Dämpft der Chef von Yushu (einem Technologieunternehmen) die Euphorie? Wie lange dauert es noch bis zum „ChatGPT-Moment“ der verkörperten Intelligenz?

Ein zunehmender Trend ist, dass die Branche der verkörperten Intelligenz den bisher weit entfernten Zeitrahmen für „Allzweckroboter“ in einen einzigen Technologiezyklus der Zukunft komprimiert.

In einer Zeit, in der humanoide Roboter so beliebt sind wie nie zuvor, scheint der Chef des Unternehmens, das als erstes humanoide Roboteraktien auf dem A-Aktienmarkt notiert ist, der Branche einen Dämpfer verpasst zu haben.

Am 20. August räumte Wang Xingxing, Gründer von Unitree Robotics, auf der Weltroboterkonferenz 2026 in seiner ersten öffentlichen Rede nach dem Börsengang des Unternehmens ein, dass der Zeitpunkt für ChatGPT, verkörperte Intelligenz, noch nicht gekommen sei. Es könne frühestens in zwei bis drei Jahren oder erst in fünf bis zehn Jahren so weit sein.

In den letzten zwei Jahren haben sich humanoide Roboter zum angesagtesten Technik-„Modeartikel“ entwickelt. Diese futuristischen Roboter sind immer häufiger auf den Bühnen großer Galas, auf Messen von Spielefirmen und sogar an den Eingängen von Einkaufszentren und Einzelhandelsgeschäften zu sehen. Sie tanzen, laufen und winken – mal geschickt, mal etwas ungelenk –, interagieren mit dem Publikum, schütteln Hände und haben so rasant den Sprung vom Labor in die Öffentlichkeit geschafft.

Doch hinter den turbulenten Vorführungen liegen die tatsächlichen Fähigkeiten dieser Roboter weit unter den Vorstellungen der Öffentlichkeit von „Robotern der Zukunft“. Zumindest nach gängigen Erwartungen sollten Roboter nicht nur auf der Bühne auftreten oder Marketingzwecken dienen, sondern tatsächlich in Fabriken und Haushalten eingesetzt werden, um zu bewegen, zu organisieren, Werkzeuge zu bedienen oder Hausarbeiten und Pflegeaufgaben zu übernehmen. Die Frage der Öffentlichkeit bleibt konkret und direkt: Wann werden Roboter wirklich arbeiten können?

Im Bereich der großen Sprachmodelle lieferte ChatGPT eine höchst symbolträchtige Antwort. Obwohl es nicht das erste Sprachmodell war, ermöglichte es als erstes einer großen Anzahl von Nutzern intuitiv zu erkennen, dass KI eine bestimmte Leistungsschwelle überschritten hatte. Wann ein ähnlicher Moment im Bereich der verkörperten Intelligenz eintreten wird, zählt zunehmend zu den drängendsten Fragen der Robotikbranche.

Der Schlüssel dazu, dass Roboter in jeden Haushalt Einzug halten, liegt in ihrer Generalisierungsfähigkeit.

Auf der Weltroboterkonferenz am 20. August wies Wang Xingxing, Gründer von Unitree Robotics, auf ein Problem hin, das in der Branche immer wieder als größtes Hindernis für verkörperte Intelligenz diskutiert wird.

Seiner Ansicht nach können viele Robotermodelle in festgelegten Szenarien eine nahezu hundertprozentige Erfolgsquote erreichen, vorausgesetzt, sie verfügen über ausreichend Datenerfassung und Training. Die Erfolgsquote kann jedoch deutlich sinken, wenn sich das zu manipulierende Objekt ändert oder die Umgebung geringfügig verändert wird.

Dies ist auch die wichtigste Hürde, bevor Roboter wirklich in unser Leben und unsere Häuser Einzug halten können.

Wang Xingxing nannte ein recht konkretes Kriterium: Wenn ein Roboter eines Tages in ein völlig fremdes Zuhause oder eine fremde Umgebung gebracht werden kann und etwa 80 % der Aufgaben allein mit Sprachbefehlen erledigen kann, dann hat die verkörperte Intelligenz ihren „ChatGPT-Moment“ erreicht. Zeitlich gesehen glaubt er, dass dies im besten Fall in 2 bis 3 Jahren und im schlimmsten Fall in 5 bis 10 Jahren geschehen könnte.

Wang Xingxing betonte insbesondere, dass die eigentliche Schwierigkeit nicht darin bestehe, dem Roboter „generell beizubringen, was er zu tun hat“, sondern in den letzten Zentimetern oder sogar Millimetern.

