Ein Einblick in OriginFlows Einsatz auf Roboterdaten zu Muskelsignalen

Der Engpass, den niemand zugeben möchte, ist der eigentliche

Jedes Unternehmen im Bereich der verkörperten KI, das einen universell einsetzbaren Roboterarm entwickelt, strebt – jenseits aller Marketingversprechen – letztlich dieselbe knappe Ressource an: genügend aufgezeichnete Beispiele einer menschlichen Hand, die eine Aufgabe präzise, wiederholbar und in einem Format ausführt, aus dem ein Modell tatsächlich lernen kann. Teleoperationsanlagen sind langsam und im großen Maßstab teuer im Betrieb. Motion-Capture-Anzüge erfassen zwar die Position, lassen jedoch die Kraft- und Kontaktdaten außer Acht, die darüber entscheiden, ob ein Griff tatsächlich hält. Video allein – die kostengünstigste und am reichlichsten verfügbare Datenquelle – kann einem Modell nicht mitteilen, wie stark eine Hand drückt oder wann eine Fingerspitze abgerutscht ist – genau jene Informationen, die ein Roboter benötigt, um etwas zu handhaben, das empfindlicher ist als ein starrer Block. OriginFlow, ein in Peking gegründetes Start-up, das kaum ein Jahr alt ist, hat mehr als 500 Millionen RMB (etwa 69 Millionen US-Dollar) eingeworben – mit der Begründung, dass diese Datenlücke und nicht die Modellarchitektur das entscheidende Hindernis dafür darstellt, wie schnell sich die Handhabungsfähigkeiten von Humanoiden und Roboterarmen tatsächlich verbessern.

OriginFlow wurde im August 2025 von Qin Shentao gegründet, einem 25-jährigen Doktoranden an der Fakultät für Fahrzeug- und Mobilitätstechnik der Tsinghua-Universität, der seinen Bachelor-Abschluss an der Fakultät für Mechatronik des Harbin Institute of Technology erworben hatte. In weniger als einem Jahr schloss das Unternehmen Angel-, strategische und Pre-A1-Finanzierungsrunden ab, zu deren Investoren unter anderem Yuanhe Puhua, Blue Lake Capital und Oasis Capital. Dieses Tempo der Kapitalbeschaffung ist selbst nach den Maßstäben des in diesem Jahr stark umkämpften chinesischen Finanzierungsmarktes für verkörperte KI ungewöhnlich und spiegelt wider, wie dringend die finanzstärkeren Akteure der Branche zu dem Schluss gekommen sind, dass sie eine funktionierende Lösung für das Datenproblem benötigen.

Was NeuroScale tatsächlich erfasst

Die Lösung von OriginFlow ist ein Paradigma zur Datenerfassung, das das Unternehmen „NeuroScale“ nennt und das auf einer nicht-invasiven neuromotorischen Schnittstelle basiert, anstatt auf einer Kamera, einem Handschuh oder einem Exoskelett. Die Hardware „OriginKit Gen 1.0“ des Unternehmens ist ein Armband, das die oberflächliche Elektromyographie auswertet, die

das elektrische Signal, das ein Muskel bei seiner Kontraktion erzeugt, direkt von der Haut, anstatt die Position der Hand nachträglich zu erfassen. Ein vom Unternehmen selbst entwickeltes Modell namens PULSE entschlüsselt dieses rohe elektrische Signal in kontinuierliche Daten zur Handhaltung, zur ausgeübten Kraft und zum taktilen Feedback – Informationen, die ein kamerabasiertes System nicht erfassen kann, da es von vornherein keinen Zugriff auf das Muskelsignal hatte, das die Bewegung überhaupt erst ausgelöst hat.

Der Unterschied zwischen der Verfolgung der Handposition und dem Auslesen des neuronalen Signals, das diese Bewegung ausgelöst hat, bildet den Kern der technischen Strategie von OriginFlow. Ein Motion-Capture-System kann einem Modell mitteilen, wo sich eine Fingerspitze letztendlich befand; es kann dem Modell jedoch nicht mitteilen, wie viel Kraft hinter der Bewegung steckte, ob der Griff fester wurde oder bereits abrutschte oder wie sich die Hand mitten in der Bewegung als Reaktion auf den unerwarteten Widerstand eines Objekts anpasste – jene Art von fein abgestimmter Rückkopplungsschleife, die einen Roboter, der ein Ei aufnehmen kann, ohne es zu zerquetschen, von einem Roboter unterscheidet, der nur starre, nachgiebige Objekte handhaben kann. Durch die direkte Erfassung der Muskelsignale versucht OriginFlow, genau jene Kraft- und Kontaktinformationen zu gewinnen, deren Erfassung in großem Maßstab für die Branche der verkörperten KI bislang die größte Herausforderung darstellte.

