Wang Xingxings vollständige Rede auf dem Weltrobotik-Kongress 2026: Embodiment-Intelligenz von ChatGPT wird in zwei bis drei Jahren am schnellsten eintreffen

Nach dem Börsengang von Yushu Technology hielt der Gründer Wang Xingxing am zweiten Tag des Weltrobotik-Kongresses 2026 eine Hauptrede mit dem Titel "Von Ausstellungsstücken zu Produkten: Das nächste Jahrzehnt der humanoiden Robotikindustrie". Er glaubt, dass die Robotikindustrie an einem neuen Ausgangspunkt für die beschleunigte Entwicklung der künstlichen Intelligenz steht, während die größte Entwicklungsbeschränkung in diesem Bereich derzeit die unzureichende Generalisierungsfähigkeit der Embodiment-Intelligenz ist.

"Aus der Sicht des Entwicklungszyklus wird es schnell in zwei bis drei Jahren, langsam in fünf bis zehn Jahren, und die Branche könnte einen entscheidenden Durchbruch erleben." Wang Xingxing gab eine relativ optimistische Einschätzung ab, wann die Embodiment-Intelligenz einen kritischen Punkt ähnlich wie ChatGPT erreichen könnte.

Wenn es darum geht, wann allgemeine Roboter wirklich in Haushalte einziehen werden, glaubt Wang Xingxing, dass die größte Einschränkung weltweit immer noch die unzureichende Generalisierungsfähigkeit ist. "Wenn eines Tages jeder sehen kann, dass ein Roboter in eine beliebige unbekannte Umgebung gebracht wird und er etwa 80 % der Aufgaben erfüllen kann, dann denke ich, dass wir fast den Moment der Embodiment-Intelligenz von ChatGPT erreicht haben."

Im Folgenden sind die Inhalte der Rede, die von PANews zusammengestellt wurden:

Rückblick auf zehn Jahre Yushu: Von vierbeinigen Robotern zu humanoiden Robotern

Sehr geehrte Damen und Herren, liebe Gäste, hallo zusammen. Es ist mir eine große Ehre, hier zu sein und zu teilen. Lassen Sie mich zunächst einen kurzen Rückblick auf die Situation des Unternehmens geben. Yushu Technology wurde im August 2016 gegründet und wird in diesem August fast genau 10 Jahre alt. Wir haben ursprünglich vierbeinige Roboter entwickelt und in den letzten Jahren humanoide Roboter.

Ein relativ erfolgreiches Produkt in den letzten Jahren ist unser G1, das wir 2024 auf den Markt gebracht haben. Nach seiner Einführung wurde G1 im Grunde zu einem der repräsentativsten Produkte im Bereich humanoider Roboter weltweit. Viele der humanoiden Roboterprodukte, die Sie jetzt sehen, weisen sowohl in ihrer Gesamtform als auch in ihrem Designansatz einige Ähnlichkeiten mit G1 auf.

Ein besonders repräsentatives Projekt zu Beginn dieses Jahres war unsere Aufführung "WuBOT" beim Frühlingsfest. Diese Show vereint die sehr klassischen traditionellen Kung-Fu- und Kampfkunst-Kulturen Chinas. Wir haben im Voraus Dutzende von repräsentativen Kung-Fu-Bewegungen gesammelt und dann KI-Training durchgeführt, um die beeindruckendsten Bewegungen auf die gesamte Bühne zu bringen. Das größte Highlight dieser Show ist die Kombination der derzeit fortschrittlichsten Technologien humanoider Roboter mit der traditionellen Kung-Fu- und Kampfkunst-Kultur Chinas. Dieses Video hat sich auch im Ausland sehr gut verbreitet, möglicherweise mit mehreren hundert Milliarden Aufrufen. Ich denke, das ist ein gutes Beispiel für die Verschmelzung von Technologie und Kultur.

Im Februar haben wir auch eine Demonstration im Himmelstempel durchgeführt. Dort gab es etwa 49 Roboter, die eine vollautomatische Aufführung machten. Der Himmelstempel hat eine Kultur und Geschichte von mehreren hundert Jahren, und Roboter, die in einem solchen Szenario auftreten, erzeugen ein sehr starkes Gefühl der Zeitreise - sie verbinden die Kultur Chinas aus den letzten Jahrhunderten mit der neuesten Technologie, was sowohl visuell als auch emotional sehr beeindruckend ist.

