Ein chinesisches Robotik-Startup will das „Rezept" für allgemeine Roboter-Intelligenz entwickeln

Wichtigste Punkte

• X Square Robot, ein chinesisches Embodied-AI-Unternehmen, gibt seinen kompletten Robotik-KI-Stack 2025 als Open-Source-Software frei.
• Das Unternehmen behauptet, dass seine Datenerfassungsmethode eine Leistung erreicht, die mit vollständigen Roboter-Datensätzen vergleichbar ist, jedoch bei etwa 20-fach niedrigeren Kosten.
• Sein Weltmodell WALL-WM organisiert Roboterverhalten um benannte Aktionen wie „greifen" oder „fassen", nicht um feste Zeitfenster.
• Sein Aktionsmodell Wall-OSS-0.5 soll auf einem echten Roboter funktionieren, bevor es taskspezifisch angepasst wird – was in diesem Bereich selten ist.
• Alle bisherigen Hauptergebnisse stammen aus den eigenen Benchmarks des Unternehmens, daher hat unabhängige Tests noch nicht bestätigt.

Lehrt man ein KI-System genug Text, entsteht etwas Nützliches. Diese Erkenntnis, Vortraining auf breiten Daten genannt, machte große Sprachmodelle – die Technologie hinter Chatbots wie ChatGPT – zu universellen Werkzeugen, die täglich Millionen Menschen nutzen.

Die Robotik hat keinen ähnlich einfachen Weg. Ein Roboter, der Wäsche faltet, kann diese Fähigkeit nicht einfach auf das Einräumen einer Spülmaschine übertragen. Die Systeme, die in den meisten heutigen Robotern laufen, bestehen aus separaten Spezialkomponenten, die sich nicht zu etwas Allgemeinem zusammensetzen.

X Square Robot, ein chinesisches Unternehmen, das sich auf das konzentriert, was Forscher als Embodied AI bezeichnen (KI, die in einem physischen Körper lebt und in der realen Welt handeln muss), glaubt, das Rezept gefunden zu haben. Und ungewöhnlich für ein chinesisches KI-Startup gibt es den Kern davon für jeden frei zugänglich und überprüfbar.

Die Wette des Unternehmens basiert auf drei zusammenwirkenden Schichten: wie Roboter Lernendaten erfassen, ein Weltmodell, das vorhersagt, was als Nächstes in der physischen Welt geschieht, und ein Aktionsmodell, das Wahrnehmung und Reasoning in tatsächliche Bewegung umsetzt.

Was unterscheidet dies von anderen Robotik-KI-Projekten?

Das Besonderste ist, wie X Square Robot mit Daten umgeht – den Beispielen, aus denen ein Roboter lernt. Roboterdemonstration aufzunehmen ist teuer, da man einen echten Roboter, einen trainierten Bediener und Stunden sorgfältiger Überwachung braucht. X Square Robot baute ein tragbares System mit zwei Greifern, das eine Person an den Händen trägt. Kein Roboter erforderlich. Das senkt die Erfassungskosten erheblich.

Aber günstige Daten sind wertlos, wenn sie fehlerhaft sind. Das Unternehmen fügt eine Qualitätskontrolle hinzu, die wirklich ungewöhnlich ist: Eine Stichprobe der aufgezeichneten Bewegungen wird auf einem echten Roboter physisch wiedergegeben, und nur Bewegungen, die die Aufgabe abschließen, gelten als gültig. Ein Greifer, der sich eine Zehntelsekunde zu früh schließt, könnte in der Aufzeichnung wie eine erfolgreiche Bewegung aussehen, aber der Roboter hat das Objekt tatsächlich weggestoßen. Diese Trajektorie wird verworfen.

Das Unternehmen berichtet, dass die Kombination dieser günstigeren Demonstrationsdaten mit einer kleinen Menge echter Roboterdaten eine Leistung erreicht, die mit vollständig auf Robotern erfassten Datensätzen vergleichbar ist – bei etwa einem Zwanzigstel der Kosten. Das ist eine bemerkenswerte Aussage. Der Vorbehalt, wie IEEE Spectrum AI in seiner Berichterstattung vermerkte, ist, dass diese Zahlen von X Square Robots eigenen Robotern und Tests stammen. Unabhängige Forscher haben dies noch nicht bestätigt.

Das Weltmodell, WALL-WM genannt, verfolgt einen anderen Ansatz zur Zeit. Die meisten Robotik-KI-Systeme teilen Bewegungen in Abschnitte gleicher Länge auf, wie wenn ein Film in Bilder gleicher Länge geschnitten wird. WALL-WM organisiert Verhalten stattdessen um aussagekräftige Ereignisse: greifen, fassen, ablegen. Jedes Ereignis endet, wenn die Aktion abgeschlossen ist, nicht wenn ein Zeitschrittfenster abläuft. Die Idee ist, dass Grenzen dem entsprechen sollten, was tatsächlich passiert, nicht dem, was rechentechnisch praktisch ist.

Das Aktionsmodell Wall-OSS-0.5 ist ein Vision-Language-Action-Modell (Software, die Kamerabilder liest, Sprachanweisungen versteht und physische Bewegung erzeugt). Die erklärte Anforderung des Unternehmens ist, dass das Modell etwas Nützliches auf einem echten Roboter leisten muss, bevor jemand es für eine spezifische Aufgabe weiter trainiert. Allgemeine vortrainierte Fähigkeit zuerst, Spezialisierung danach. Diese Reihenfolge ist das Ziel des gesamten Projekts.

Für normale Menschen ändert sich heute nichts. Universelle Haushaltsroboter sind noch Jahre entfernt. Aber wenn unabhängige Forscher diese Ergebnisse reproduzieren und erweitern können, könnte die Open-Source-Freigabe das Feld auf Weise vorantreiben, die ein geschlossenes, proprietäres System nicht kann.