Vom Muskelsignal zum „Human Token“

Das erklärte Ziel des Unternehmens geht über die bloße Erfassung besserer Handdaten um ihrer selbst willen hinaus. OriginFlow bündelt die entschlüsselten Informationen zu Körperhaltung, Kraft und Tastsinn in sogenannten „Human Tokens“ – maschinell lernbare Aktionsdarstellungen, die so konzipiert sind, dass sie auf verschiedene Roboter-Implementierungen übertragbar sind, anstatt an die spezifische Hardware gebunden zu sein, mit der sie erfasst wurden. Dieser Ansatz orientiert sich direkt daran, wie große Sprachmodelle mit Text umgehen: Ein „Token“ ist eine Informationseinheit, aus der ein Modell lernen kann, unabhängig davon, aus welchem Dokument sie ursprünglich stammt. OriginFlow setzt darauf, dass Daten aus physischen Interaktionen auf dieselbe Weise tokenisiert werden können, sodass eine an einem Armband aufgezeichnete Greifbewegung eine Roboterhand trainieren kann, die von einem

ein völlig anderer Hersteller.

Qin hat das zugrunde liegende Problem unverblümt auf den Punkt gebracht: Der realen Welt, so sagte er, fehle eine Ebene, die in der Lage ist, komplexe Informationen über physische Interaktionen in trainierbare Darstellungen zu abstrahieren – dieselbe Ebene, über die Text- und Bilddaten bereits durch Tokenisierungs- und Einbettungsprozesse verfügen, die im Laufe des letzten Jahrzehnts entwickelt wurden. Sollte diese Lücke so grundlegend sein, wie es das Konzept von OriginFlow annimmt, wird das Unternehmen, das die erste weit verbreitete Abstraktionsschicht für physikalische Interaktionsdaten entwickelt, zum Infrastrukturanbieter für die gesamte Branche der verkörperten KI werden – und nicht nur ein Hardware-Anbieter, der Armbänder an einzelne Robotiklabore verkauft.

Warum Investoren so schnell reagierten

Das in fünf Monaten erzielte Finanzierungsvolumen von 500 Millionen RMB (etwa 69 Millionen US-Dollar) erfordert einen Kontext, den die meisten Berichte über diese Finanzierungsrunde außer Acht gelassen haben. Chinas Sektor für verkörperte KI hat einen Großteil des Jahres 2026 damit verbracht, seinen Investitionsschwerpunkt von der Roboterhardware – wo der Markt mittlerweile mit Dutzenden von Humanoid-Herstellern überfüllt ist, die ähnliche Spezifikationen verfolgen – auf die Daten- und Simulationsinfrastruktur zu verlagern, die darüber entscheidet, wie schnell diese Roboter tatsächlich einsatzfähig werden. Ein Unternehmen zur Datenerfassung, das glaubhaft behaupten kann, alle Hardware-Hersteller gleichzeitig zu bedienen, anstatt mit ihnen zu konkurrieren, stellt eine strukturell andere Investitionsthese dar als die Unterstützung eines weiteren humanoiden Start-ups – und genau diese These haben mehrere der aktivsten Roboterinvestoren Chinas als im Vergleich zur Hardware unterbewertet eingestuft.

Das bedeutet jedoch nicht, dass diese These bereits bewiesen ist. Der eigene Kommerzialisierungsplan von OriginFlow, industrielle Fertigungspartnerschaften mit nicht namentlich genannten führenden Unternehmen sowie eine Partnerschaft zur Datenerfassung im Bereich Haushaltsdienstleistungen mit der 58 Group, befindet sich noch in einer frühen Phase, in der einzelne Verträge abgeschlossen werden, und der tatsächliche Wert eines Dateninfrastrukturunternehmens hängt vollständig davon ab, ob genügend Roboterhersteller dessen Datenformat übernehmen, anstatt eine eigene, konkurrierende Pipeline aufzubauen. Investoren, die OriginFlow zu diesem Zeitpunkt unterstützen,

Die Unternehmen in dieser Phase setzen stärker auf die These der Abstraktionsschicht als auf aktuelle Umsatzzahlen – es handelt sich um eine Wette darauf, wohin sich der Engpass der Branche als Nächstes verlagern wird, und nicht darauf, wo er heute liegt.

Das Akzeptanzproblem, mit dem jede Wette auf Dateninfrastruktur konfrontiert ist

Die Geschichte der Infrastrukturschichten in benachbarten Branchen liefert hier eine nützliche Warnung. Ein Datenformat wird erst dann wirklich wertvoll, wenn eine kritische Masse an nachgelagerten Nutzern es als gemeinsamen Standard und nicht als proprietäres Tool eines einzelnen Anbieters übernimmt – und diese Einführungshürde hat mehr vielversprechende Infrastrukturunternehmen zu Fall gebracht als jegliche technische Unzulänglichkeit. Das „Human Token“-Format von OriginFlow konkurriert nicht nur mit rivalisierenden Anbietern von sEMG- oder Teleoperationsdaten, sondern auch mit dem Anreiz jedes Humanoid-Herstellers, seine eigenen Trainingsdaten proprietär zu halten, anstatt sich auf das Format eines externen Anbieters zu standardisieren – insbesondere, sobald ein Hersteller in seine eigene Datenpipeline investiert hat.

