Kinas humanoide robotkappløp blir et kappløp om datafabrikker

Robotkappløpet i Kina handler ikke lenger bare om hvem som kan bygge den mest imponerende menneskelignende maskinen. På Verdens robotkonferanse i Beijing i 2026 ble det tydelig at neste strategiske kamp handler om noe mindre synlig: infrastrukturen som skal samle inn data og trene robotenes «hjerner».

Minst 90 sentre for innsamling og trening av data til humanoide roboter skal allerede være i drift eller under bygging rundt om i Kina. Det peker mot en markant endring i investeringslogikken – fra å produsere robotkropper til å høste data fra menneskers og roboters fysiske handlinger. 13

Men konferansen viste også et viktig gap. Det er mulig å produsere enorme mengder data i industriell skala uten at det dermed er bevist at dataene kan skape robotintelligens som fungerer på tvers av maskiner, oppgaver og arbeidsplasser.

Den nye strategiske ressursen er fysisk data

En robot trenger mer enn bilder, tekst og instruksjoner. For å lære å gripe, gå, balansere og håndtere gjenstander må den forstå hvordan mennesker beveger seg, hvordan objekter reagerer, og hvordan en handling utvikler seg over tid.

Derfor blir førstepersonsvideo, kroppsstillinger, dybdedata, berøringssignaler og informasjon om robotens egen tilstand viktige byggesteiner i det som ofte kalles «embodied AI» – fysisk eller kroppslig forankret kunstig intelligens.

Lightwheel AI gjorde denne satsingen konkret med datasettet EgoSuite-Open100K. Målet er 100 000 timer med førstepersonsdata fra menneskelig aktivitet, fordelt på mer enn 15 000 oppgaver og innsamlingsscener i den virkelige verden. Materialet kombinerer kamerabilder fra hode og håndledd med informasjon om hånd- og helkroppsposisjon, semantiske merkelapper og dybde. De første 10 000 timene er gjort tilgjengelige gjennom Hugging Face, og prosjektet tar også sikte på distribusjon via AtomGit. 1 12

Fordelen er åpenbar: Mennesker kan demonstrere et bredt spekter av hverdagslige bevegelser og finmotoriske oppgaver uten at hver eneste demonstrasjon må utføres av en dyr robot.

Men menneskelig erfaring er ikke det samme som robotisk erfaring. Et menneske kompenserer intuitivt for balanse, friksjon og kontakt. En robot må registrere og kontrollere de samme kreftene gjennom egne sensorer, ledd og aktuatorer.

Seks metoder – og en grunnleggende avveining

Tian Feng fra SenseTimes forskningsinstitutt for intelligente industrier beskrev seks datainnsamlingsmetoder som utvikles parallelt. Blant dem er fjernstyring, bevegelsesregistrering, syntetiske data og innsamling på faktiske produksjonslinjer. 13

Metodene dekker ulike deler av problemet:

• Fjernstyring kan bevare robotens egne bevegelser og fysiske tilbakemeldinger, men krever robotmaskinvare, operatører og kontrollert infrastruktur.
• Bevegelsesregistrering kan dokumentere menneskelige bevegelser i stor skala, men fanger ikke nødvendigvis opp kreftene og begrensningene roboten møter.
• Syntetiske data kan raskt lage sjeldne eller vanskelige scenarioer, selv om simulert atferd må kunne overføres til den fysiske verden.
• Data fra produksjonslinjer ligger nærmest kommersiell bruk fordi de viser konkrete oppgaver, feil og miljøbegrensninger.
• Førstepersonsdata fra mennesker gir stor bredde til lavere kostnad, men kan mangle robotens dynamikk – blant annet leddmoment og kontaktkrefter.

Ifølge opplysningene som ble presentert, kan kroppsløs menneskelig datainnsamling koste rundt en femtedel av det som kreves når fysiske roboter brukes til å samle demonstrasjoner. Prisen for dette er at dataene kan gjenspeile hvordan innleide datainnsamlere utfører en oppgave, snarere enn hvordan erfarne arbeidere gjør den. 13

Det betyr ikke at menneskedata er ubrukelige. Det betyr at de bør ses som ett lag i en større treningsblanding – sammen med fjernstyring, data fra robotens egne sensorer, simulering og tilbakemeldinger fra virkelige installasjoner.

Robotleverandørene bygger også en verdikjede for datainnsamling

Robotinfrastruktur handler dermed ikke lenger bare om motorer, batterier og robotrammer. På konferansen ble det også vist frem utstyr som skal registrere menneskelige demonstrasjoner og sensorisk-motorisk atferd.