Wenn man beispielsweise einen Roboter anweist, einen Gegenstand aufzuheben, kann das Modell die gesamte Aktion korrekt geplant haben, und der Roboterarm kann sich in die Nähe des Gegenstands bewegt haben. Werden jedoch der letzte Positionsfehler, das taktile Feedback oder die Greifkraft nicht korrekt korrigiert, kann die gesamte Aufgabe fehlschlagen.

Hierin liegen auch die größten Unterschiede zwischen Robotern und großen Sprachmodellen.

Die Ein- und Ausgabe eines Sprachmodells erfolgt stets im digitalen Raum, während jede Wahrnehmung und Handlung eines Roboters mit der realen, physischen Welt interagieren muss. Sensoren weisen Rauschen auf, Aktoren Fehler, und Position, Material und Gewicht von Objekten verändern sich ständig; diese Fehler akkumulieren sich bei der Ausführung von Aufgaben. Daher kann es für verkörperte Intelligenz schwieriger sein, von der grundlegenden Fähigkeit, etwas zu tun, zur konsistenten, korrekten Ausführung einer Aufgabe überzugehen, als diese Aufgabe anfänglich zu erlernen.

Fast zeitgleich mit Wang Xingxings oben genannter Einschätzung nannte auch Wang He, Gründer und CTO von Galaxy General, ein konkreteres Jahr. Er erklärte, dass die verkörperte Intelligenz mit der kontinuierlichen Datenakkumulation und weiteren technologischen Durchbrüchen voraussichtlich im Jahr 2028 ihren „ChatGPT-Moment“ erreichen wird. Diesen Meilenstein definiert er wie folgt: Roboter sollen in der Lage sein, etwa 70 bis 80 % der alltäglichen Aufgaben ohne spezifisches Training für eine bestimmte Aufgabe zu erledigen.

Ihre Einschätzungen liegen tatsächlich sehr nah beieinander. Wang Xingxing konzentriert sich auf die Erfolgsquote des Roboters beim Betreten einer unbekannten Umgebung, während Wang He die direkte Generalisierungsfähigkeit des Basismodells ohne spezifisches Training untersucht. Beide setzen jedoch die kritische Grenze bei einer Erfolgsquote von etwa 70 bis 80 % für unbekannte Aufgaben an.

Das bedeutet auch, dass der vielbesprochene „ChatGPT-Moment“ weder die Mobilität heutiger humanoider Roboter noch die 99%ige Erfolgsquote einer gut trainierten, stationären Demo ist. Der wirkliche Wandel dürfte erst eintreten, wenn Roboter sich von ihrer Abhängigkeit von festen Szenen, Objekten und spezialisiertem Training lösen.

Wann werden Roboter es wirklich "kapieren"? Die allgemeine Meinung ist, dass dies in 2 bis 5 Jahren der Fall sein wird.

Erst vor einem Monat wurde auf der Weltkonferenz für Künstliche Intelligenz 2026 (WAIC) in einer Podiumsdiskussion dieselbe Frage an sechs führende Unternehmer und Forscher auf dem Gebiet der verkörperten Intelligenz gestellt.

Am 19. Juli stellte der Moderator des von Zhiyuan Robotics und Mifeng Technology veranstalteten „Intelligent Embodied Forum“ den sechs Gästen während der abschließenden Podiumsdiskussion eine sehr direkte Frage: Wie viele Jahre dauert es noch bis zum ChatGPT-Moment für Roboter?

Die Ergebnisse waren überraschend einheitlich. Yao Maoqing, Partner von Zhiyuan Robotics und Vorsitzender und CEO von Mifeng Technology, nannte eine Zeitspanne von zwei Jahren; Tony Zhao, Mitgründer und CEO von Sunday Robotics, ging von drei Jahren aus; Zhang Zhengyou, leitender Wissenschaftler von Tencent und Direktor des Robotics X Lab, nannte drei bis fünf Jahre; Ma Yecheng, Mitgründer und leitender Wissenschaftler von Dyna Robotics, schätzte die Dauer auf etwa vier Jahre; Ren Zhiyi, Wissenschaftler bei Physical Intelligence, bezifferte sie auf vier bis fünf Jahre; und Xu Danfei, Professor am Georgia Institute of Technology, nannte eine Zeitspanne von fünf Jahren.

Die sechs Personen kamen aus völlig unterschiedlichen Unternehmen und Forschungseinrichtungen, und auch ihre technischen Ansätze unterschieden sich, aber ihre abschließenden Antworten konzentrierten sich alle auf die nächsten zwei bis fünf Jahre.

