Çin, insansı robotların “beyni” için veri altyapısı kuruyor

Robot yarışında yeni stratejik varlık: fiziksel etkileşim verisi

Pekin’de düzenlenen 2026 Dünya Robot Konferansı, Çin’in insansı robot sektörünün yönünü değiştirdiğine dair dikkat çekici bir tablo sundu. Rekabet artık yalnızca daha yetenekli robot gövdeleri, motorlar ve bataryalar üretmekten ibaret değil. Sektör, bu gövdelerin “beynini” eğitecek veri altyapısını da aynı hızla kurmaya çalışıyor.

Interact Analysis araştırmasına göre Çin genelinde en az 90 insansı robot veri toplama ve eğitim merkezi faaliyette veya inşa halinde. Bu sayı, yatırım önceliklerinin robot üretiminden büyük ölçekli veri toplamaya doğru kaydığını gösteriyor. Ancak konferansın ortaya koyduğu kritik soru şu: Endüstriyel ölçekte veri üretmek, farklı robotlara ve görevlere aktarılabilen gerçek bir fiziksel zekâ yaratmaya yetiyor mu? 13

İnsansı robotların eğitimi için yalnızca görüntü ya da metin yeterli değil. Kullanışlı bir “bedenlenmiş yapay zekâ” modeli; insanların ne gördüğünü, nasıl hareket ettiğini, nesnelerin bu hareketlere nasıl tepki verdiğini ve eylemlerin zaman içinde nasıl geliştiğini de öğrenmek zorunda. Bu nedenle birinci şahıs videoları, poz verileri, derinlik bilgisi, dokunsal sinyaller ve robotun kendi durumuna ilişkin veriler önem kazanıyor.

Lightwheel AI’ın açıkladığı EgoSuite-Open100K projesi bu yaklaşımın en somut örneklerinden biri. Proje, 15.000’den fazla görev ve 15.000’den fazla gerçek dünya veri toplama sahnesi üzerinden toplam 100.000 saatlik birinci şahıs insan etkinliği verisi oluşturmayı hedefliyor. Baş ve bilek kameralarından alınan görüntülere el ve tüm vücut pozları, anlamsal etiketler ve derinlik bilgisi eşlik ediyor. İlk 10.000 saat Hugging Face üzerinden erişime açıldı; projenin AtomGit üzerinden de dağıtılması planlanıyor. 1 12

Bu yaklaşımın avantajı açık: İnsanların gündelik nesne kullanımı ve hareketlerine ilişkin geniş bir örnek havuzu, her gösterimin pahalı bir fiziksel robotla kaydedilmesine gerek kalmadan oluşturulabiliyor. Fakat insan deneyimi, robot deneyimiyle bire bir aynı değil. İnsanlar denge, sürtünme ve temas koşullarındaki küçük değişiklikleri doğal biçimde telafi ederken robotun bu etkileri kendi sensörleri ve kontrol sistemiyle algılaması gerekiyor.

Altı farklı veri toplama yöntemi, tek bir temel ödünleşim

SenseTime’ın Intelligent Industries Research Institute kurumundan Tian Feng, altı veri toplama yaklaşımının paralel biçimde kullanıldığını aktardı. Bu yaklaşımlar arasında uzaktan kumandalı işletim, hareket yakalama, sentetik veri üretimi ve gerçek üretim hatlarından veri toplama da bulunuyor. 13

Her yöntemin güçlü ve zayıf yönü farklı:

• Uzaktan kumandalı işletim, robotun kendisine özgü hareketleri ve fiziksel geri bildirimi koruyabilir. Buna karşılık robot donanımı, operatörler ve kontrollü bir altyapı gerektirir.
• Hareket yakalama, insan hareketlerini büyük ölçekte kaydedebilir; ancak robotun karşılaşacağı kuvvetleri ve fiziksel kısıtları her zaman yansıtmaz.
• Sentetik veri, nadir veya tehlikeli senaryoları hızlı biçimde üretebilir. Yine de simülasyonda öğrenilen davranışların fiziksel dünyaya aktarılması gerekir.
• Üretim hattı verisi, görevlerin ticari kullanımına en yakın kaynaklardan biridir; çünkü belirli iş akışlarını, hataları ve çevresel kısıtları içerir.
• Birinci şahıs insan verisi, düşük maliyetle geniş bir davranış çeşitliliği sunar. Ancak eklem torku ve temas kuvveti gibi robot dinamiklerini içermeyebilir.

