**„Menschliche“ Roboter treten in die Phase der Produktivitätsprüfung ein – Wie weit sind wir noch von ChatGPT entfernt?**

Zusammenfassung der Kerninhalte

In diesem Jahr haben sich zwei entscheidende Veränderungen in der Branche der humanoiden Roboter ereignet: Erstens gab es einen explosionsartigen Anstieg der Auslieferzahlen (mehr als 40.000 Einheiten in China im ersten Halbjahr, was 97 % der weltweiten Gesamtmenge ausmacht), doch es ist noch weit von einer großflächigen Kommerzialisierung entfernt. Zweitens hat sich der Fokus der Branche von „Showtechnik“ (Laufen, Springen, Tennis spielen) auf die „Praktikabilität“ verlagert; es geht nicht mehr um sportliche Leistung, sondern darum, in unbekannten Umgebungen effizient Aufgaben erledigen zu können. Gleichzeitig arbeiten die Fachleute an der Definition von Standards für das „Zeitalter des körperlichen Intelligenzes“ (ChatGPT), bei dem Roboter 80 % der Aufgaben ohne weitere Anweisungen selbstständig ausführen können. Sie sehen in der Generalisierungsfähigkeit und der Datensammlung die größten Herausforderungen und vermuten, dass sich das Geschäftsmodell von der Verkauf von Robotern auf den Verkauf ihrer Produktivität ändern wird.

1. Von „Muskelzeigen“ zu „Arbeiten“: Der praktische Wandel in der Roboterbranche

In den letzten Jahren haben humanoide Roboter immer wieder „schwierige Bewegungen“ vorgeführt – beispielsweise lief der neue YuTree-Roboter mit einer Geschwindigkeit von 12,65 Metern pro Sekunde (über der menschlichen Höchstgeschwindigkeit) oder spielte der Galaxy General Robot Tennis. Doch diese „coolen“ Aktionen sind weit entfernt von realen Anwendungen: Fabriken benötigen Roboter zur Montage von Teilen, Haushalte brauchen Hilfe beim Aufräumen und Lagerhäuser benötigen die Sortierung und Verpackung von Waren.

In diesem Jahr konzentriert sich die Branche auf praktische Aufgaben – beispielsweise zeigt YuTree, wie Roboter einen Konferenzraum aufräumen (7–8 verschiedene Aufgaben nacheinander, auch unter Störungen); der von StarSeaMap und JD.com entwickelte Vorlager-Roboter erledigt mehr als 100 Bestellungen pro Tag ohne menschliches Eingreifen. Diese Aufgaben mögen nicht besonders „cool“ erscheinen, aber Wang Xingxing betont ihre praktische Bedeutung: „Sie sind relativ einfach umzusetzen und stellen einen wichtigen Schritt in die Integration von Robotern ins tägliche Leben dar.“

2. Was fehlt noch für eine großflächige Anwendung bei den Auslieferzahlen von 40.000 Einheiten?

Die Zahl von 40.000 ausgelieferten Robotern klingt viel, doch die meisten sind nur in kleinen Mengen getestet worden und wurden nicht flächendeckend vermarktet. Es gibt drei Hauptgründe dafür:

1. Niedrigere Effizienz: Roboter benötigen beispielsweise 2 Minuten, um ein T-Shirt zu falten – das ist nur etwa 70–80 % der menschlichen Geschwindigkeit. Auch in Fabriken sind sie bei der Montage einfacher Teile langsamer als Menschen.

2. Mangelnde Generalisierungsfähigkeit: Es kostet viel Zeit und Ressourcen, Roboter neue Aufgaben beizubringen; die Erfolgsrate sinkt, wenn sich die Umgebung ändert (z. B. wenn die Position der Gegenstände wechselt).

3. Nicht ausreichende Genauigkeit: Bei präzisen Aufgaben (z. B. dem Greifen von Objekten) sind Roboter noch nicht ausreichend genau – dies muss durch weiteres Lernen verbessert werden.

Diese Probleme führen dazu, dass Roboter nur in festen Umgebungen eingesetzt werden können und nicht auf komplexere Anwendungen übertragen werden können.