ORBBEC presenterte blant annet førstepersons- og håndholdte systemer som kan samle inn data uten at en komplett robotkropp må være til stede. BrainCo viste datahansker og taktile, fingerferdige hender, mens GigaDevice leverer komponenter som mikrokontrollere, minne og analoge kretser. Til sammen peker dette mot en egen forsyningskjede for datainnsamling – ikke bare for robotproduksjon. 13

Denne utviklingen kan gjøre det billigere å samle inn store mengder demonstrasjoner. Samtidig oppstår et standardiseringsproblem. Data som samles inn med ulike sensorer, kalibreringsmetoder, handlingsrom, mellomvare og merkeordninger, lar seg ikke nødvendigvis kombinere uten videre.

Resultatet kan bli det bransjen omtaler som «øydata»: verdifulle datasett som blir låst til maskinvaren og programvaren som skapte dem. Åpne datasett kan redusere problemet, men åpenhet alene garanterer ikke gjenbruk. Felles dataskjemaer, kalibreringsmetadata, tidsstandarder, grensesnitt og evalueringsmetoder må på plass før store datamengder kan omsettes til en felles teknologisk kapasitet. 13

Har robotikken fått sin egen skaleringslov?

Et annet ubesvart spørsmål er om mønsteret fra store språkmodeller også gjelder for robotikk: Kan større modeller og mer data systematisk gi bedre systemer?

Generalist AIs GEN-0-rapport fra november 2025 ga et lovende, men foreløpig begrenset svar. I selskapets egne eksperimenter hadde mindre modeller problemer med å ta opp stadig mer variert sensorisk-motorisk data. Selskapet kalte fenomenet «ossification» – en form for modellforstivning der modellen slutter å absorbere ny informasjon. Resultatene fortsatte å bedre seg ved større modellstørrelser, og rapporten pekte på en tilsynelatende overgang rundt 7 milliarder parametere. 36

Det er interessant dokumentasjon, men ikke en etablert, universell skaleringslov for robotikk. Resultatet kommer fra ett selskaps modeller, data og evalueringsoppsett. Robotikk har dessuten en utfordring språkmodeller ikke møter på samme måte: En robot må handle gjennom en bestemt kropp, i et bestemt miljø og under reelle fysiske begrensninger.

Det avgjørende spørsmålet er derfor ikke bare om modellen er stor nok. Treningsdataene må også inneholde de riktige fysiske signalene, og modellen må kunne overføre det den har lært til andre robotkropper og virkelige arbeidsoppgaver.

Mange roboter betyr ikke nødvendigvis stor etterspørsel

Kinas produksjonskapasitet gir landet et stort fortrinn når roboter skal utplasseres for testing og datainnsamling. Men antall leverte maskiner kan gi et misvisende bilde dersom de fleste fortsatt brukes til demonstrasjoner, forskning eller innsamling av treningsdata – og ikke til arbeid som skaper varig økonomisk verdi.

Interact Analysis rapporterte at den globale produksjonen av humanoide roboter oversteg 20 000 enheter i 2025. Samtidig ble bare rundt 10 prosent tatt i bruk i reelle anvendelser; flertallet ble brukt til forskning, datainnsamling eller underholdning. Analysen pekte på Kina som drivkraften både på tilbuds- og adopsjonssiden. 21

Dette er viktig for å forstå oppblomstringen av datasentre. Statlig støtte, storkjøp og ordninger der data kjøpes tilbake, kan raskt øke antallet roboter, anlegg og registrerte timer. Det kan bidra til å bygge et læringsøkosystem, men beviser ikke at kundene vil betale for roboter som pålitelig kutter kostnader, øker produksjonen eller utfører arbeid mennesker har vanskelig for å gjøre.

Den virkelige flaskehalsen er samordning

Beijing-konferansen viste ikke at Kina allerede har løst problemet med fysisk forankret intelligens. Den viste at landet bygger flere av brikkene som kan gjøre en slik løsning mulig:

1. Bredde i dataene gjennom menneskelige demonstrasjoner og varierte miljøer.
2. Fysisk forankrede data fra fjernstyring, robotsensorer og reelle produksjonsoppgaver.
3. Kompatibel infrastruktur slik at opptak kan flyttes mellom robotkropper og programvarestabler.
4. Modeller som skalerer og overfører kunnskap, i stedet for bare å memorere demonstrasjoner.
5. Tilbakemeldinger fra drift som fanger opp feil, gjenoppretting og menneskelig inngripen.
6. Kommersielle inntekter som kan finansiere videre datainnsamling uten permanent avhengighet av subsidier.

Lightwheels foreslåtte økosystem peker også i denne retningen: åpne datastandarder, evalueringsdrevet innsamling og tettere samspill mellom data- og modelldesign. 1

Den mest presise konklusjonen er derfor ikke at Kina har bygget en robot-hjerne. Kina bygger fabrikkene, instrumentene og datasettene som skal gjøre en slik hjerne mulig. Om infrastrukturen faktisk fører til humanoide roboter som fungerer bredt, vil avhenge av datakvalitet, fysisk nøyaktighet, kompatibilitet på tvers av maskinvare – og bevis på at robotene skaper varig verdi utenfor demonstrasjoner og forskningslaboratorier.