In den letzten Jahren haben wir auch kontinuierlich daran gearbeitet, Roboter wirklich ins Leben und in Fabriken zu bringen. Im Jahr 2024 haben wir begonnen, mit Automobilfabriken zusammenzuarbeiten, um einige praktische Anwendungen zu entwickeln, und wir haben auch Roboter in unserer eigenen Fabrik eingesetzt, um einige einfache Tests und Anwendungen durchzuführen. Der Großteil unseres KI-Teams konzentriert sich derzeit darauf, wie Roboter wirklich in Haushalte oder Fabriken integriert werden können.

Warum gibt es bisher noch keine großflächige Einführung? Der Hauptgrund ist, dass die Effizienz und Generalisierungsfähigkeit der Roboter noch nicht ausreichend sind. Roboter können bereits einige einfache Montagearbeiten durchführen, aber ihre Effizienz ist im Vergleich zu Menschen immer noch relativ niedrig; außerdem müssen sie bei jeder neuen Aufgabe oft neu trainiert werden, was die Gesamteffizienz weiter verringert. Daher hoffen wir, die Generalisierungsfähigkeit der Technologie zunächst zu verbessern, bevor wir eine großflächige Einführung vornehmen. Dies ist auch ein zentrales Problem, dem sich die globale Robotikbranche gegenübersieht.

Im April dieses Jahres haben wir auch den Geschwindigkeitsrekord für humanoide Roboter beim Laufen gebrochen. Dieser Roboter wurde auf der Grundlage unseres ersten humanoiden Roboters H1 aus dem Jahr 2023 modifiziert. H1 ist der erste humanoide Roboter von Yushu und auch ein relativ klassisches Produkt. Danach haben wir auch versucht, verschiedene Formen zu entwickeln, zum Beispiel durch die Hinzufügung von Radstrukturen, um den Robotern in bestimmten Szenarien mehr Flexibilität zu verleihen.

Antrieb von Robotern: KI, Daten und reale Szenarien

Wie Sie wissen, werden die meisten Roboter heutzutage von KI angetrieben, und KI ist im Wesentlichen datengestützt. Die Menge an Daten, insbesondere die Menge an hochwertigen Daten, bestimmt in hohem Maße, welches Niveau die KI erreichen kann. Daher sammeln wir einerseits Daten selbst und arbeiten andererseits mit Drittanbietern zusammen, um mehr Daten zu erhalten, die sowohl der Branche als auch uns selbst zugutekommen.

Ich persönlich glaube, dass die Daten, die tatsächlich für das Training von KI-Robotern verwendet werden, hauptsächlich aus einer großen Menge an echten Daten oder Internetdaten als Hauptvortrainingsdaten bestehen sollten, ergänzt durch eine gewisse Menge an echten Maschinendaten. Beide Datentypen sind notwendig. In Bezug auf die Datenmenge sind echte Daten wichtiger, aber echte Maschinendaten sind ebenfalls unerlässlich, da letztendlich die Roboter mit der realen physischen Welt in Einklang gebracht werden müssen.

Im Mai dieses Jahres haben wir den weltweit ersten serienmäßigen, bemannten Transformationsroboter GD01 vorgestellt. Dieser Roboter ist über 3 Meter hoch und wiegt nach der Besetzung etwa 500 Kilogramm. Sie fragen sich vielleicht, welche Anwendungen solche Maschinen haben. Um es einfach auszudrücken, es ist ein bisschen wie ein "Geländewagen", der nicht hauptsächlich für den täglichen Gebrauch in Haushalten oder Städten gedacht ist, sondern besser für den Einsatz im Freien, in komplexen Umgebungen und in bestimmten Transport-Szenarien geeignet ist. Zum Beispiel für Wanderungen im Freien oder den Transport von Gütern in komplexen Geländen kann man ihn in Betracht ziehen.

GD01 hat auch eine interessante Eigenschaft: Er kann in den vierbeinigen Modus wechseln. Wenn er in den vierbeinigen Modus wechselt, wird die Stabilität besser und die Fähigkeit, Hindernisse zu überwinden, ist ebenfalls stark. Das ist auch der Grund, warum wir bereit sind, ihn tatsächlich zum Vorverkauf anzubieten: Im vierbeinigen Modus hat er bereits eine relativ gute Stabilität und die Fähigkeit, komplexe Gelände zu durchqueren. Einfach gesagt, man kann ihn als "Geländewagen" in Roboterform verstehen.

