Kinas humanoida robotkapplöpning blir en kapplöpning om data

Världskonferensen för robotik 2026 i Peking gav en tydlig bild av vart Kinas humanoida robotindustri är på väg: bortom allt mer avancerade robotkroppar och mot den datainfrastruktur som ska träna deras ”hjärnor”.

Minst 90 centra för datainsamling och träning av humanoida robotar uppges redan vara i drift eller under byggnad i Kina. Det tyder på att investeringsfokus snabbt håller på att förskjutas. Men konferensen visade också gapet mellan att producera data i industriell skala och att bevisa att datan faktiskt skapar robotintelligens som fungerar på olika maskiner, i olika uppgifter och på olika arbetsplatser. 13

Förkroppsligad data blir en strategisk tillgång

Humanoida robotar behöver mer än bilder och text. För att träna användbar fysisk intelligens krävs information om vad människor ser, hur de rör sig, hur föremål reagerar och hur handlingar utvecklas över tid. Därför blir förstapersonsvideo, information om kroppsställning, djupdata, känselsignaler och robotens tillstånd värdefulla inslag i modeller för så kallad förkroppsligad AI – AI som kan uppfatta och agera i den fysiska världen.

Lightwheel AI konkretiserade denna idé med EgoSuite-Open100K, en planerad datamängd med 100 000 timmar förstapersonsdata från mänskliga aktiviteter. Projektet omfattar över 15 000 uppgifter och verkliga insamlingsmiljöer. Materialet samlas in med kameror på huvud och handled och kompletteras med hand- och helkroppspositioner, semantiska etiketter och djupinformation. De första 10 000 timmarna finns via Hugging Face, och projektet siktar även på distribution genom AtomGit. 1 12

Fördelarna är uppenbara: mänskliga demonstrationer kan täcka ett brett spektrum av vardagliga rörelser och handgrepp utan att varje exempel behöver spelas in av en dyr fysisk robot. Men mänsklig aktivitetsdata är inte automatiskt detsamma som robotdata. En människa kompenserar naturligt för balans, friktion och kontakt. En robot måste däremot uppfatta och kontrollera dessa krafter genom sin egen kroppskonstruktion.

Sex metoder – och en grundläggande avvägning

Tian Feng från SenseTimes Intelligent Industries Research Institute beskrev sex datainsamlingsmetoder som används parallellt, bland annat fjärroperation, rörelsefångst, syntetiska data och insamling på riktiga produktionslinjer. 13

Metoderna fångar olika delar av problemet:

• Fjärroperation kan bevara robotspecifika rörelser och fysisk återkoppling, men kräver robotar, operatörer och kontrollerad infrastruktur.
• Rörelsefångst kan registrera mänskliga rörelser i stor skala, men fångar inte nödvändigtvis de krafter och begränsningar som en robot möter.
• Syntetiska data kan effektivt skapa sällsynta situationer, även om beteendet i simuleringen fortfarande måste fungera i den fysiska världen.
• Insamling på produktionslinjer ligger närmast kommersiell användning eftersom metoden registrerar uppgiftsspecifikt arbete, fel och miljöbegränsningar.
• Förstapersonsdata från människor ger stor bredd till lägre kostnad, men kan missa robotens dynamik, exempelvis vridmoment i leder och kontaktkrafter.

Kostnadsskillnaden uppges vara betydande: insamling med människor utan robotkropp kan kosta omkring en femtedel så mycket som att samla in demonstrationer med fysiska robotar. Kompromissen är att materialet kan spegla hur inhyrda datainsamlare utför en uppgift, snarare än hur erfarna yrkesarbetare gör det. 13

Det betyder inte att mänskliga data bör förkastas. Snarare bör de ses som ett lager i en bredare träningsmix, tillsammans med fjärroperation, robotens tillståndsdata, simuleringar och återkoppling från verkliga installationer.

Robotindustrins leveranskedja blir också en datainsamlingskedja

Konferensens bredare budskap var att robotikinfrastruktur numera omfattar utrustningen som används för att spela in demonstrationer och sensoriskt-motoriskt beteende – inte bara motorer, batterier och robotramar. Förstapersonssystem och handhållna insamlingsenheter, handskar, taktila gränssnitt, kameror, mikrokontrollers, minnen och analoga komponenter blir alla delar av datapipeline­n. 13

Det kan skapa en billigare väg till stora mängder demonstrationsdata. Samtidigt uppstår ett standardiseringsproblem. Data som samlas in med olika sensorer, kalibreringsmetoder, handlingsutrymmen, mellanprogram och märkningsprinciper går inte alltid att kombinera utan vidare.

