• Qwen-RobotManip – ein sogenanntes Vision-Language-Action-Modell (VLA), das Robotern ermöglicht, ihre Umgebung zu erfassen, sprachliche Anweisungen zu verstehen und physische Handlungen wie Greifen oder Objektmanipulation auszuführen .
• Qwen-RobotNav – ein Vision-Language-Navigation-Modell (VLN), mit dem sich Roboter anhand visueller Eindrücke und sprachlicher Richtungsangaben durch reale Räume bewegen können .
• Qwen-RobotWorld – ein Weltmodell, das physikalische Umgebungen simuliert und Handlungsergebnisse vorhersagt. Es verleiht Robotern die Fähigkeit, über ihre Umgebung „nachzudenken“, bevor sie handeln .

Was dieser Start bedeutet

• Alibaba wechselt von reiner Software-KI (Chatbots) zur verkörperten KI (Embodied AI). Das Unternehmen verlagert die Fähigkeiten seines großen Sprachmodells Qwen aus der digitalen Sphäre in physische Roboter. Diese Maschinen können ihre Umgebung wahrnehmen, Objekte manipulieren, navigieren und mit der realen Welt interagieren . Damit steigt Alibaba in ein globales Wettrennen ein, bei dem Unternehmen wie Tesla, Google DeepMind und andere auf physische KI als nächste große Grenze setzen.
• Der Launch ist das Ergebnis eines einjährigen organisatorischen Umbaus. Justin Lin, Leiter der Qwen-Entwicklung bei Alibaba, hatte bereits im Oktober 2025 ein internes Team für Robotik und verkörperte KI innerhalb von Qwen gegründet . Seit Anfang Juni 2026 veröffentlicht das Unternehmen regelmäßig quelloffene Modelle für die verkörperte KI, darunter RynnBrain . Die Qwen Robot Suite bündelt diese Strategie nun in einem einheitlichen Produktangebot.
• Qwen wird als „universelle Basis“ für unterschiedlichste Roboter-Hardware positioniert. Die Suite ist so konzipiert, dass sie unabhängig oder im Verbund mit verschiedenen Robotertypen eingesetzt werden kann. Damit dient sie als gemeinsame Intelligenz-Grundlage, anstatt an einen bestimmten Alibaba-Markenroboter gebunden zu sein . Dies legt nahe, dass Alibaba zum Plattformanbieter für verkörperte KI werden möchte – es liefert das Gehirn, nicht nur den Körper.

Der technologische Dreiklang: Hand, Fuß und Denkvermögen

Die drei Modelle der Suite erfüllen klar definierte Rollen, die sich in der Praxis ergänzen :

1. Die geschickte Hand (Manipulation): Qwen-RobotManip vereint visuelle Wahrnehmung, Sprachverständnis und Aktionsentscheidungen. Eine zentrale Herausforderung bisheriger VLA-Modelle war die mangelnde Übertragbarkeit – wechselte man den Roboter oder die Umgebung, brach die Leistung oft ein. Alibabas Ansatz zielt darauf ab, diese Hürde zu überwinden.
2. Der sichere Fuß (Navigation): Qwen-RobotNav basiert auf dem hauseigenen multimodalen Modell Qwen-VL und vereinheitlicht verschiedene Navigationsaufgaben – von der sprachgesteuerten Wegfindung über die Zielsuche bis hin zu Elementen des autonomen Fahrens – in einem einzigen Framework. Bei komplexen Aufträgen entfällt so das manuelle Wechseln zwischen Modellen.
3. Das planende Gehirn (Kognition): Qwen-RobotWorld dient als Weltmodell, das physikalische Gesetzmäßigkeiten versteht. Es kann simulieren und vorhersagen, welcher nächste Schritt für den Roboter sinnvoll ist, ähnlich wie ein Turner, der eine Übung im Kopf durchspielt. Dies ermöglicht Robotern eine vorausschauende, schrittweise Ausführung von Aufgaben in dynamischen Umgebungen.

Mit dieser dreigliedrigen Architektur verfolgt Alibaba das Ziel, Systeme zu schaffen, die Sprache verstehen, den dreidimensionalen Raum erfassen und die zugrundeliegende Physik begreifen. So können Roboter auch komplexe Aufgaben bewältigen und dieses Wissen auf unbekannte Situationen übertragen .