In den letzten Monaten haben wir auch ein End-to-End-AI-Bewegungsgenerierungssystem auf der Grundlage eines multimodalen Modells demonstriert. In der Vergangenheit wurden viele Roboterbewegungen im Voraus gesammelt und trainiert; dieses System kann Bewegungen basierend auf Echtzeit-Sprachbefehlen generieren. Die Sprache muss zuerst erkannt werden, dann in die Cloud hochgeladen werden, um die AI-Bewegungsgenerierung durchzuführen, und anschließend müssen die Bewegungen validiert werden, um sicherzustellen, dass sie keine Probleme aufweisen, bevor sie an den Roboter gesendet werden. Daher gibt es derzeit noch eine Verzögerung von einigen Sekunden im gesamten Prozess.

Wir hoffen, dass die Bewegungen der Roboter in Zukunft vollständig in Echtzeit generiert werden können, anstatt auf vorprogrammierte Anweisungen angewiesen zu sein. Diese automatische Generierung hat auch eine weitere Eigenschaft: Selbst wenn die gleichen Befehle eingegeben werden, können die generierten Bewegungen leicht variieren. Das bedeutet, dass der Roboter heute und morgen möglicherweise nicht genau die gleiche Bewegung ausführt, selbst wenn Sie ihm denselben Satz sagen.

Wir arbeiten auch daran, Roboter wirklich in Besprechungsräumen und anderen alltäglichen Szenarien arbeiten zu lassen. Zum Beispiel kann es in den Besprechungsräumen des Unternehmens manchmal unordentlich sein, sodass das Aufräumen des Besprechungsraums eine klare und nützliche Aufgabe darstellt. Unser Trainingsziel ist es, dass ein Roboter, nachdem ein Besprechungsraum beliebig durcheinandergebracht wurde, ihn wieder in einen sauberen und ordentlichen Zustand zurückversetzen kann.

Diese Aufgabe wird derzeit vollständig End-to-End umgesetzt, sodass die Bewegungseffizienz des Roboters noch relativ langsam ist. Aber es handelt sich nicht um ein Einzelfallsystem. In diesem Szenario haben wir etwa 7 bis 8 verschiedene Aufgaben festgelegt, und ein Modell lässt den Roboter zwischen diesen Aufgaben automatisch wechseln und sie direkt ausführen, während es eine gewisse Störfestigkeit aufweist. Da die KI Echtzeit-Erkennung, Echtzeit-Generierung und kontinuierliches Denken erfordert, sind die Bewegungen vorübergehend noch nicht so flüssig; jeder Schritt und jede Bewegung erfordert eine Überlegung, was die gesamte "Glätte" beeinträchtigt. Das Demovideo selbst wurde in einem einzigen Take ohne Schnitte aufgenommen und enthält auch Umgebungsstörungen.

Auf dieser Grundlage haben wir Sprachsteuerung und multimodale Modelle kombiniert, sodass Roboter nicht nur Bewegungen basierend auf Sprache generieren können, sondern auch tatsächlich Interaktionen und Aufgaben ausführen können. In der Live-Demonstration konnte der Roboter die Farbe der Objekte vor ihm erkennen, die Position verschiedener Medikamentenbehälter bestimmen und dann auf Sprachbefehle hin das angegebene Objekt herausnehmen. In diesem Fall führt der Roboter keine vordefinierte feste Bewegung aus, sondern muss die Sprache verstehen, die Umgebung erkennen und dann die Aufgabe ausführen.

Vor einiger Zeit haben wir die neueste Generation des Rad- und vierbeinigen Roboters As2-W vorgestellt. Dieser Roboter ist relativ leicht, wiegt mit Batterie etwa 25 Kilogramm, hat eine starke Tragfähigkeit und Reichweite und verfügt über eine IP54-Schutzart gegen Staub und Wasser, sodass er sowohl in Innen- als auch in Außenbereichen eingesetzt werden kann.

Wir haben einige Technologien, die wir bei humanoiden Robotern entwickelt haben, auf vierbeinige Roboter angewendet, um die Flexibilität der vierbeinigen Roboter weiter zu verbessern und gleichzeitig Tragfähigkeit, Reichweite und Anpassungsfähigkeit an komplexe Umgebungen zu optimieren. Wir hoffen, dass dieser Roboter in Zukunft wirklich für Wanderungen im Freien, Transport und einige industrielle Szenarien eingesetzt werden kann.

