Chinas humanoide Roboter brauchen nicht nur bessere Körper, sondern bessere Daten

Die World Robot Conference 2026 in Peking zeigte, wohin sich Chinas humanoide Robotik entwickelt: weg vom alleinigen Bau immer leistungsfähigerer Roboterkörper und hin zum Aufbau einer Dateninfrastruktur, die deren „Gehirne“ trainieren soll.

Mindestens 90 Zentren zur Datenerfassung und zum Training humanoider Roboter sollen in China bereits in Betrieb oder im Bau sein. Das deutet auf eine deutliche Verschiebung der Investitionsprioritäten hin. Gleichzeitig wurde auf der Konferenz eine zentrale Lücke sichtbar: Industriell Daten zu produzieren ist etwas anderes, als daraus eine Roboterintelligenz zu entwickeln, die auf andere Maschinen, Aufgaben und Arbeitsplätze übertragbar ist. 13

Der neue strategische Rohstoff: Daten aus der physischen Welt

Humanoide Roboter benötigen mehr als Bilder und Texte. Für brauchbare körpernahe Intelligenz – häufig als „Embodied AI“ bezeichnet – müssen Modelle erfassen, was Menschen sehen, wie sie sich bewegen, wie Gegenstände reagieren und wie Handlungen über die Zeit ablaufen.

Wertvoll sind deshalb unter anderem Videos aus der Ich-Perspektive, Informationen über Körperhaltungen, Tiefendaten, taktile Signale und Zustandsdaten des Roboters.

Lightwheel AI machte diesen Ansatz mit EgoSuite-Open100K konkret. Der geplante Datensatz soll 100.000 Stunden menschlicher Aktivitäten aus mehr als 15.000 Aufgaben und realen Erfassungsszenarien enthalten. Zum Einsatz kommen Aufnahmen aus Kopf- und Handgelenksperspektive sowie Informationen zu Hand- und Ganzkörperhaltung, semantische Markierungen und Tiefendaten. Die ersten 10.000 Stunden sind über Hugging Face verfügbar; außerdem ist eine Verteilung über AtomGit vorgesehen. 1 12

Der Vorteil liegt auf der Hand: Menschliche Demonstrationen können viele alltägliche Bewegungs- und Greifaufgaben abdecken, ohne jedes Beispiel mit einem teuren physischen Roboter aufnehmen zu müssen. Menschliche Daten sind jedoch nicht automatisch dasselbe wie Robotererfahrung. Menschen gleichen Balance, Reibung und Kontaktkräfte intuitiv aus. Ein Roboter muss diese physikalischen Effekte mit seinen eigenen Sensoren und seiner eigenen Mechanik wahrnehmen und kontrollieren.

Sechs Wege zur Datenerfassung – und ein grundlegender Zielkonflikt

Tian Feng vom Intelligent Industries Research Institute von SenseTime beschrieb sechs parallel eingesetzte Paradigmen zur Datenerfassung. Dazu gehören unter anderem Teleoperation, Bewegungsaufzeichnung, synthetische Daten und die Datensammlung an realen Produktionslinien. 13

Jede Methode bildet einen anderen Teil des Problems ab:

• Teleoperation kann roboterspezifische Bewegungen und physisches Feedback bewahren. Dafür werden jedoch Roboterhardware, Bedienpersonal und eine kontrollierte Infrastruktur benötigt.
• Bewegungsaufzeichnung erfasst menschliche Bewegungen in großem Maßstab, bildet aber nicht zwangsläufig die Kräfte und Einschränkungen ab, denen ein Roboter ausgesetzt ist.
• Synthetische Daten können seltene Situationen effizient erzeugen. Ob simulierte Bewegungen in die reale Welt übertragbar sind, muss sich allerdings erst zeigen.
• Daten aus Produktionslinien liegen kommerziellen Anwendungen am nächsten, weil sie konkrete Aufgaben, Fehler und Umgebungsbedingungen abbilden.
• Aufnahmen aus der menschlichen Ich-Perspektive bieten eine große thematische Breite und niedrigere Erfassungskosten, enthalten aber möglicherweise keine roboterspezifischen Größen wie Gelenkmomente und Kontaktkräfte.

Der Kostenvorteil ist erheblich: Die Erfassung menschlicher Bewegungen ohne Roboterkörper kann ungefähr ein Fünftel dessen kosten, was Demonstrationen mit physischen Robotern kosten. Der Preis dafür ist, dass solche Daten eher zeigen können, wie eigens dafür eingesetzte Datensammler eine Aufgabe ausführen – und nicht unbedingt, wie erfahrene Beschäftigte sie im Arbeitsalltag erledigen. 13

Das spricht nicht gegen menschliche Daten. Es spricht dafür, sie als eine Schicht in einem größeren Trainingsmix zu betrachten – zusammen mit Teleoperation, Roboterzustandsdaten, Simulationen und Rückmeldungen aus realen Einsätzen.

Aus der Hardware-Lieferkette wird eine Lieferkette für Datenerfassung

Die Konferenz vermittelte außerdem eine breitere Botschaft: Zur Infrastruktur der Robotik gehören inzwischen auch die Geräte, mit denen Demonstrationen und sensomotorisches Verhalten aufgezeichnet werden – nicht nur Motoren, Akkus und Roboterrahmen. Systeme für Aufnahmen aus der Ich-Perspektive und mit Handgeräten, Handschuhe, taktile Schnittstellen, Kameras, Mikrocontroller, Speicher und analoge Komponenten werden Teil derselben Datenpipeline. 13

Das eröffnet einen potenziell kostengünstigeren Weg, große Mengen an Demonstrationen zu sammeln. Zugleich verschärft sich ein Standardisierungsproblem. Daten, die mit unterschiedlichen Sensoren, Kalibrierungsverfahren, Aktionsräumen, Middleware-Systemen und Kennzeichnungsregeln erfasst wurden, lassen sich nicht automatisch zusammenführen.

