Wann kommt der "ChatGPT-Moment" für embodied Intelligence?

In einer Zeit, in der humanoide Roboter im Mittelpunkt des Interesses stehen, scheint der Leiter des "ersten humanoiden Roboters" an der A-Shares-Börse, Yu Shu Technology, der Branche einen Dämpfer zu versetzen.

Am 20. August, während der Weltrobotik-Konferenz 2026, gab Wang Xingxing, der Gründer von Yu Shu Technology, in seiner ersten öffentlichen Rede nach dem Börsengang zu, dass der "ChatGPT-Moment" für embodied Intelligence noch nicht gekommen sei. Er schätzte, dass es schnell zwei bis drei Jahre dauern könnte, im schlimmsten Fall sogar fünf oder zehn Jahre.

In den letzten zwei Jahren sind humanoide Roboter zu einem der heißesten Tech-Trends geworden. Auf den Bühnen großer Veranstaltungen, auf Messen der Spieleindustrie und sogar am Eingang von Einkaufszentren und Einzelhandelsgeschäften sind diese futuristischen Roboter immer häufiger zu sehen. Sie tanzen, gehen und winken, manchmal etwas unbeholfen, und interagieren mit dem Publikum, während sie schnell aus den Laboren in den öffentlichen Raum vordringen.

Doch hinter diesen lebhaften Darstellungen bleibt die tatsächliche Leistungsfähigkeit dieser Roboter offensichtlich hinter den Erwartungen der Menschen an "Zukunftsroboter" zurück. Zumindest in den allgemeinen Erwartungen sollten Roboter nicht nur auf der Bühne auftreten oder Marketingaufgaben übernehmen, sondern tatsächlich in Fabriken und Haushalte integriert werden, um zu transportieren, zu organisieren, Werkzeuge zu bedienen oder einen Teil der Hausarbeit und Pflege zu übernehmen. Die Frage der Öffentlichkeit bleibt konkret und direkt: Wann werden Roboter tatsächlich arbeiten können?

Im Bereich der großen Sprachmodelle hat ChatGPT eine symbolische Antwort gegeben. Es war nicht das erste Sprachmodell, aber es ließ eine große Anzahl normaler Benutzer zum ersten Mal erkennen, dass KI einen bestimmten Fähigkeitsgrenzwert überschritten hat. Wann ein ähnlicher Moment im Bereich der embodied Intelligence eintreten wird, wird zunehmend zu einer der am meisten diskutierten Fragen in der Robotikbranche.

Roboter in jedes Zuhause bringen: Der Schlüssel liegt in der Generalisierungsfähigkeit

Auf der Weltrobotik-Konferenz am 20. August wies Wang Xingxing, der Gründer von Yu Shu Technology, auf das derzeit größte Hindernis für embodied Intelligence hin: die Generalisierungsfähigkeit.

Seiner Meinung nach erreichen viele Roboter-Modelle in festen Szenarien, sobald genügend Daten gesammelt und trainiert wurden, eine Erfolgsquote von fast 100%. Doch sobald sich die Objekte ändern oder die Umgebung leicht verändert, kann die Erfolgsquote der Roboter deutlich sinken.

Das ist auch die wichtigste Hürde, die Roboter davon trennt, wirklich in das Leben und die Haushalte einzutreten.

Wang Xingxing gab einen recht konkreten Maßstab an: Wenn eines Tages ein Roboter in ein völlig fremdes Zuhause oder eine unbekannte Umgebung gebracht wird und er allein durch Sprach- oder Sprachbefehle etwa 80% der Aufgaben erledigen kann, dann hat die embodied Intelligence ihren "ChatGPT-Moment" erreicht. Er glaubt, dass dies schnell in zwei bis drei Jahren geschehen könnte, im schlimmsten Fall jedoch fünf oder sogar zehn Jahre dauern könnte.

Wang Xingxing betonte besonders, dass die wirkliche Herausforderung nicht darin besteht, den Robotern "grob zu vermitteln, was zu tun ist", sondern die letzten paar Zentimeter oder sogar Millimeter zu meistern.

Wenn ein Roboter beispielsweise einen Gegenstand aufheben soll, hat das Modell möglicherweise die gesamte Bewegung korrekt geplant, der Roboterarm hat sich auch in die Nähe des Objekts bewegt, aber wenn der letzte Positionsfehler, das taktile Feedback oder die Greifkraft nicht korrekt korrigiert werden, kann die gesamte Aufgabe scheitern.