Unter ihnen ist Yao Maoqing der optimistischste. Seine Einschätzung basiert hauptsächlich auf dem wachsenden Datenvolumen. Seiner Ansicht nach lassen sich die Schlüsselfaktoren, die die Weiterentwicklung von KI im Alltag derzeit einschränken, in drei Kategorien zusammenfassen: „Daten, Repräsentation und geschlossene Regelkreise“. Verglichen mit den riesigen Mengen an Texten und Bildern, die im Internet kostengünstig verfügbar sind, sind Daten zur Interaktion von Robotern in der realen Welt nicht nur teuer, sondern auch durch die Unterschiede zwischen den Robotern selbst, den Aufgaben und den jeweiligen Szenarien begrenzt.

Ein wirklich einsatzbereiter Roboter muss offene, natürlichsprachliche Befehle verstehen und bei gängigen Aufgaben eine Erfolgsquote von etwa 70 bis 80 % erreichen. Um dies zu erreichen, benötigt verkörperte Intelligenz Daten in einem Umfang, der die heutigen Standards weit übersteigt. Er vermutete sogar, dass zukünftig Daten im Umfang von Hunderten Millionen Stunden erforderlich sein könnten.

Mit anderen Worten, im Beurteilungsrahmen von Yao Maoqing ist der "ChatGPT-Moment" im Wesentlichen ein Skalierungsproblem: Wenn reale Daten, Simulationsdaten, Internetvideos, Daten aus der Ich-Perspektive und Daten, die nach dem Einsatz des Roboters zurückfließen, allmählich einen gewissen Umfang erreichen, können auch die Fähigkeiten des Modells den kritischen Punkt überschreiten.

Zhao Zihao von Sunday Robotics hingegen hat sich einen Zeitrahmen von weniger als drei Jahren gesetzt. Anstatt einfach nur immer komplexere Roboterkörper zu entwickeln, interessiert ihn vor allem, wann das „Gehirn“ des Roboters wirklich ausgereift sein wird. Sunday Robotics konzentriert sich seit Langem auf Haushaltsroboter und Basismodelle. Die Überlegung dahinter ist, dass ein ausreichend leistungsfähiges Basismodell, das komplexe Umgebungen und Aufgaben versteht, selbst mit relativ einfachen und kostengünstigen Greifern, bereits jetzt eine Vielzahl praktischer Probleme lösen kann.

Zhang Zhengyous Haltung war deutlich vorsichtiger. Er nannte eine Zeitspanne von drei bis fünf Jahren, betonte aber, dass dies nicht bedeute, die Branche müsse einfach auf das plötzliche Auftauchen eines größeren Modells warten. Eine wichtige Voraussetzung für die schnelle Skalierung großer Sprachmodelle sei, dass sich der Transformer schrittweise zu einer einheitlicheren Architektur entwickelt habe. Im Bereich der künstlichen Intelligenz habe sich jedoch noch kein solch klares technologisches Paradigma herausgebildet.

Von komplexen kognitiven Prozessen, visueller Wahrnehmung und Aufgabenplanung bis hin zu Echtzeit-Bewegungssteuerung, Körperrückmeldung und Sicherheitsreaktionen muss ein Roboter Probleme auf verschiedenen Zeitebenen gleichzeitig bewältigen. Echte Durchbrüche erfordern daher Fortschritte in der Datenerfassung, Simulation, im praktischen Einsatz, in der Fehlerbehebung sowie in der simultanen Entwicklung von Hardware und Modellen, anstatt lediglich das Skalierungsgesetz großer Sprachmodelle zu replizieren. Aus diesem Grund betonte Zhang Zhengyou in seiner Bewertung ausdrücklich, dass die Branche weiterhin „fleißig und praxisorientiert arbeiten“ müsse.

Ma Yecheng von Dyna Robotics schätzt den Zeitrahmen auf etwa vier Jahre. Seine Einschätzung basiert größtenteils auf der kommerziellen Anwendung. Für eine Labordemonstration mag eine Erfolgsquote von 80 oder 90 % ausreichen, um die Effektivität der Technologie zu beweisen; für ein Unternehmen, das tatsächlich Roboter kauft, ist eine solche Zuverlässigkeit jedoch oft bei Weitem nicht ausreichend. Daher bedeutet der „ChatGPT-Moment“ der verkörperten Intelligenz nicht nur, dass der Roboter mehr Aufgaben verstehen kann, sondern auch, dass er weiter verbessert werden muss, um ein für reale kommerzielle Umgebungen akzeptables Zuverlässigkeitsniveau zu erreichen.