Gleichzeitig verbessern wir auch weiterhin leichte humanoide Roboter wie den R1, um seine Beweglichkeit und Flexibilität weiter zu erhöhen. Der R1 hat ein gutes Preis-Leistungs-Verhältnis und kann bereits über Plattformen wie JD.com und Taobao erworben werden.

Vor einiger Zeit haben wir auch einen neuen Roboter vorgestellt. Diese Maschine wurde in sehr kurzer Zeit entwickelt, etwa in drei Monaten, und ist noch nicht die offizielle Version. Ihre Höchstgeschwindigkeit hat bereits 12,65 Meter pro Sekunde erreicht, was die schnellste Laufgeschwindigkeit eines Menschen in der Geschichte übertrifft; laut den aktuellen Testergebnissen hat sie auch die höchste Sprunghöhe in der Geschichte der Menschheit überschritten. Im Jahr 2025 werden ich, die Produkte des Unternehmens und Yushu Technology auch auf den entsprechenden Listen des Time Magazine erscheinen.

Kernprobleme der Embodiment-Intelligenz: Generalisierungsfähigkeit und Ausrichtung an der realen Welt

Lassen Sie uns einen Rückblick auf die Entwicklung der Embodiment-Intelligenz-AI-Modelle in den letzten Jahren werfen. Die derzeit wichtigsten technischen Ansätze umfassen VLA-Modelle und Weltmodelle. In diesem Jahr haben die meisten von Ihnen wahrscheinlich am häufigsten von dem Weltmodell gehört.

Unser Unternehmen hat viel in AI-Modelle investiert, was auch einer der Bereiche mit den größten finanziellen und personellen Investitionen ist. Anfang 2020 begannen wir mit der Erkundung von Weltmodellen, die auf Videoerzeugung basieren. Bis Ende 2020 waren die Ergebnisse jedoch nicht besonders zufriedenstellend, sodass wir eine Zeit lang pausierten; aber seit letztem Jahr haben wir unsere Investitionen in die Richtung der Videoerzeugung von Weltmodellen wieder erhöht.

Viele Menschen fragen sich: Wann werden wirklich universelle Roboter, egal ob humanoide oder halb-humanoide Roboter, tatsächlich in das Leben und in Haushalte eintreten?

Ich glaube, dass das größte Hindernis derzeit immer noch die unzureichende Generalisierungsfähigkeit der Embodiment-Intelligenz ist. Viele AI-Modelle können in festen Szenarien, wenn genügend Daten gesammelt und trainiert werden, eine Erfolgsquote von nahezu 100 % erreichen. Aber sobald sich die zu bedienenden Objekte oder die Umgebung nur geringfügig ändern, sinkt die Erfolgsquote deutlich.

Ich hoffe, dass es in zwei bis drei Jahren schnell, in fünf Jahren oder sogar länger langsam möglich sein wird. Wenn eines Tages ein Roboter in eine ihm völlig unbekannte Umgebung gebracht wird, zum Beispiel in ein ihm noch nie begegnetes Zuhause, und er allein durch Sprach- oder Sprachbefehle etwa 80 % der Aufgaben erledigen kann, dann denke ich, dass wir fast den "ChatGPT-Moment" der Embodiment-Intelligenz erreicht haben. Dies wird auch ein entscheidender kritischer Punkt für den zukünftigen industriellen Durchbruch sein.

Dieses Bewertungskriterium ist eigentlich sehr einfach: Der Roboter sollte in etwa 80 % der unbekannten Szenarien allein durch Sprach- oder Sprachbefehle etwa 80 % der Aufgaben erledigen können. Ich denke, das ist ein sehr wichtiger kritischer Punkt.

Warum erreichen wir derzeit nicht dieses Niveau? Eines der größten Hindernisse ist, dass die Eingabe- und Ausgabewerte des AI-Modells und die tatsächlichen Roboter sowie die reale physische Welt noch nicht ausreichend ausgerichtet sind.

Wenn Sie beispielsweise einen Roboter bewegen lassen oder ihn zwei Dinge zusammenbauen lassen oder einen Gegenstand von einem Ort an einen anderen bewegen lassen, hat er in der Regel kein Problem mit der groben Richtung, er kann Ihre Aufgabe im Wesentlichen verstehen und weiß im Großen und Ganzen, wie er sie ausführen soll. Aber was den endgültigen Erfolg oft beeinflusst, sind die letzten paar Zentimeter oder sogar Millimeter.