Das ist auch der große Unterschied zwischen Robotern und großen Sprachmodellen.

Die Eingaben und Ausgaben von Sprachmodellen finden immer im digitalen Raum statt, während jeder Wahrnehmungs- und Bewegungsakt eines Roboters mit der realen physischen Welt interagieren muss. Sensoren haben Rauschen, Aktuatoren haben Fehler, und die Position, das Material und das Gewicht von Objekten ändern sich ständig. Diese Fehler können sich während der Ausführung der Aufgabe ansammeln. Daher könnte es für embodied Intelligence schwieriger sein, von "grundsätzlich fähig" zu "stabil fähig" zu gelangen, als eine Aufgabe ursprünglich zu erlernen.

Fast gleichzeitig mit Wang Xingxings Urteil gab Wang He, Gründer und CTO von Galaxy General, ein klareres Jahr an. Wang He erklärte, dass mit der fortlaufenden Ansammlung von Daten und weiteren technologischen Durchbrüchen die embodied Intelligence voraussichtlich 2028 ihren "ChatGPT-Moment" erleben wird. Er definierte diesen Zeitpunkt als: Roboter, die ohne spezielle Schulung für eine bestimmte Aufgabe etwa 70% bis 80% der täglichen Aufgaben erledigen können.

Die Urteile beider sind tatsächlich sehr nah beieinander. Wang Xingxing konzentriert sich auf die Erfolgsquote von Robotern in unbekannten Umgebungen, während Wang He sich auf die direkte Generalisierungsfähigkeit des Basis-Modells ohne spezielle Schulung konzentriert. Beide setzen den kritischen Punkt jedoch bei etwa 70% bis 80% der Erfolgsquote bei unbekannten Aufgaben an.

Das bedeutet auch, dass der "ChatGPT-Moment", von dem sie sprechen, nicht die Bewegungsfähigkeiten sind, die humanoide Roboter heute demonstrieren, noch ist es eine bestimmte, stark trainierte Demo, die eine Erfolgsquote von über 99% erreichen kann. Die wirkliche Veränderung sollte eintreten, wenn Roboter beginnen, sich von der Abhängigkeit von festen Szenarien, festen Objekten und spezieller Schulung zu lösen.

Wann werden Roboter wirklich "aufwachen"? Alle deuten auf 2 bis 5 Jahre hin

Vor einem Monat, während der Weltkonferenz für künstliche Intelligenz 2026 (WAIC), wurde dieselbe Frage sechs führenden Unternehmern und Forschern im Bereich der embodied Intelligence gestellt.

Am 19. Juli, während einer von Zhiyuan Robotics und Mifeng Technology veranstalteten Veranstaltung namens "Intelligent Embodied Forum", forderte der Moderator die sechs Gäste auf, eine sehr direkte Frage zu beantworten: Wie viele Jahre sind es bis zum "ChatGPT-Moment" der Roboter?

Die Antworten waren überraschend einheitlich. Yao Maoqing, Partner von Zhiyuan Robotics und Vorsitzender sowie CEO von Mifeng Technology, gab die Antwort von 2 Jahren; Tony Zhao, Mitbegründer und CEO von Sunday Robotics, schätzte, dass es innerhalb von 3 Jahren sein wird; Zhang Zhengyou, Chefwissenschaftler von Tencent und Direktor des Robotics X Lab, gab 3 bis 5 Jahre an; Ma Yecheng, Mitbegründer und Chefwissenschaftler von Dyna Robotics, schätzte etwa 4 Jahre; Ren Zhiyi, Forschungswissenschaftler bei Physical Intelligence, schätzte 4 bis 5 Jahre; und Xu Danfei, Professor am Georgia Institute of Technology, gab 5 Jahre an.

Die sechs Personen kommen aus völlig unterschiedlichen Unternehmen und Forschungseinrichtungen, und ihre technologischen Ansätze sind ebenfalls unterschiedlich, aber die Antworten konzentrieren sich alle auf die nächsten 2 bis 5 Jahre.