3. Das Geschäftsmodell ändert sich: Von „Verkauf von Robotern“ zu „Verkauf ihrer Produktivität“

Früher verdienten Roboterhersteller ihr Geld mit dem Verkauf der Geräte selbst (Gewinnmargen zwischen 40–60 %). Heute konzentrieren sie sich darauf, die Leistung der Roboter zu verkaufen:

• Phase 1: Verkauf der Robotergeräte.
• Phase 2: Abonnementmodelle (zukünftig): Bezahlung basierend auf der Anzahl der von den Robotern erledigten Aufgaben (Gewinnmargen etwa 20 %).
• Phase 3: „Physische Tokens“: Die Roboter werden nach dem Wert ihrer Leistung bezahlt – beispielsweise pro verpackter Bestellung. Der Fokus verlagert sich von der Hardware auf die intelligenten Funktionen.

StarSeaMap liefert bereits Aufträge für tausende Roboter und könnte nächstes Jahr die Marke von 10.000 Einheiten erreichen. In Zukunft wird es nicht mehr darum gehen, wie viele Roboter verkauft werden, sondern um deren Produktivität, die Effizienz der Schulungen sowie die Erfolgsraten.

4. Wie weit ist das „Zeitalter von ChatGPT“ entfernt? Standards und Herausforderungen

Letztes Jahr fragte man sich, wann das Zeitalter des körperlichen Intelligenzes mit ChatGPT kommen würde. In diesem Jahr haben die Fachleute konkrete Standards definiert:

• Wang Xingxing (YuTree): Wenn Roboter in unbekannten Umgebungen 80 % der Aufgaben ohne Anweisung selbstständig erledigen können, ist der Durchbruch erreicht – das könnte in 2–3 Jahren oder erst in 5–10 Jahren der Fall sein.
• Wang He (Galaxy General): Die aktuellen körperlichen Modelle sind etwa auf dem Niveau von GPT2; um das Ziel zu erreichen, müssen die Roboter bei alltäglichen Aufgaben eine Erfolgsrate von 70–80 % erreichen und Menschen sollen in der Lage sein, sie schnell für spezifische Zwecke einzusetzen. Das Unternehmen strebt dies für 2028 an.

Hauptprobleme:

• Mangelnde Generalisierungsfähigkeit: Roboter sind nur in festen Umgebungen zuverlässig; bei Veränderungen scheitern sie.
• Zu wenig Daten: Für das Training benötigen Roboter Millionen von Stunden an Daten – aktuell liegen die Datenmengen jedoch noch bei nur hunderttausend Stunden.
• Unstimmigkeit zwischen AI und Robotern: Obwohl Roboter wissen, was sie tun sollen, fehlen oft letzte Millimeter der Genauigkeit (sehliche oder taktile Probleme), was zu Fehlern führt.

5. Der Wettbewerb konzentriert sich auf Daten und Modelle

Früher konkurrierten Roboterhersteller um die Leistung ihrer Hardware (Geschwindigkeit, Flexibilität der Gelenke). Heute geht es um Software und Daten:

• YuTree entwickelt selbstlernende AI-Systeme: Große Modelle erzeugen automatisch Steuerungscode, der durch Simulationen und Tests weiter verbessert wird.
• Alle Unternehmen kämpfen um Daten – schließlich sind diese die Grundlage für das Training der Roboter. Wer über mehr reale Daten verfügt, hat bessere Chancen, die Generalisierungsfähigkeit zu steigern.

Kurz gesagt: Der Schlüssel dazu, dass Roboter von „Laborvorführungen“ zu echter Produktivität werden, liegt darin, in einer sich ständig ändernden Welt stabil und zuverlässig arbeiten zu können. Das ist der eigentliche Meilenstein für die Branche.

Diese Nachricht zeigt: Die Roboterbranche befindet sich auf dem Weg von einer Ära des „Showtechniks“ hin zu einer Ära der praktischen Anwendungen. In den nächsten Jahren wird es darum gehen, herauszufinden, wer zuerst Roboter als zuverlässige Arbeitskräfte etablieren kann.