Bedenlenmemiş insan yakalama sistemleriyle veri toplamanın, fiziksel robotlarla gösterim toplamaya kıyasla yaklaşık beşte bir maliyetinde olabileceği belirtiliyor. Bunun karşılığında veri, işi deneyimli çalışanların nasıl yaptığı yerine, veri toplamak üzere görevlendirilen kişilerin davranışlarını yansıtabilir. 13

Bu durum insan verisinin değersiz olduğu anlamına gelmiyor. Daha doğru sonuç, insan verisinin; uzaktan işletim, robotun iç durumuna ilişkin sinyaller, simülasyon ve gerçek kullanım sırasında alınan geri bildirimlerle birlikte daha geniş bir eğitim karışımının parçası olması gerektiği.

Robot tedarik zinciri, veri yakalama tedarik zincirine dönüşüyor

Konferansın daha geniş mesajı da burada ortaya çıktı: Robotik altyapısı artık yalnızca motor, batarya ve robot iskeletlerinden oluşmuyor. Gösterimleri ve duyusal-motor davranışları kaydeden birinci şahıs ve el tipi sistemler, eldivenler, dokunsal arayüzler, kameralar, mikrodenetleyiciler, bellek ve analog bileşenler de veri hattının bir parçası haline geliyor. 13

Bu dönüşüm, büyük miktarlarda gösterim verisi toplamak için daha düşük maliyetli bir yol açabilir. Fakat aynı zamanda standartlaşma sorununu büyütür. Farklı sensörler, kalibrasyon yöntemleri, eylem uzayları, ara yazılımlar ve etiketleme kurallarıyla toplanan veriler birbirine kolayca eklenemeyebilir.

Sektörde bu sorun çoğu zaman “ada verileri” ifadesiyle anlatılıyor: Verimli olabilecek kayıtlar, onları üreten donanım ve yazılım yığınının içinde mahsur kalıyor. Açık veri setleri bu sorunu azaltabilir; ancak verinin açık olması tek başına yeniden kullanılabileceği anlamına gelmez. Ortak şemalar, kalibrasyon bilgileri, zamanlama kuralları, arayüzler ve değerlendirme protokolleri olmadan veri hacmi ortak bir yeteneğe dönüşmeyebilir. 13

Robotikte de yapay zekâ ölçekleme yasası var mı?

Çözülmemiş bir diğer soru, büyük dil modellerinde görülen “daha fazla veri ve daha büyük model, daha yüksek yetenek” ilişkisinin robotik alanına ne ölçüde taşınabileceği.

Generalist AI’ın Kasım 2025 tarihli GEN-0 raporu bu konuda umut verici, ancak sınırlı bir sonuç sundu. Şirketin deneylerinde daha küçük modeller, giderek çeşitlenen duyusal-motor veriyi özümsemekte zorlandı. Şirket bu durumu “ossification” yani modelin yeni bilgileri özümseyemez hale gelmesi olarak adlandırdı. Daha büyük modellerde performans artışı sürerken rapor, yaklaşık 7 milyar parametre civarında belirgin bir geçiş gözlendiğini bildirdi. 36

Bu bulgu önem taşıyor, ancak henüz robotik için tüm alanı kapsayan bir ölçekleme yasası değil. Sonuçlar tek bir şirketin modelleri, veri setleri ve değerlendirme tasarımı üzerinden elde edildi. Ayrıca robotikte, metin modellerinin aynı biçimde karşılaşmadığı ek bir zorluk var: Modelin politikası belirli bir gövde, belirli bir ortam ve gerçek fiziksel kısıtlar üzerinden eyleme geçmek zorunda.