Yao Maoqing ist der Optimistischste unter ihnen. Sein Urteil basiert hauptsächlich auf dem Wachstum der Datenmenge. Seiner Meinung nach können die aktuellen Einschränkungen für die weitere Entwicklung von physischer KI als "Daten, Repräsentation und geschlossene Schleifen" zusammengefasst werden. Im Vergleich zu den massiven Text- und Bilddaten, die in der Internetwelt kostengünstig erhältlich sind, sind die echten Interaktionsdaten von Robotern nicht nur teuer, sondern auch durch Unterschiede in Robotern, Aufgaben und Szenarien eingeschränkt.

Echte, sofort einsatzbereite Roboter müssen in der Lage sein, offene natürliche Sprachbefehle zu verstehen und bei gängigen Aufgaben eine Erfolgsquote von etwa 70% bis 80% zu erreichen. Um dies zu erreichen, benötigt die embodied Intelligence Daten in einem Umfang, der weit über dem aktuellen Niveau liegt. Er schlug sogar vor, dass in Zukunft möglicherweise Datenmengen im Bereich von Milliarden Stunden erforderlich sind.

Das bedeutet, dass in Yao Maoqings Urteil die "ChatGPT-Moment" in hohem Maße ein Skalierungsproblem ist: Wenn echte Weltdaten, Simulationsdaten, Internetvideos, Daten aus der ersten Perspektive und Daten, die nach der Bereitstellung von Robotern zurückfließen, allmählich in den erforderlichen Umfang wachsen, könnte die Modellfähigkeit ebenfalls einen kritischen Punkt überschreiten.

Tony Zhao von Sunday Robotics hingegen drückt die Zeit auf weniger als 3 Jahre. Anstatt sich nur auf komplexere Roboter zu konzentrieren, interessiert sich Zhao mehr dafür, wann das "Gehirn" der Roboter wirklich reif sein kann. Sunday Robotics konzentriert sich langfristig auf Haushaltsroboter und Basis-Modelle. Seine Überlegung ist, dass, wenn ein ausreichend starkes Basis-Modell für Roboter komplexe Umgebungen und Aufgaben verstehen kann, selbst wenn der Roboter relativ einfache und kostengünstige Greifarme verwendet, er möglicherweise zuerst viele praktische Probleme lösen kann.

Zhang Zhengyou ist viel vorsichtiger. Er gibt eine Antwort von 3 bis 5 Jahren, betont jedoch, dass dieses Zeitfenster nicht bedeutet, dass die Branche nur auf ein größeres Modell warten muss, das plötzlich erscheint. Ein wichtiger Vorbehalt dafür, dass große Sprachmodelle schnell skalierbare Fähigkeiten entwickeln konnten, ist, dass der Transformer allmählich zu einer einheitlichen Architektur geworden ist. Aber die Robotik hat derzeit noch kein so klares technisches Paradigma entwickelt.

Von höheren kognitiven Fähigkeiten, visueller Wahrnehmung und Aufgabenplanung bis hin zu Echtzeitbewegungssteuerung, Körperfeedback und Sicherheitsreaktionen muss ein Roboter gleichzeitig Probleme auf unterschiedlichen Zeitskalen bewältigen. Daher könnte ein echter Durchbruch erfordern, dass Datensammlung, Simulation, reale Bereitstellung, Fehlerbehebung, Hardware und Modelle gemeinsam Fortschritte machen, anstatt einfach das Scaling-Gesetz großer Sprachmodelle zu kopieren. Aus diesem Grund betonte Zhang Zhengyou bei seiner Einschätzung, dass die Branche weiterhin "bodenständig arbeiten" muss.

Ma Yecheng von Dyna Robotics gab eine Zeitspanne von etwa 4 Jahren an. Sein Urteil basiert mehr auf kommerziellen Bereitstellungen. Für ein Labor-Demo könnte eine Erfolgsquote von 80% oder 90% bereits ausreichen, um die Wirksamkeit des technischen Ansatzes zu beweisen; aber für eine Fabrik oder ein Dienstleistungsunternehmen, das tatsächlich Roboter kauft, ist eine solche Zuverlässigkeit oft nicht ausreichend. Daher bedeutet der "ChatGPT-Moment" für embodied Intelligence nicht nur, dass Roboter mehr Aufgaben verstehen können, sondern auch, dass sie auf ein Niveau angehoben werden müssen, das in realen Geschäftsumgebungen akzeptiert wird.

