Kiinassa rakennetaan humanoidirobottien aivojen datainfrastruktuuria

Pekingissä järjestetty vuoden 2026 World Robot Conference antoi tilannekuvan siitä, mihin Kiinan humanoidirobottiala on etenemässä. Huomio ei kiinnity enää vain yhä kyvykkäämpien robottien rakentamiseen, vaan myös datainfrastruktuuriin, jonka pitäisi auttaa kouluttamaan niiden ”aivoja”.

Interact Analysisin tutkimukseen viitaten raportoitiin, että Kiinassa toimii tai on rakenteilla vähintään 90 humanoidirobottien datankeruu- ja koulutuskeskusta. Luku kertoo investointien painopisteen muuttumisesta. Samalla konferenssi toi esiin olennaisen eron: teollisen mittakaavan datantuotanto ei vielä todista, että datasta syntyy eri robotteihin, tehtäviin ja työympäristöihin siirtyvää älykkyyttä. 13

Kehollinen data on uusi strateginen voimavara

Humanoidirobotti tarvitsee muutakin kuin kuvia ja tekstiä. Hyödyllinen fyysinen älykkyys edellyttää tietoa siitä, mitä ihminen näkee, miten hän liikkuu, miten esineet reagoivat ja miten toiminta etenee ajan kuluessa.

Siksi ensimmäisen persoonan video, kehon asento, syvyystieto, tuntoaistimukset ja robotin oma tiladata ovat tärkeitä aineksia niin sanotuille kehollisen tekoälyn malleille.

Lightwheel AI teki ajatuksesta konkreettisen julkaisemalla EgoSuite-Open100K-datasetin. Hankkeen tavoitteena on koota 100 000 tuntia ensimmäisen persoonan ihmistoimintaa yli 15 000 tehtävässä ja yli 15 000 tosielämän keruutilanteessa. Aineistossa käytetään päähän ja ranteeseen kiinnitettyjä kameroita sekä käden ja koko kehon asentotietoa, semanttisia merkintöjä ja syvyystietoa. Ensimmäiset 10 000 tuntia ovat saatavilla Hugging Facessa, ja aineistoa on tarkoitus jakaa myös AtomGitissä. 1 12

Hyöty on ilmeinen: ihmisten toiminnasta voidaan kerätä laaja kuvaus arkipäiväisistä liikkeistä ja esineiden käsittelystä ilman, että jokainen esimerkki täytyy tallentaa kalliilla fyysisellä robotilla.

Ihmisen toiminta ei kuitenkaan automaattisesti vastaa robotin kokemusta. Ihminen korjaa tasapainoa, kitkaa ja kosketusta luonnostaan. Robotin on sen sijaan havaittava ja hallittava nämä ilmiöt oman kehonsa, antureidensa ja ohjausjärjestelmiensä kautta.

Kuusi keruutapaa – ja vaikea kompromissi

SenseTimen Intelligent Industries Research Instituten tutkija Tian Feng kuvasi kuutta rinnakkain käytettävää datankeruun tapaa. Niihin kuuluvat muun muassa etäohjaus, liikkeenkaappaus, synteettinen data ja tiedon kerääminen oikeilla tuotantolinjoilla. 13

Eri menetelmät tallentavat eri osan ongelmasta:

• Etäohjaus säilyttää robotin omiin liikkeisiin ja fyysiseen palautteeseen liittyvää tietoa, mutta vaatii robottikalustoa, operaattoreita ja hallittua infrastruktuuria.
• Liikkeenkaappaus mahdollistaa ihmisen liikkeiden tallentamisen suuressa mittakaavassa, mutta ei välttämättä kerro voimista ja rajoitteista, joita robotti kohtaa.
• Synteettinen data voi tuottaa harvinaisia tilanteita tehokkaasti, vaikka simuloidun toiminnan on edelleen siirryttävä luotettavasti fyysiseen maailmaan.
• Tuotantolinjoilla kerätty data on lähimpänä kaupallista käyttöä, koska se sisältää tehtäväkohtaisen työn, virheet ja ympäristön todelliset rajoitteet.
• Ensimmäisen persoonan ihmiskuvaus tarjoaa laajan kattavuuden pienemmillä keruukustannuksilla, mutta siitä voivat puuttua robotin nivelvääntöön ja kosketusvoimaan liittyvät tiedot.

