Kinas humanoida robotar stöter på en datamur

Kinas flaskhals inom humanoida robotar handlar allt mindre om hårdvara och allt mer om data. Robotar kan gå, dansa och genomföra noggrant förberedda demonstrationer. Men tillförlitlig självständighet kräver något betydligt svårare att få fram: lagligt insamlad, varierad och högkvalitativ data som visar hur maskiner uppfattar världen, rör sig, tar fysisk kontakt, misslyckas och återhämtar sig. 514

Det blev tydligt under Världsrobotkonferensen 2026. Bredvid välpolerade robotuppvisningar lyfte utställare fram utrustning för fjärrstyrning, bärbar rörelsefångst, taktila sensorer och kraftmätning – samt infrastruktur som kan samla in den träningsdata som robotmodeller behöver. 4913

Det stora gapet inom fysisk AI

Branschuppgifter som återkom kring konferensen placerar den tillgängliga, regelrätta datan från fysisk interaktion i verkliga miljöer på ungefär 500 000 timmar. Samtidigt förknippas kommersiellt användbara, generella modeller för fysisk AI ofta med ett behov på tiotals miljoner timmar. Det motsvarar ett underskott på mer än 99 procent – men siffran bör ses som en branschuppskattning, inte som en universell vetenskaplig gräns. Hur mycket data som krävs beror på uppgiften, robotplattformen, miljön och säkerhetskraven. 357

Jämförelsen är viktig eftersom fysisk interaktionsdata inte kan ersättas av vanliga internetmängder. En video kan visa hur en människa lyfter en kopp, men saknar normalt information om robotens ledlägen, greppkraft, tidpunkten för kontakten, friktion, glidning och korrigeringar. Det är just sådana detaljer som avgör om roboten klarar samma uppgift när koppen är tyngre, underlaget är vått eller föremålet står på en annan plats.

Därför bevisar en lyckad demonstration inte självständighet

Ett programmerat rörelsemönster kan dölja robotikens svåraste delar. Föremålen, ljuset, vägen och tidpunkten kan vara kontrollerade, samtidigt som en mänsklig operatör ingriper när något oväntat händer. Resultatet kan se autonomt ut utan att visa att roboten faktiskt har lärt sig en robust strategi från perception till handling.

Vid kommersiell användning krävs mer. Robotar måste kunna hantera variationer i föremålens form, greppunkter, material, stökiga miljöer och människor i närheten. De måste också upptäcka fel och kunna återhämta sig. I uppgifter med mycket fysisk kontakt är det därför inte tillräckligt att registrera om slutmålet nåddes. Den användbara datan omfattar hela kedjan av observationer, handlingar, fysiska tillstånd och korrigeringar. Dataset för fysisk AI utformas därför för att koppla samman flera sorters sinnesintryck med robotens handlingar och konsekvenserna av dem. 333440

Datainsamlingen blir allt mer krävande

Tidiga dataset för robotinlärning kunde koncentreras på korta och upprepningsbara demonstrationer. Nästa fas omfattar längre uppgifter i flera steg och med återkommande fysisk kontakt: att greppa och sortera föremål, montera, packa, städa och utföra andra arbetsmoment i hem, butiker, fabriker och service­miljöer.

Det ökar databehovet på tre sätt:

• Större variation: samma uppgift måste dokumenteras med olika föremål, planlösningar, material och miljöförhållanden.
• Mer information om misslyckanden: tappade grepp, kollisioner, misslyckade försök och återhämtningsrörelser kan vara lika lärorika som lyckade demonstrationer. 33
• Fler synkroniserade signaler: kameror, djupdata, robotens position, leders rörelser, kraft, beröring och andra sensorer måste tidsmässigt stämma överens så att modellerna kan lära sig sambandet mellan perception och handling.

Uppskalningen är svår. Verkliga robotar är dyra att köra, fysiska experiment kräver säkerhetskontroller och högkvalitativ data måste granskas och struktureras – inte bara samlas på hög. Ett stort videoarkiv är inte automatiskt ett användbart träningsdataset för robotar.

Ett nytt lager i dataleveranskedjan

Specialiserade dataleverantörer börjar fylla gapet mellan mänskligt beteende och maskinläsbar träningsdata. Arbetet kan omfatta att rekrytera och utbilda operatörer, fjärrstyra robotar, registrera mänskliga rörelser, instrumentera uppgifter, synkronisera sensorströmmar, rensa bort dåliga rörelsebanor och formatera resultatet för modellutvecklare.

Fjärrstyrning är värdefull eftersom den registrerar handlingar på en verklig robot, inte bara en människa som utför en liknande rörelse. VR- och andra generiska styrdon kan omvandlas till kommandon för roboten, medan bärbara system och rörelsefångstutrustning kan registrera mer detaljerade rörelser hos en människa och överföra dem till maskinen. 1

Det skapar ett nytt leveranslager för fysisk AI. Företag bygger inte längre bara robotkroppar och modeller, utan också de demonstrationer och sensorregister som ska koppla samman dem. På Världsrobotkonferensen presenterade utställare uttryckligen datainsamling som en del av infrastrukturen för fysisk intelligens, bland annat system som registrerar huvud- och handrörelser under vardagliga aktiviteter. 49

Varför Kina bygger nationella träningsmiljöer

Träningsmiljöerna ska ge robotar kontrollerade men realistiska platser där de kan tränas, testas och jämföras. De kan efterlikna fabriker, lager, hem, butiker och miljöer för offentlig service. På så sätt får utvecklare tillgång till återkommande scenarier utan att reducera problemen till en steril laboratorierutin.