Följden blir det som branschobservatörer kallar ”ödata”: användbara dataposter som fastnar i hårdvaran och programvaran där de skapades. Öppna datamängder kan minska problemet, men öppenhet i sig garanterar inte återanvändning. Gemensamma scheman, kalibreringsmetadata, tidskonventioner, gränssnitt och utvärderingsprotokoll behövs innan större datavolymer kan växa till en gemensam förmåga. 13

Har robotik en egen skalningslag?

En annan obesvarad fråga är om det välkända mönstret från stora AI-modeller – att mer data och större modeller ger bättre system – också gäller för robotik.

Generalist AIs rapport om GEN-0 från november 2025 gav ett uppmuntrande, men begränsat svar. I företagets experiment hade mindre modeller svårt att ta till sig allt mer varierade sensoriskt-motoriska data, ett fenomen som företaget kallade ”ossifiering”. Prestandan fortsatte att förbättras vid större modellstorlekar, och rapporten pekade ut en möjlig övergång kring 7 miljarder parametrar. 36

Det är intressanta resultat, men ännu ingen allmän skalningslag för robotik. Slutsatserna kommer från ett företags modeller, data och utvärderingsupplägg. Robotik har dessutom en särskild utmaning som språkmodeller inte möter på samma sätt: en policy måste agera genom en viss kropp, i en viss miljö och under verkliga fysiska begränsningar.

Den praktiska frågan är därför inte bara om modellen är tillräckligt stor. Det avgörande är om träningsdatan innehåller rätt fysiska signaler – och om den färdiga policyn kan överföras till andra robotkroppar och verkliga arbetsuppgifter.

Många levererade robotar betyder inte automatiskt kommersiell efterfrågan

Kinas tillverkningsskala ger landet ett stort försprång när robotar ska placeras ut för experiment och datainsamling. Men antalet utplacerade maskiner kan vara missvisande om de flesta fortfarande används för att demonstrera teknik snarare än för att skapa återkommande ekonomiskt värde.

Interact Analysis uppger att den globala produktionen av humanoida robotar översteg 20 000 enheter under 2025, medan endast omkring 10 procent användes i verkliga tillämpningar. De flesta gick till forskning, datainsamling eller underhållning. Samma analys beskriver Kina som motorn bakom både utbudet och den tidiga användningen. 21

Det sammanhanget är viktigt för den snabba utbyggnaden av datacentra. Statligt stöd, större samordnade inköp och program där data köps tillbaka kan snabbt öka antalet robotar, anläggningar och inspelade timmar. Det kan bidra till att bygga ett lärande ekosystem, men bevisar inte i sig att kunder är beredda att betala för robotar som på ett tillförlitligt sätt sänker kostnader, ökar produktionen eller utför uppgifter som människor har svårt att göra.

Den verkliga flaskhalsen är att få delarna att fungera ihop

Konferensen i Peking visade inte att Kina redan har löst den förkroppsligade intelligensen. Den visade att industrin bygger ihop komponenterna till en möjlig lösning i en ovanlig skala:

1. Breda data från mänskliga demonstrationer och varierade miljöer.
2. Fysiskt förankrade data från fjärroperation, robotsensorer och verkliga produktionsuppgifter.
3. Kompatibel infrastruktur så att inspelningar kan flyttas mellan robotkroppar och programvarustackar.
4. Modeller som skalar och kan överföra kunskap, snarare än bara memorera demonstrationer.
5. Återkoppling från användning som fångar fel, återhämtning och mänskliga ingripanden.
6. Kommersiella intäkter som kan finansiera fortsatt datainsamling utan ett permanent beroende av subventioner.

Lightwheels föreslagna ekosystem pekar också mot en sådan återkopplingsloop: öppna datastandarder, insamling som styrs av utvärderingar samt samordning mellan data- och modellutveckling. 1

Den viktigaste slutsatsen är därför mer begränsad än att ”Kina har byggt en robot hjärna”. Kina bygger fabrikerna, instrumenten och datamängderna som ska göra en sådan hjärna möjlig. Om infrastrukturen leder till brett användbara humanoida robotar kommer däremot att avgöras av datakvalitet, fysisk träffsäkerhet, kompatibilitet mellan hårdvaruplattformar och bevis på att robotar skapar varaktigt värde utanför demonstrationer och forskningslaboratorier.