Raportoitu kustannusero on huomattava: robottikehosta riippumaton ihmisen toiminnan tallennus voi maksaa noin viidenneksen fyysisillä roboteilla tehtävään demonstraatiokeruuseen verrattuna. Vastapainona aineisto saattaa kuvata palkattujen datankerääjien tapaa suorittaa tehtävä, ei sitä, miten kokenut työntekijä sen tekisi. 13

Tämä ei tarkoita, että ihmisten data pitäisi hylätä. Se tarkoittaa, että sitä on käsiteltävä yhtenä kerroksena laajemmassa kokonaisuudessa, johon kuuluvat myös etäohjaus, robotin tiladata, simulointi ja todellisista käyttöönottoa kerätty palaute.

Robottien toimitusketjusta tulee datankeruun toimitusketju

Konferenssin laajempi viesti oli, että robotiikan infrastruktuuriin kuuluu nyt myös demonstraatioiden ja sensorimotorisen toiminnan tallentamiseen tarvittava laitteisto – ei vain moottoreita, akkuja ja robottirunkoja.

Esillä olivat esimerkiksi ORBBECin robottikehosta riippumattomat ensimmäisen persoonan ja käsikäyttöiset kuvausjärjestelmät, BrainCon datakäsineet ja tuntoaistilla varustetut näppärät kädet sekä GigaDevicen mikro-ohjain-, muisti- ja analogiatuotteet. Yhdessä ne viittaavat laitteistopinoon, jolla demonstraatioita voidaan kerätä aiempaa edullisemmin. Tuotekohtaisia suorituskykyväitteitä ei kuitenkaan tässä yhteydessä ole riippumattomasti vertailtu. 13

Samalla syntyy standardointiongelma. Eri antureilla, kalibrointitavoilla, toiminta-avaruuksilla, väliohjelmistoilla ja merkintäkäytännöillä kerättyä dataa ei välttämättä voi yhdistää suoraan.

Tästä syntyy alan käyttämä ilmiö, ”saarekedata”: hyödylliset tallenteet jäävät kiinni niitä tuottaneeseen laitteisto- ja ohjelmistopinoon. Avoin datasetti voi lievittää ongelmaa, mutta avoimuus yksin ei takaa uudelleenkäyttöä. Tarvitaan yhteisiä tietomalleja, kalibrointitietoja, ajoitusstandardeja, rajapintoja ja arviointimenetelmiä, jotta datan määrä voi muuttua yhteiseksi kyvykkyydeksi. 13

Onko robotiikalla oma skaalauslakinsa?

Avoimeksi jää myös se, siirtyykö kieli- ja näkömalleista tuttu kaava – suurempi datamäärä ja suuremmat mallit tuottavat kyvykkäämpiä järjestelmiä – robotiikkaan.

Generalist AI:n marraskuussa 2025 julkaisema GEN-0-raportti antaa rohkaisevan mutta rajallisen vastauksen. Yhtiön kokeissa pienemmät mallit eivät kyenneet hyödyntämään yhä monipuolisempaa sensorimotorista dataa. Yhtiö kutsui ilmiötä ”jähmettymiseksi” (ossification). Suuremmilla malleilla suorituskyky parani edelleen, ja raportti sijoitti mahdollisen murroskohdan noin seitsemään miljardiin parametriin. 36

Kyse on merkittävästä havainnosta, mutta ei vielä koko robotiikka-alaa koskevasta skaalauslaista. Tulos perustuu yhden yhtiön malleihin, dataan ja arviointitapaan.

Robotiikassa on lisäksi ongelma, jota tekstimallit eivät kohtaa samalla tavalla: mallin on toimittava tietyn kehon, tietyn ympäristön ja todellisten fyysisten rajoitteiden kautta.