Wenn der Roboter versucht, einen Gegenstand zu greifen, sieht es so aus, als ob seine Hand ihn fast erreicht, aber das letzte bisschen taktile Rückmeldung und der letzte Positionsfehler können nicht gut korrigiert werden. Wenn dieser Fehler nicht korrigiert wird, kann dies letztendlich dazu führen, dass die gesamte Aufgabe fehlschlägt, und die Erfolgsquote wird deutlich sinken.

Dies ist ein sehr zentrales Problem, dem sich die Embodiment-Intelligenz weltweit gegenübersieht: Es gibt Abweichungen zwischen den Eingaben und Ausgaben des AI-Modells und der realen Welt.

Warum gibt es dieses Problem bei Robotern, während allgemeine Sprachmodelle oder multimodale Modelle nicht so ausgeprägt sind? Der Inhalt, den Sprachmodelle verarbeiten, besteht im Wesentlichen aus digitalen Codierungen. Was eingegeben wird und was ausgegeben wird, ist streng auf einen digitalen Raum oder einen Vektorraum beschränkt, sodass Fehler nicht auf die gleiche Weise akkumuliert werden.

Aber Roboter sind anders. Jede Eingabe und Ausgabe eines Roboters muss in die reale physische Welt eingehen, und jede Ausführung einer Bewegung erzeugt eine gewisse Abweichung und einen Verlust. Diese Abweichungen beeinflussen die nächste Wahrnehmung und die nächste Bewegung, was schließlich zu einer Akkumulation von Fehlern führt. Aus diesem Grund haben die Generalisierungsfähigkeit der Robotermodelle und die Erfolgsquote bei realen Aufgaben noch nicht das erforderliche hohe Niveau erreicht.

Ich glaube, dass dieses Problem in den nächsten Jahren gelöst werden kann, aber es wird tatsächlich noch einige Zeit in Anspruch nehmen.

Roboter selbst weiterentwickeln: Mit KI den Entwicklungsprozess von Robotern neu gestalten

Hier möchte ich noch etwas vorstellen, das wir derzeit vorantreiben: die direkte Selbstentwicklung physischer AI-Roboter-Modelle.

In den letzten Jahren haben viele Menschen bereits umfangreiche AI für Programmierung und verschiedene AI-Entwicklungen eingesetzt, aber die Verwendung von AI selbst im Entwicklungsprozess von Robotern halte ich derzeit für relativ unzureichend. Was wir derzeit vorantreiben, ist der Versuch, die derzeit fortschrittlichsten und besten großen Modelle zur Antrieb der Robotik-Entwicklung zu nutzen.

Konkret können wir der KI zunächst einige Regeln, Erfahrungen, Einschränkungen und Werkzeuge vorgeben und sie dann selbst im Internet nach den neuesten wissenschaftlichen Arbeiten, den besten Forschungsergebnissen und verschiedenen Open-Source-Lösungen suchen lassen. Danach kann sie selbst programmieren und den Steuerungscode für den Roboter generieren.

Nachdem der Steuerungscode generiert wurde, kann er zunächst in einer Simulationsumgebung ausgeführt und trainiert werden, oder er kann weiter Modelle und Steuerungssysteme aufrufen, um den echten physischen Roboter zu steuern.

Wenn er auf den physischen Roboter angewendet wird, können wir echte Tests durchführen und die Ergebnisse bewerten und bewerten. Ein Teil der Bewertung kann vom Robotermodell selbst durchgeführt werden, ein anderer Teil kann auch von Menschen durchgeführt werden. Die menschliche Erfahrung ist nach wie vor sehr wichtig, denn oft können Menschen leicht beurteilen, ob eine Bewegung gut oder schlecht ausgeführt wurde.

Wenn dieses Logiksystem wirklich gebildet und betrieben wird, wird die gesamte Effizienz der Roboterentwicklung erheblich gesteigert, und die Iterationsgeschwindigkeit wird ebenfalls sehr schnell sein. Wenn dieser Prozess eine Zeit lang kontinuierlich läuft, besteht die Möglichkeit, dass sich die Fähigkeit zur Selbstentwicklung von Robotern tatsächlich verbessert.