Dolayısıyla pratik soru yalnızca modelin yeterince büyük olup olmadığı değil. Eğitim verisinin doğru fiziksel sinyalleri içerip içermediği ve ortaya çıkan politikanın farklı robot gövdelerine ve gerçek görevlere aktarılıp aktarılamadığı da belirleyici.

Robot sevkiyatı neden ticari talep anlamına gelmiyor?

Çin’in üretim kapasitesi, robotları deneylerde ve veri toplama çalışmalarında hızla kullanıma alma konusunda önemli bir avantaj sağlıyor. Ancak sevkiyat sayıları yanıltıcı olabilir. Makinelerin çoğu hâlâ ekonomik değeri düzenli biçimde üretmekten çok, yetenek gösterileri, araştırma veya veri toplama amacıyla kullanılıyorsa yüksek adetler gerçek ticari talebi kanıtlamaz.

Interact Analysis, küresel insansı robot üretiminin 2025’te 20.000 adedi aştığını ve üretilen robotların yalnızca yaklaşık yüzde 10’unun gerçek dünya uygulamalarında kullanıldığını bildirdi. Analize göre robotların çoğu araştırma, veri toplama veya eğlence amacıyla kullanıldı; Çin ise hem arzın hem de erken benimsemenin başlıca motoru oldu. 21

Bu tablo veri merkezi yatırımları açısından önemli. Kamu desteği, toplu alımlar ve veri geri satın alma programları; robot, tesis ve kayıtlı saat sayısını hızla artırabilir. Bu mekanizmalar bir öğrenme ekosisteminin kurulmasına yardımcı olabilir. Ancak müşterilerin maliyetleri gerçekten düşüren, üretimi artıran veya insanların kolayca yapamayacağı işleri güvenilir biçimde gerçekleştiren robotlara ödeme yapacağını tek başına kanıtlamaz.

Asıl darboğaz veri hacmi değil, birleşme noktası

Pekin’deki konferans, Çin’in bedenlenmiş zekâyı şimdiden çözdüğünü göstermedi. Daha temkinli ve önemli bir tablo ortaya koydu: Sektör, olası bir çözüm için gereken parçaları olağanüstü bir ölçekte bir araya getiriyor.

1. Geniş veri: İnsan gösterimleri ve farklı ortamlardan toplanan kayıtlar.
2. Fizikle temellendirilmiş veri: Uzaktan işletim, robot sensörleri ve gerçek üretim görevlerinden gelen bilgiler.
3. Birlikte çalışabilir altyapı: Kayıtların farklı robot gövdeleri ve yazılım yığınları arasında taşınabilmesi.
4. Ölçeklenebilen ve aktarılabilen modeller: Gösterimleri yalnızca ezberlemek yerine farklı görevlere uyum sağlayan sistemler.
5. Gerçek kullanım geri bildirimi: Hataları, toparlanma davranışlarını ve insan müdahalesini kaydeden sürekli bir döngü.
6. Ticari gelir: Veri toplamayı süresiz biçimde sübvansiyonlara bağlı kalmadan finanse edebilecek gelir.

Lightwheel’ın önerdiği ekosistem de bu tür bir döngüye işaret ediyor: açık veri standartları, değerlendirme odaklı veri toplama ve veri ile model tasarımının birlikte yürütülmesi. 1

En önemli sonuç bu nedenle “Çin robot beynini yaptı” değil. Çin, böyle bir beynin mümkün hale gelmesini sağlayacak fabrikaları, ölçüm araçlarını ve veri setlerini kuruyor. Bu altyapının geniş ölçekte işe yarayan insansı robotlara dönüşüp dönüşmeyeceği ise veri kalitesine, fiziksel gerçekliğe sadakate, donanımlar arası uyumluluğa ve robotların gösteri alanları ile araştırma laboratuvarlarının dışında kalıcı değer ürettiğine dair kanıtlara bağlı olacak.