Ren Zhiyi von Physical Intelligence nannte einen Zeitrahmen von vier bis fünf Jahren. Er erklärte, dass er vor seinem Eintritt bei Physical Intelligence einst davon ausgegangen sei, dass dieser Prozess zehn Jahre dauern könnte, aber mit der Entwicklung grundlegender Robotermodelle im vergangenen Jahr hätten sich seine Erwartungen deutlich verkürzt.

Physical Intelligence zählt zu den führenden Unternehmen im Bereich des „Bot Foundation Model“-Ansatzes. Ziel ist es, ein und dasselbe Modell durch ontologie- und aufgabenübergreifendes Datentraining schrittweise um breitere operative Fähigkeiten zu erweitern. Entscheidend ist dabei, ob sich die Fähigkeiten des Roboters kontinuierlich mit dem Wachstum des Modells und des Datenumfangs entwickeln und letztendlich einen ähnlichen Effekt wie Zero-Shot-Transfer-Learning bei großen Sprachmodellen erzielen lassen.

Professor Xu Danfei vom Georgia Institute of Technology gab die konservativste Antwort, doch selbst diese basierte nur auf fünf Jahren. Anstatt auf einen bestimmten Modellansatz zu setzen, konzentrierte er sich vielmehr auf drei grundlegendere Kennzahlen: ob das Modell tatsächlich aus den Daten lernen kann, ob die erlernten Fähigkeiten auf neue Umgebungen und Aufgaben generalisiert werden können und ob die Inferenzgeschwindigkeit den Echtzeit-Betriebsanforderungen des Roboters in der realen Welt gerecht wird.

Wenn wir Wang Xingxings Aussage „höchstens 2 bis 3 Jahre“, Wang Hes Aussage „2028“ und die Antworten der sechs Gäste auf der WAIC zusammenführen, zeichnet sich ein immer deutlicher werdendes Phänomen ab: Die Industrie der verkörperten Intelligenz komprimiert den zuvor weit entfernten Zeitrahmen der „allgemeinen Roboter“ zu einem zukünftigen Technologiezyklus.

Handelt es sich um einen eindeutigen historischen Meilenstein oder um einen allmählichen Prozess?

Obwohl diese Unternehmer und Forscher in ihren Vorhersagen zum Zeitpunkt immer näher zusammenkommen, verwenden sie nicht tatsächlich die gleichen Maßstäbe, um über den „ChatGPT-Moment“ zu diskutieren.

Wang He konzentriert sich auf den Quantensprung in den Fähigkeiten des Basismodells selbst. Seiner Definition zufolge erreicht verkörperte Intelligenz einen kritischen Punkt, ähnlich wie bei ChatGPT, wenn ein Roboter nicht mehr für jede neue Aufgabe neu trainiert werden muss und 70 bis 80 % der alltäglichen Aufgaben allein mit dem Basismodell erledigen kann. Dieser Standard misst primär, ob das Modell von „spezialisierter Intelligenz“ für spezifische Aufgaben zu allgemeiner Intelligenz mit hoher Übertragbarkeit gelangen kann.

Wang Xingxings Standard entspricht eher der Leistung von Robotern in der realen Welt. Er betrachtet eine Aufgabenerfüllungsrate von etwa 80 % ebenfalls als wichtige Schwelle, betont aber, ob der Roboter die meisten Aufgaben allein durch Sprachbefehle in einer unbekannten Umgebung bewältigen kann. Seiner Ansicht nach erreichen viele Roboter heutzutage in gut trainierten, statischen Umgebungen eine hohe Erfolgsquote. Die eigentliche Herausforderung besteht darin, ob das Modell auch nach Veränderungen der Umgebung, der Objekte oder der Aufgaben weiterhin funktioniert.

Diese beiden Definitionen scheinen ähnlich, konzentrieren sich aber tatsächlich auf unterschiedliche Ebenen. Selbst wenn ein Modell gute Zero-Shot- oder Cross-Task-Fähigkeiten aufweist, bedeutet das nicht, dass ein damit ausgestatteter Roboter zu einem zuverlässigen Produktionswerkzeug geworden ist. Wang Xingxing erwähnte auf der WRC, dass Unitree bereits Roboter in Automobilwerken und eigenen Fabriken einsetzt, die einige einfache Montageaufgaben übernehmen können, ein großflächiger Einsatz jedoch noch nicht möglich ist. Ein wichtiger Grund dafür ist, dass die Effizienz von Robotern noch geringer ist als die von Menschen und sie häufig für neue Aufgaben neu trainiert werden müssen.