Käytännön kysymys ei siis ole vain se, onko malli riittävän suuri. Olennaista on, sisältääkö koulutusdata oikeat fyysiset signaalit ja siirtyykö opittu toimintamalli erilaisiin robottikehoihin ja todellisiin työtehtäviin.

Robottien toimitusmäärät eivät vielä kerro kaupallisesta kysynnästä

Kiinan valmistuskapasiteetti antaa sille selvän edun robottien käyttöönotossa kokeita ja datankeruuta varten. Toimitusluvut voivat silti johtaa harhaan, jos suurinta osaa koneista käytetään edelleen kyvykkyyksien esittelyyn eikä toistuvaa taloudellista arvoa tuottavaan työhön.

Interact Analysisin mukaan humanoidirobottien maailmanlaajuinen tuotanto ylitti 20 000 kappaletta vuonna 2025, mutta vain noin 10 prosenttia niistä otettiin käyttöön todellisissa sovelluksissa. Suurin osa päätyi tutkimukseen, datankeruuseen tai viihteeseen. Kiina oli analyysin mukaan sekä tarjonnan että varhaisen käyttöönoton moottori. 21

IDC:n luvut puolestaan viittaavat siihen, että 78,4 prosenttia vuoden 2025 humanoidirobottien toimituksista meni esittelyihin, tutkimukseen tai datankeruuseen, kun tuotantolinjasovellusten osuus jäi pieneksi. Tätä tarkkaa jakaumaa on syytä tulkita varovasti, koska sen taustalla olevaa julkaisua ei ole tässä voitu riippumattomasti varmistaa.

Taustalla on tärkeä ero: valtion tuki, suurostot ja datan takaisinosto-ohjelmat voivat kasvattaa robottien, keskusten ja tallennettujen tuntien määrää nopeasti. Ne voivat auttaa rakentamaan oppimisekosysteemiä, mutta eivät yksin osoita, että asiakkaat maksavat roboteista, jotka luotettavasti pienentävät kustannuksia, kasvattavat tuotantoa tai tekevät työtä, johon ihmiset eivät helposti pysty. 13

Todellinen pullonkaula on eri osien yhteensopivuus

Pekingin konferenssi ei osoittanut, että Kiina olisi jo ratkaissut kehollisen älykkyyden ongelman. Se osoitti, että maa kokoaa mahdollisen ratkaisun osia poikkeuksellisen suuressa mittakaavassa:

1. Laaja data ihmisten demonstraatioista ja monenlaisista ympäristöistä.
2. Fyysisesti ankkuroitu data etäohjauksesta, robotin antureista ja oikeista tuotantotehtävistä.
3. Yhteensopiva infrastruktuuri, jotta tallenteet voivat siirtyä robottikehosta ja ohjelmistopinosta toiseen.
4. Skaalautuvat ja siirtyvät mallit, jotka eivät vain muista demonstraatioita.
5. Käyttöönotosta saatava palaute, joka tallentaa virheet, palautumistavat ja ihmisen väliintulot.
6. Kaupallinen liikevaihto, joka rahoittaa jatkuvaa datankeruuta ilman pysyvää riippuvuutta tuista.

Lightwheelin ehdottama ekosysteemi viittaa samaan kehään: avoimiin datastandardeihin, arviointiin perustuvaan keruuseen sekä datan ja mallien yhteissuunnitteluun. 1

Johtopäätös on siksi rajatumpi kuin väite siitä, että ”Kiina on rakentanut robottiaivot”. Kiina rakentaa tehtaita, mittalaitteita ja datasettejä, joiden on tarkoitus tehdä tällaiset aivot mahdollisiksi.

Se, tuottaako infrastruktuuri laajasti hyödyllisiä humanoidirobotteja, riippuu datan laadusta, sen fyysisestä uskollisuudesta, laitteistojen yhteensopivuudesta ja ennen kaikkea siitä, pystyvätkö robotit luomaan pysyvää arvoa tutkimuslaboratorioiden ja esittelytilaisuuksien ulkopuolella.