So entstehen sogenannte „Inseldaten“: nützliche Aufzeichnungen, die in dem Hardware- und Software-Stack gefangen bleiben, mit dem sie erzeugt wurden. Ein offener Datensatz kann dieses Problem verringern, doch Offenheit allein garantiert noch keine Wiederverwendbarkeit. Gemeinsame Schemata, Kalibrierungsmetadaten, Zeitkonventionen, Schnittstellen und Bewertungsprotokolle sind nötig, damit aus Datenmenge tatsächlich eine gemeinsame Fähigkeit entstehen kann. 13

Gibt es für Robotik ein Skalierungsgesetz?

Offen ist auch, ob das aus großen KI-Modellen bekannte Muster – mehr Daten und größere Modelle führen zu leistungsfähigeren Systemen – von Sprache und Bildverarbeitung auf Robotik übertragbar ist.

Der Bericht GEN-0 von Generalist AI vom November 2025 lieferte dazu ein ermutigendes, aber begrenztes Signal. In den Experimenten des Unternehmens hatten kleinere Modelle Schwierigkeiten, immer vielfältigere sensomotorische Daten aufzunehmen. Generalist AI bezeichnete dieses Scheitern als „Ossifikation“. Bei größeren Modellen stieg die Leistung weiter; der Bericht identifizierte einen scheinbaren Übergang bei rund sieben Milliarden Parametern. 36

Das ist ein relevantes Indiz, aber noch kein allgemein gültiges Skalierungsgesetz der Robotik. Das Ergebnis stammt aus den Modellen, Daten und Bewertungsverfahren eines einzelnen Unternehmens. Zudem steht die Robotik vor einer zusätzlichen Herausforderung: Eine Strategie muss durch einen bestimmten Körper in einer bestimmten Umgebung und unter realen physikalischen Einschränkungen handeln.

Die entscheidende Frage lautet daher nicht nur, ob ein Modell groß genug ist. Entscheidend ist, ob die Trainingsdaten die richtigen physikalischen Signale enthalten und ob die gelernte Strategie auf andere Roboterkörper und reale Aufgaben übertragbar ist.

Viele ausgelieferte Roboter bedeuten noch keine Nachfrage

Chinas industrielle Produktionskraft verschafft dem Land einen großen Vorteil, wenn es darum geht, Roboter für Experimente und zur Datensammlung einzusetzen. Die Zahl der eingesetzten Maschinen kann jedoch irreführend sein, wenn die meisten noch Fähigkeiten demonstrieren, Daten sammeln oder Forschungszwecken dienen, statt dauerhaft wirtschaftlichen Nutzen zu erzeugen.

Interact Analysis zufolge wurden 2025 weltweit mehr als 20.000 humanoide Roboter produziert. Nur etwa 10 Prozent davon kamen in realen Anwendungen zum Einsatz; die meisten wurden für Forschung, Datensammlung oder Unterhaltung genutzt. China war dabei sowohl die treibende Kraft bei der Produktion als auch bei der frühen Einführung. 21

Dieser Kontext ist für den Boom der Datenzentren entscheidend. Staatliche Unterstützung, Großeinkäufe und Programme zum Rückkauf von Daten können die Zahl der Roboter, Einrichtungen und aufgezeichneten Stunden schnell erhöhen. Sie können beim Aufbau eines Lernökosystems helfen. Sie beweisen aber nicht automatisch, dass Kunden für Roboter zahlen werden, die zuverlässig Kosten senken, die Produktivität steigern oder Aufgaben übernehmen, die Menschen nur schwer erledigen können.

Der eigentliche Engpass ist die Verbindung der Bausteine

Die Konferenz in Peking zeigte nicht, dass China die körpernahe Intelligenz bereits gelöst hat. Sie zeigte, dass die Branche die Bestandteile einer möglichen Lösung in ungewöhnlichem Maßstab zusammenführt:

1. Breite Daten aus menschlichen Demonstrationen und unterschiedlichen Umgebungen.
2. Physikalisch verankerte Daten aus Teleoperation, Robotersensoren und realen Produktionsaufgaben.
3. Kompatible Infrastrukturen, damit Aufzeichnungen zwischen verschiedenen Roboterkörpern und Software-Stacks bewegt werden können.
4. Skalierbare und übertragbare Modelle, die Demonstrationen nicht nur auswendig lernen.
5. Rückmeldungen aus Einsätzen, die Fehler, Erholungsbewegungen und Eingriffe durch Bediener erfassen.
6. Umsatz aus realen Anwendungen, der die weitere Datensammlung finanziert, ohne dauerhaft auf Subventionen angewiesen zu sein.

Auch Lightwheels geplantes Ökosystem zielt auf einen solchen Kreislauf: offene Datenstandards, eine an Evaluationen orientierte Datensammlung und eine gemeinsame Gestaltung von Daten und Modellen. 1

Die wichtigste Schlussfolgerung ist deshalb enger gefasst als die Aussage, China habe bereits ein Robotergehirn gebaut. China baut Fabriken, Instrumente und Datensätze, die ein solches Gehirn überhaupt erst möglich machen sollen. Ob daraus vielseitig einsetzbare humanoide Roboter entstehen, hängt von der Datenqualität, der physikalischen Genauigkeit, der Kompatibilität zwischen Hardware-Systemen und dem Nachweis ab, dass Roboter außerhalb von Vorführungen und Forschungslaboren dauerhaft wirtschaftlichen Wert schaffen.