Xinghaitu-CEO Gao Jiyang bot eine interessante, zweigeteilte Einschätzung zu diesem Thema. Im Branchenfahrplan, der auf der diesjährigen WRC vorgestellt wurde, bezeichnete Xinghaitu das Jahr 2027 explizit als den technologischen Wendepunkt, den die Skalierungsgesetze für die grundlegenden Modellfähigkeiten mit sich bringen. Nach dem Überschreiten des kritischen Punktes durch die Skalierungsgesetze würden sich die Anwendungsszenarien vertikal beschleunigen. Der eigentliche Wendepunkt der Kommerzialisierung liegt jedoch im Jahr 2028, gefolgt von einer tiefgreifenden Marktdurchdringung im Jahr 2029 und einem breiten Einsatz im Jahr 2030.

Als Gao Jiyang jedoch die Frage erörterte, ob verkörperte Intelligenz einen historischen Moment wie ChatGPT wiederholen würde, erklärte er ausdrücklich, dass er „die Wahrscheinlichkeit dafür als hoch einschätzt, dass ein solcher Moment nicht eintreten wird“. Der Grund dafür sei, dass verkörperte Intelligenz nicht durch ein für alle zugängliches Softwareprodukt sofort populär werden könne, sondern vielmehr in B2B-Szenarien ihren Anfang nehme und sich schrittweise Branche für Branche und Aufgabe für Aufgabe entfalte.

Technologische Durchbrüche und sofortige öffentliche Aufmerksamkeit treten unwahrscheinlich gleichzeitig auf. Denn das explosive Wachstum der GPT (Global Productivity Technology) beruht darauf, dass jeder sie mithilfe eines Mobiltelefons oder Computers selbst erleben kann, während verkörperte Intelligenz zunächst in Produktionsumgebungen wie Fabriken und Lagerhallen Anwendung findet, was es der breiten Öffentlichkeit erschwert, sie direkt wahrzunehmen. Daher werden sich Wendepunkte in der Industrie allmählich und subtil entwickeln und allgegenwärtig sein, bevor sie den Menschen plötzlich bewusst werden.

Diese beiden Aussagen widersprechen sich nicht völlig. Gao Jiyang unterscheidet nämlich zwischen dem technologischen Wendepunkt der Modellfähigkeiten und dem gesellschaftlichen Wendepunkt der industriellen Verbreitung: Ersterer kann in einem bestimmten Jahr relativ deutlich sichtbar werden, während letzterer die Überprüfung von Szenarien, die Produktion in großem Maßstab, die Kostenreduzierung und die Reife des Geschäftsmodells erfordert, um sich schrittweise in der realen Welt zu etablieren.

Dies ist auch einer der bedeutendsten Unterschiede zwischen Robotern und großen Sprachmodellen. Nach der Veröffentlichung von ChatGPT im November 2022 konnten die Verbesserungen der Modellfunktionen nahezu zeitgleich an Nutzer weltweit kommuniziert werden. Bei einem Softwareprodukt sind die Kosten für die Gewinnung neuer Nutzer relativ gering, sofern Server und Rechenleistung ausreichen. Nutzer können den Leistungssprung des Modells unmittelbar wahrnehmen, indem sie einfach eine Webseite öffnen und eine Frage eingeben. Daher fanden technologische Durchbrüche, Produkteinführungen und die breite Nutzerakzeptanz bei ChatGPT nahezu zeitgleich statt.

Roboter müssen jedoch durch einen realen Körper in die physische Welt eintreten. Selbst wenn ein Basismodell morgen plötzlich deutlich stärkere Generalisierungsfähigkeiten erlangt, müssen diese Fähigkeiten immer noch mithilfe von Chips, Sensoren, Gelenken, geschickten Händen und Aktuatoren in reale Bewegungen umgesetzt werden, wobei gleichzeitig eine Reihe von technischen Herausforderungen wie Genauigkeit, Stabilität, Sicherheit, Lebensdauer, Wartung und Kosten bewältigt werden müssen.

Daher dürfte es für verkörperte Intelligenz letztlich schwierig sein, einen eindeutigen historischen Meilenstein wie den 30. November 2022 zu wiederholen. Wahrscheinlicher ist, dass sie sich in Form einer Reihe allmählich auftretender Wendepunkte manifestiert. Selbst wenn man später zurückblickt, um den „ChatGPT-Moment der verkörperten Intelligenz“ zu bestätigen, wird man möglicherweise keinen einzigen Punkt finden, über den alle Einigkeit herrscht.