Hier kann ein einfaches Beispiel angeführt werden. Wir können einen Coding-Agenten verwenden, um den Steuerungscode für den Roboter selbst zu schreiben. Viele relativ einfache Algorithmen für tiefes verstärktes Lernen erzielen mit einem Coding-Agenten, der automatisch programmiert, bereits recht gute Ergebnisse.

Nachdem der Code generiert wurde, setzen wir ihn in einer Simulationsumgebung zur Validierung und zum Training ein; wenn die Ergebnisse ein gewisses Niveau erreichen, setzen wir ihn auf den physischen Roboter zur Testung ein. Nach den Tests erfolgt die Bewertung einerseits durch das AI-Modell, andererseits können auch menschliche Bewertungen hinzugefügt werden, um die Ergebnisse zu beurteilen. Diese Ergebnisse werden dann an den Programmieragenten zurückgemeldet, um in die nächste Runde der Code-Generierung und -Optimierung einzugehen, wodurch ein kontinuierlicher iterativer positiver Kreislauf entsteht.

Das gerade beschriebene ist nur ein einfaches Beispiel; in der tatsächlichen Anwendung wird es viel komplexer sein. Aber ich denke, das ist etwas, das in der gegenwärtigen und in den kommenden Jahren in der globalen Robotikbranche sehr lohnenswert ist.

Warum sollten wir das tun? Es gibt mehrere direkte Gründe.

Erstens, die Fähigkeiten der Basis-Modelle verbessern sich jeden Monat und jedes Jahr, sodass sich auch die Fähigkeit des Selbstentwicklungszyklus entsprechend verbessert. Das heißt, dieses System kann sich natürlich mit den Fortschritten der globalen AI-Basiskapazitäten weiterentwickeln.

Zweitens kann es die Nutzung vielfältiger Daten besser nutzen. In der Vergangenheit war die Verarbeitung und Nutzung von Daten durch Menschen insgesamt relativ ineffizient. Wenn wir einen Selbstzyklus bilden, können wir verschiedene Trainingsdaten, reale Weltdaten und menschliche Daten nutzen, und die Effizienz der Datennutzung wird höher sein.

Drittens kann es mit mehr physischen Implementierungen einen geschlossenen Kreislauf bilden. Mit der zunehmenden Anzahl an physischen Robotern, die implementiert werden, werden wir ständig neue Testdaten erhalten und immer mehr Bewertungsindikatoren gewinnen. Dadurch wird die Datennutzungsrate und die Geschwindigkeit des Datenwachstums des gesamten Systems gewährleistet.

Viertens kann es die Fähigkeiten der Roboter kontinuierlich akkumulieren. Wir können jeden Tag oder jeden Monat neue Fähigkeiten hinzufügen, anstatt heute eine Fähigkeit zu entwickeln und morgen diese Fähigkeit zu verschwenden oder alles von Grund auf neu zu machen. Fähigkeiten, Daten, Steuerungsstrategien und Bewertungsergebnisse können in diesem System kontinuierlich akkumuliert werden.

Deshalb halte ich dies für eine sehr wichtige Angelegenheit: Tatsächlich AI zu nutzen, um die Effizienz der Roboterentwicklung und -evolution erheblich zu steigern. In Zukunft könnte dieser Ansatz ein wichtiger Weg für die kontinuierliche Evolution physischer AI-Roboter werden und möglicherweise eine neue Phase einleiten.

Ich denke, dass in Zukunft immer mehr Menschen in diese Richtung drängen werden.

Rückblickend hat Yushu fast 10 Jahre hinter sich. Wir haben etwa 2017 oder 2018 zum ersten Mal am Weltrobotik-Kongress teilgenommen, und in all diesen Jahren haben wir sehr viel erlebt.

Heute, in dieser neuen Phase, insbesondere im Kontext der schnellen Entwicklung von AI und des globalen Interesses an Robotern, hat sich die Evolutionsgeschwindigkeit der gesamten Robotik deutlich beschleunigt. Die Entwicklungsgeschwindigkeit der Roboter könnte in Zukunft sogar schneller sein als ich derzeit schätze.

Ich denke, das ist ein neuer Ausgangspunkt und ein neuer Beginn.

Aufgrund der Zeit werde ich heute nur eine kurze Zusammenfassung geben. Vielen Dank, und ich bitte um Ihr Verständnis.