Ren Zhiyi von Physical Intelligence gab 4 bis 5 Jahre an. Er erklärte, dass er vor seinem Eintritt bei Physical Intelligence einmal dachte, dieser Prozess könnte 10 Jahre dauern, aber mit den Entwicklungen der letzten Jahre im Bereich der Basis-Modelle für Roboter hat sich seine Erwartung deutlich verkürzt.

Physical Intelligence ist selbst eines der derzeit repräsentativsten Unternehmen im Bereich "Basis-Modelle für Roboter", dessen Ziel es ist, durch Daten-Training über verschiedene Körper und Aufgaben hinweg, dass dasselbe Modell schrittweise breitere operationale Fähigkeiten erlangt. In dieser Logik ist es entscheidend, ob die Fähigkeiten der Roboter mit dem Wachstum von Modellen und Datenmengen kontinuierlich zunehmen und letztendlich ähnliche Effekte wie das Zero-Shot-Transfer großer Sprachmodelle erzeugen.

Professor Xu Danfei vom Georgia Institute of Technology gab die konservativste Antwort mit 5 Jahren. Im Vergleich zu einer bestimmten Modellroute setzt er mehr auf drei grundlegende Indikatoren: Kann das Modell tatsächlich aus Daten lernen? Können die erlernten Fähigkeiten auf neue Umgebungen und Aufgaben generalisiert werden? Und kann die Schlussfolgerungsgeschwindigkeit den Anforderungen an Echtzeitoperationen von Robotern in der realen Welt gerecht werden?

Wenn wir Wang Xingxings "schnell 2 bis 3 Jahre", Wang Hes "2028" und die Antworten der sechs Gäste der WAIC zusammenstellen, wird ein immer deutlicheres Phänomen sichtbar: Die Branche der embodied Intelligence drängt den zuvor fernen Zeitplan für "allgemeine Roboter" in den nächsten technologischen Zyklus.

Klare historische Meilensteine oder ein schrittweiser Prozess?

Obwohl diese Unternehmer und Forscher bei ihren Zeitprognosen immer näher zusammenrücken, diskutieren sie tatsächlich nicht mit denselben Standards über den "ChatGPT-Moment".

Wang He konzentriert sich auf den Fähigkeitsübergang des Basis-Modells selbst. In seiner Definition hat die embodied Intelligence einen ähnlichen kritischen Punkt wie ChatGPT überschritten, wenn Roboter nicht mehr für jede neue Aufgabe speziell trainiert werden müssen, sondern mit dem Basis-Modell etwa 70% bis 80% der täglichen Aufgaben erledigen können. Dieser Standard bewertet zunächst, ob das Modell von einer "spezifischen Intelligenz" für bestimmte Aufgaben zu einer allgemeinen Intelligenz mit starker Übertragungsfähigkeit übergeht.

Wang Xingxings Standard hingegen ist näher an der tatsächlichen Leistung von Robotern in der realen Welt. Er betrachtet ebenfalls eine Erfolgsquote von etwa 80% als wichtige Schwelle, betont jedoch, ob Roboter in der Lage sind, die meisten Aufgaben nur durch Sprachbefehle in unbekannten Umgebungen zu erledigen. Seiner Meinung nach können viele Roboter heute bereits in gut trainierten festen Umgebungen hohe Erfolgsquoten erreichen, aber die wirkliche Herausforderung besteht darin, ob das Modell weiterhin funktioniert, wenn sich die Umgebung, die Objekte oder die Aufgaben ändern.

Diese beiden Definitionen scheinen ähnlich zu sein, aber die Ebenen, auf die sie sich konzentrieren, sind nicht ganz identisch. Ein Modell, das bereits über eine gute Zero-Shot- oder Cross-Task-Fähigkeit verfügt, bedeutet nicht, dass ein Roboter, der es verwendet, bereits ein zuverlässiges Produktionswerkzeug geworden ist. Wang Xingxing erwähnte auf der WRC, dass Yu Shu tatsächlich bereits Roboter in Automobilfabriken und in seiner eigenen Fabrik eingesetzt hat, die einige einfache Montageaufgaben erledigen können, aber derzeit noch nicht in großem Maßstab eingesetzt werden, da die Effizienz der Roboter immer noch unter der von Menschen liegt und sie oft für neue Aufgaben erneut trainiert werden müssen.

