HOST und GEN-1.5: Wie Roboter durch Zuschauen neue Fähigkeiten erwerben

Was HOST konkret zeigt

HOST ist ein greifbares Beispiel für Lernen durch Beobachtung: Der Roboter spielt nicht einfach eine aus dem Video rekonstruierte menschliche Handbewegung ab. Stattdessen nutzt er das Video als Referenz für den Fortschritt der Aufgabe und verbindet diesen Kontext mit den eigenen Beobachtungen und seinem aktuellen Körperzustand.

Die Auswertung mit 50 Aufgaben und jeweils 20 Versuchen liefert Hinweise darauf, dass sich dieser Ansatz auf neue Objekte, Werkzeuge und Manipulationsarten übertragen lässt. Die durchschnittliche Erfolgsrate von 62 Prozent zeigt zugleich, dass die Methode noch nicht jede Aufgabe zuverlässig bewältigt.

Auch bei Robustheitstests blieb ein großer Teil der Ausgangsleistung erhalten. Veränderungen bei Beleuchtung, Objekten, Szene und menschlicher Störung führten laut Bericht zu Einbußen von 1, 4, 6 beziehungsweise 9 Prozent.

Der entscheidende technische Punkt: Die Demonstration wird nicht zu einem neuen Trainingsdatensatz, der die Modellgewichte verändert. Sie dient vielmehr als laufende Orientierung während der Ausführung. Dadurch soll das System neue Fähigkeiten aufnehmen können, ohne bereits gelernte Fähigkeiten durch „katastrophales Vergessen“ zu überschreiben.

Was GEN-1.5 zusätzlich verspricht

GEN-1.5 beschreibt dieselbe Grundidee als In-Context-Lernen in einem großen verkörperten Modell. Das kurze Video wird in ein Kontextfenster gelegt, statt daraus eine eigens trainierte neue Politik zu erstellen. Nach Angaben von Generalist AI kann das Modell unter anderem menschliche Bewegungen auf Roboter übertragen, zwei per Prompt vorgegebene Verhaltensweisen kombinieren und aus einer simulierten Demonstration eine physische Ausführung ableiten.

Wichtig ist jedoch die Unterscheidung zwischen One-Shot-Prompting und weitergehender Anpassung: GEN-1.5 ist nicht in jedem Einsatzszenario vollständig „trainingsfrei“. Für eine einzelne Demonstration sollen keine Parameter-Updates nötig sein. Bei anspruchsvolleren Aufgaben bietet das Unternehmen jedoch zusätzlich eine gradientenbasierte Few-Shot-Anpassung an.

Warum dieser Wandel bedeutsam ist

Für Menschen ist die naheliegendste Art, eine neue Tätigkeit zu erklären, oft schlicht: vormachen. Bei Robotern war dafür bislang meist deutlich mehr nötig – etwa detaillierte Programmierung, aufwendiges Reward-Design, Teleoperation oder Hunderte eigens gesammelte Roboterbeispiele.

HOST und GEN-1.5 nähern sich dieser intuitiveren Schnittstelle an: Ein Mensch zeigt, was geschehen soll, und ein bereits breit vortrainiertes Modell bringt das allgemeine physische Vorwissen ein. Die kurze Demonstration legt dann Ziel, Ablauf und relevante Wechselwirkungen für die neue Aufgabe fest.

Das bedeutet allerdings nicht, dass die Roboter ohne vorherige Daten lernen. Der hohe Aufwand wird lediglich vorverlagert und auf viele Aufgaben verteilt. Ein späterer Nutzer kann eine neue Tätigkeit möglicherweise mit einer kurzen Beobachtung anweisen, statt dafür erneut eine aufgabenspezifische Optimierung zu starten. HOST macht diesen Tausch mit durchschnittlich 29 Sekunden und dem behaupteten 507-fachen Geschwindigkeitsvorteil besonders deutlich.

Die entscheidenden Einschränkungen

• HOST ist ein akademischer Preprint und kein Beleg für zuverlässiges Verhalten in offenen Umgebungen. Die Untersuchung fand im kontrollierten Labor mit 50 ausgewählten neuen Aufgaben statt und erreichte im Mittel 62 Prozent Erfolg. Aussagen über breitere Haushalts- oder Industrieanwendungen, lang andauernde Abläufe, sicherheitskritische Szenarien und unabhängige Replikationen bleiben offen.

• Die Datenlage zu GEN-1.5 ist deutlich schwerer unabhängig zu bewerten. Aussagen zum Modell, zu den Aufgaben, zur Trainingsdauer, zum Verzicht auf Simulation, zur Prompt-Dauer und zur Anpassung stammen von Generalist AI oder wurden aus Unternehmensankündigungen übernommen.

• Für GEN-1.5 fehlt ein vergleichbarer öffentlicher Benchmark. Öffentlich zugängliche, unabhängige Belege für eine standardisierte Aufgabenanzahl, ein einheitliches Versuchsprotokoll, eine aggregierte One-Shot-Erfolgsrate, Baseline-Vergleiche, eine vollständige Modell- oder Datenfreigabe sowie eine Reproduktion durch Dritte sind nicht ausreichend vorhanden. Die Demonstrationen belegen daher ein mögliches Leistungsvermögen, aber noch keine verifizierte Spitzenleistung.

Zusammengenommen zeigt HOST, dass der Erwerb einer neuen Manipulationsfähigkeit aus einem einzigen Video ohne Parameter-Update in einem klar definierten Testsatz funktionieren kann. GEN-1.5 deutet darauf hin, dass breit angelegtes Vortraining ähnliche Fähigkeiten als kontextabhängige Eigenschaft eines generalistischen Robotermodells hervorbringen könnte.

Die Richtung ist vielversprechend, die Schlussfolgerung sollte aber nüchtern bleiben: Roboter lernen zunehmend durch Beobachtung – doch das ist noch kein nachgewiesener Ersatz für gründliche Aufgabenvalidierung, Sicherheitstechnik und Anpassung an unkontrollierte reale Umgebungen.