Enligt rapportering om en rapport från China Academy of Information and Communications Technology var mer än 70 träningsmiljöer för fysisk AI i drift i Kina vid slutet av juni. Ytterligare 46 var under byggnation eller planering. Anläggningarna fanns i mer än hälften av Kinas provinser och provinsliknande regioner. Industriell tillverkning var det vanligaste användningsområdet och förekom i 86 procent av de rapporterade miljöerna. 1822

Infrastrukturen har dock bara betydelse om den faktiskt används. Målet är inte att skapa ännu en samling demonstrationshallar, utan att bygga datakällor och plattformar för tester i verkliga miljöer. Den tänkta återkopplingsloopen är enkel: verklig träning skapar data, data förbättrar modellen, bättre modeller möjliggör bredare användning och användningen genererar mer driftdata. 1422

Politiken ska få robotarna ut ur mässhallen

Kinas ministerium för industri och informationsteknik och myndigheten som förvaltar statliga tillgångar lanserade 2026 en särskild satsning på verklighetsnära träning av humanoida robotar och fysisk AI. Programmet fokuserar på industriella, serviceinriktade och specialiserade användningsområden, däribland tillverkning, logistik, sjukvård, offentlig service och räddningsarbete. 2425

I ett regeringsmeddelande sattes målet att få ut 10 000 humanoida robotar i kommersiell användning och etablera mer än 100 värdefulla tillämpningsscenarier före slutet av 2026. 26 Tanken är att göra själva användningen till en del av träningsinfrastrukturen: lokala myndigheter och statliga företag uppmuntras att erbjuda miljöer där systemen kan testas, valideras och förbättras under verkliga driftförhållanden. 24

Det garanterar inte att robotarna når målen eller blir brett autonoma. Men det visar att den politiska tyngdpunkten flyttas från enbart hårdvaruproduktion till den data- och användningsloop som krävs för kommersiell tillförlitlighet.

Varför video, text och kördata inte räcker

Video och språk är fortfarande värdefulla. De kan lära modeller vad föremål är, vad instruktioner betyder och hur mänskliga handlingar ser ut. Simulering kan ge stor skala och täcka situationer som vore dyra eller farliga att återskapa fysiskt. Forskning om standarder för data till fysisk AI pekar också mot en kombination av verklig data, simulering och flera sinnesmodaliteter – snarare än en enda datakälla. 232

Men dessa källor beskriver inte hela styrproblemet. Vid manipulation kan en robot behöva uppskatta:

• föremålets position och orientering i tre dimensioner;
• sina egna ledvinklar, sin hastighet och mekaniska respons;
• vilken kraft som krävs för att greppa, trycka, föra in eller lyfta något;
• när kontakt, glidning eller en kollision uppstår; och
• hur rörelsen ska justeras när den förväntade lösningen inte fungerar.

Därför kompletterar flera insamlingsmetoder varandra:

• VR-fjärrstyrning registrerar en människas demonstrerade kommandon genom ett gränssnitt som kan kopplas till robotens rörelser. 1
• Bärbar rörelsefångst registrerar avsikten i människans kropp, armar och händer, som sedan kan överföras till roboten. 1
• Kraftåterkoppling och taktila sensorer synliggör kontakt, motstånd, tryck och glidning som vanliga bildsensorer kan missa. 733
• Motormoment och proprioceptiv data visar robotens interna tillstånd och hur mekaniken reagerar under en handling. 3946
• Rörelsebanor från verkliga robotar blottlägger kalibreringsfel, fördröjningar, sensorbrus, mekaniska begränsningar och stökiga miljöer som mänsklig video eller simulering bara kan efterlikna. 3234

Dataset från autonoma fordon kan bidra till perception och navigation, men fingerfärdig manipulation har ett annat handlingsutrymme. Bilkörning är i hög grad fordonscentrerad och innebär vanligtvis ingen kontinuerlig kontakt med omgivande föremål. Att greppa, föra in eller montera något kräver däremot att roboten hanterar kontaktkrafter, följsamhet och återhämtning.

Den strategiska slutsatsen

Lärdomen från Världsrobotkonferensen 2026 är inte att Kina har slutat investera i robotarnas hårdvara. Snarare är den att hårdvara i sig inte kan överbrygga autonomigapet. Den verkliga konkurrensfördelen kan i allt högre grad tillfalla de aktörer som kan samla in, standardisera och lagligt använda stora mängder multimodal data från fysisk interaktion.

För Kinas humanoida robotindustri går vägen bortom scenframträdanden och fjärrstyrda maskiner genom en svår kombination av verklig användning, utbildade operatörer, instrumenterade miljöer, gemensamma datastandarder och upprepade tester. Den infrastrukturen håller på att byggas – men gapet mellan hundratusentals timmar och de tiotals miljoner timmar som ofta nämns inför kommersialisering är fortfarande den centrala begränsningen. 31314