Gao Jiyang, CEO von Xinghai Tu, gab zu diesem Thema eine interessante doppelte Einschätzung ab. In der auf der WRC präsentierten Branchen-Roadmap wird 2027 klar als technischer "GPT-Moment" gekennzeichnet, da er glaubt, dass das Scaling-Gesetz die Fähigkeiten des Basis-Modells über einen Wendepunkt hinausdrängt und die vertikalen Anwendungsbereiche zu beschleunigen beginnen; der tatsächliche "Kommerzialisierungs-Wendepunkt" wird jedoch auf 2028 gesetzt, gefolgt von einer tiefen Durchdringung im Jahr 2029 und einer breiten Bereitstellung im Jahr 2030.

Als es jedoch darum ging, ob embodied Intelligence einen historischen Wendepunkt wie ChatGPT nachahmen würde, stellte Gao Jiyang klar, dass er glaubt, "es wird wahrscheinlich keinen solchen Moment geben". Der Grund dafür ist, dass embodied Intelligence nicht durch ein Softwareprodukt, das für alle zugänglich ist, plötzlich verbreitet wird, sondern wahrscheinlich schrittweise von To B-Szenarien aus, indem ein Sektor nach dem anderen, eine Aufgabe nach der anderen freigeschaltet wird.

Technologische Durchbrüche und das plötzliche Bewusstsein der Öffentlichkeit können nicht gleichzeitig eintreten. Der Grund, warum GPT explodierte, liegt darin, dass jeder es auf seinem Smartphone oder Computer selbst erleben konnte, während die ersten Szenarien, in denen embodied Intelligence realisiert wird, Fabriken, Lagerhäuser und andere Produktionsstätten sind, die für die breite Öffentlichkeit schwer zu erfassen sind. Daher wird der Branchen-Wendepunkt allmählich auf eine "leise Art und Weise" sichtbar, und wenn die Menschen plötzlich erkennen, wird es bereits allgegenwärtig sein.

Diese beiden Darstellungen sind nicht vollständig widersprüchlich. Gao Jiyang unterscheidet tatsächlich zwischen dem technischen Wendepunkt der Modellfähigkeiten und dem sozialen Wendepunkt der industriellen Verbreitung: Ersterer könnte in einem bestimmten Jahr relativ klar erscheinen, während letzterer durch Szenarienvalidierung, Massenproduktion, Kostensenkung und Reifung von Geschäftsmodellen allmählich in die reale Welt übertragen werden muss.

Das ist auch einer der auffälligsten Unterschiede zwischen Robotern und großen Sprachmodellen. Nach der Veröffentlichung von ChatGPT im November 2022 konnten die Veränderungen in den Modellfähigkeiten fast am selben Tag an die globalen Benutzer weitergegeben werden. Für ein Softwareprodukt ist es, solange die Server und die Rechenleistung ausreichen, relativ kostengünstig, einen neuen Benutzer hinzuzufügen. Der Benutzer öffnet die Webseite, gibt eine Frage ein und kann sofort die Sprünge in den Modellfähigkeiten wahrnehmen. Daher wurden technologische Durchbrüche, Produkteinführungen und die breite Akzeptanz durch Benutzer bei ChatGPT praktisch auf dasselbe Zeitfenster komprimiert.

Roboter hingegen müssen durch einen physischen Körper in die physische Welt eintreten. Selbst wenn ein Basis-Modell morgen plötzlich eine deutlich stärkere Generalisierungsfähigkeit erlangt, muss diese Fähigkeit noch in reale Bewegungen durch Chips, Sensoren, Gelenke, Greifhände und Aktuatoren umgesetzt werden und muss sich mit einer Reihe von Ingenieursproblemen wie Präzision, Stabilität, Sicherheit, Lebensdauer, Wartung und Kosten auseinandersetzen.

Daher könnte es für embodied Intelligence letztlich schwierig sein, einen so klaren historischen Wendepunkt wie den 30. November 2022 zu reproduzieren. Es wird wahrscheinlich eher als eine Reihe von schrittweise auftretenden kritischen Punkten erscheinen. Vielleicht wird, selbst wenn die Menschen in der Zukunft auf den "ChatGPT-Moment" der embodied Intelligence zurückblicken, nicht unbedingt ein von allen anerkanntes Datum gefunden werden können.