg og demonstrationer af høj kvalitet. En robot kan ikke lære alle arbejdsopgaver ud fra en teststandard eller et simuleret miljø.

Kinas nye robotteknikerrolle er derfor både et tegn på industriel modning og på mangel på arbejdskraft. Den anerkender, at AI i den fysiske verden kræver en ny gruppe medarbejdere, der kan lære maskiner at arbejde ved selv at vise dem hvordan – og hvis observationer bliver en del af systemets intelligens.