• Qwen-RobotManip – ein sogenanntes Vision-Language-Action-Modell (VLA), das Robotern ermöglicht, ihre Umgebung zu erfassen, sprachliche Anweisungen zu verstehen und physische Handlungen wie Greifen oder Objektmanipulation auszuführen .
• Qwen-RobotNav – ein Vision-Language-Navigation-Modell (VLN), mit dem sich Roboter anhand visueller Eindrücke und sprachlicher Richtungsangaben durch reale Räume bewegen können .
• Qwen-RobotWorld – ein Weltmodell, das physikalische Umgebungen simuliert und Handlungsergebnisse vorhersagt. Es verleiht Robotern die Fähigkeit, über ihre Umgebung „nachzudenken“, bevor sie handeln .

Was dieser Start bedeutet

• Alibaba wechselt von reiner Software-KI (Chatbots) zur verkörperten KI (Embodied AI). Das Unternehmen verlagert die Fähigkeiten seines großen Sprachmodells Qwen aus der digitalen Sphäre in physische Roboter. Diese Maschinen können ihre Umgebung wahrnehmen, Objekte manipulieren, navigieren und mit der realen Welt interagieren . Damit steigt Alibaba in ein globales Wettrennen ein, bei dem Unternehmen wie Tesla, Google DeepMind und andere auf physische KI als nächste große Grenze setzen.
• Der Launch ist das Ergebnis eines einjährigen organisatorischen Umbaus. Justin Lin, Leiter der Qwen-Entwicklung bei Alibaba, hatte bereits im Oktober 2025 ein internes Team für Robotik und verkörperte KI innerhalb von Qwen gegründet . Seit Anfang Juni 2026 veröffentlicht das Unternehmen regelmäßig quelloffene Modelle für die verkörperte KI, darunter RynnBrain . Die Qwen Robot Suite bündelt diese Strategie nun in einem einheitlichen Produktangebot.
• Qwen wird als „universelle Basis“ für unterschiedlichste Roboter-Hardware positioniert. Die Suite ist so konzipiert, dass sie unabhängig oder im Verbund mit verschiedenen Robotertypen eingesetzt werden kann. Damit dient sie als gemeinsame Intelligenz-Grundlage, anstatt an einen bestimmten Alibaba-Markenroboter gebunden zu sein . Dies legt nahe, dass Alibaba zum Plattformanbieter für verkörperte KI werden möchte – es liefert das Gehirn, nicht nur den Körper.

Der technologische Dreiklang: Hand, Fuß und Denkvermögen

Die drei Modelle der Suite erfüllen klar definierte Rollen, die sich in der Praxis ergänzen :

1. Die geschickte Hand (Manipulation): Qwen-RobotManip vereint visuelle Wahrnehmung, Sprachverständnis und Aktionsentscheidungen. Eine zentrale Herausforderung bisheriger VLA-Modelle war die mangelnde Übertragbarkeit – wechselte man den Roboter oder die Umgebung, brach die Leistung oft ein. Alibabas Ansatz zielt darauf ab, diese Hürde zu überwinden.
2. Der sichere Fuß (Navigation): Qwen-RobotNav basiert auf dem hauseigenen multimodalen Modell Qwen-VL und vereinheitlicht verschiedene Navigationsaufgaben – von der sprachgesteuerten Wegfindung über die Zielsuche bis hin zu Elementen des autonomen Fahrens – in einem einzigen Framework. Bei komplexen Aufträgen entfällt so das manuelle Wechseln zwischen Modellen.
3. Das planende Gehirn (Kognition): Qwen-RobotWorld dient als Weltmodell, das physikalische Gesetzmäßigkeiten versteht. Es kann simulieren und vorhersagen, welcher nächste Schritt für den Roboter sinnvoll ist, ähnlich wie ein Turner, der eine Übung im Kopf durchspielt. Dies ermöglicht Robotern eine vorausschauende, schrittweise Ausführung von Aufgaben in dynamischen Umgebungen.

Mit dieser dreigliedrigen Architektur verfolgt Alibaba das Ziel, Systeme zu schaffen, die Sprache verstehen, den dreidimensionalen Raum erfassen und die zugrundeliegende Physik begreifen. So können Roboter auch komplexe Aufgaben bewältigen und dieses Wissen auf unbekannte Situationen übertragen .