Metas eigene Forschung zu neuronalen Schnittstellen-Armbändern für die Steuerung von Augmented Reality im Verbraucherbereich, die auf einem ähnlichen sEMG-Prinzip basiert, macht deutlich, dass OriginFlow nicht das einzige Unternehmen ist, das die Erfassung von Muskelsignalen als vielversprechende Schnittstellenschicht betrachtet – auch wenn Metas Bemühungen eher auf die Mensch-Computer-Interaktion als auf Trainingsdaten für Roboter abzielen und ein anderes kommerzielles Ziel mit einem anderen Einführungsweg. Der unmittelbarere Wettbewerbsdruck auf OriginFlow geht von Unternehmen für Teleoperationsdaten und von „Simulation-first“-Datenanbietern innerhalb Chinas eigenem Sektor für verkörperte KI aus, von denen einige in diesem Jahr auf der Grundlage eigener Dateninfrastruktur-Konzepte vergleichbare oder größere Finanzierungsrunden abgeschlossen haben. Dies bedeutet, dass das Zeitfenster für OriginFlow, „Human Tokens“ als gemeinsames Branchenformat und nicht als eine proprietäre Option unter vielen zu etablieren, möglicherweise enger ist, als es das Tempo der Finanzierungsrunden vermuten lässt.

Die Frage nach dem Dateneigentum hinter dem Geschäftsmodell

Das Modell von OriginFlow wirft zudem eine Frage auf, mit der sich jeder Käufer von Trainingsdaten für „embodied AI“ letztendlich auseinandersetzen muss – eine Frage, die bereits vor dieser

ein bestimmtes Unternehmen und wird dieses überdauern: Wem gehören die Daten, die entstehen, wenn ein Mensch das Armband eines Unternehmens trägt, um eine Aufgabe auszuführen, und welche Rechte behält dieses Unternehmen an den daraus resultierenden „Human Tokens“, sobald diese an einen Roboterhersteller verkauft oder lizenziert werden? Dies ist die Frage nach dem Dateneigentum, mit der sich jeder Integrator auseinandersetzen muss, da Datensätze zur physischen Interaktion zunehmend zu einem handelbaren Wirtschaftsgut werden und nicht mehr nur ein intern erfasstes Nebenprodukt sind, und die bislang veröffentlichten Unterlagen von OriginFlow beschreiben die Erhebungsmethodik detaillierter als die Datenrechte und Lizenzbedingungen – ein Ungleichgewicht, das in der gesamten Branche verbreitet ist, aber an Bedeutung gewinnen wird, sobald die Partnerschaft des Unternehmens mit der 58 Group im Bereich Haushaltsdienstleistungen damit beginnt, Daten in den Wohnungen der Menschen statt in einer Fabrik zu erheben.

Die Anwendung im Bereich der Haushaltsdienstleistungen ist in der Tat der kommerziell und ethisch komplexere Teil der Roadmap von OriginFlow. Die Datenerfassung in der industriellen Fertigung erfolgt auf dem firmeneigenen Gelände im Rahmen bestehender Einwilligungsregelungen am Arbeitsplatz; die Datenerhebung im Bereich der Haushaltsdienstleistungen, bei der erfasst wird, wie eine Person Reinigungs-, Koch- oder Pflegeaufgaben ausführt, damit ein Roboter schließlich dieselben Bewegungen erlernen kann, beinhaltet hingegen die Aufzeichnung von Aktivitäten in Privathaushalten – einem Kontext, in dem Einwilligung, Datenaufbewahrung und das Risiko der Re-Identifizierung wesentlich größere Risiken bergen als in einer Fabrikhalle. Die Art und Weise, wie OriginFlow und die 58 Group die Einwilligungs- und Datenverarbeitungsbedingungen dieser Partnerschaft gestalten, wird wahrscheinlich darüber entscheiden, inwieweit andere Unternehmen im Bereich der Haushaltsrobotik künftig bereit sind, Partnerschaften mit sEMG-basierten Datenerfassungsanbietern einzugehen.

Was die These bestätigen würde

Das deutlichste Signal dafür, dass OriginFlows Wette auf die Abstraktionsschicht funktioniert, wird nicht eine weitere Finanzierungsrunde sein, sondern ein namentlich genannter Roboterhersteller – idealerweise einer, der noch keine Beteiligungs- oder Partnerschaftsbeziehung zu OriginFlow unterhält –, der „Human Tokens“ öffentlich als Trainingsdaten für ein kommerzielles Produkt einsetzt. Bis dies geschieht, ist die Finanzierungsrunde ein Beleg dafür, dass Investoren die These

Dies ist zwar überzeugend, stellt jedoch keinen Beweis dafür dar, dass sich der Markt für das Format von OriginFlow gegenüber dem eines Konkurrenten entschieden hat. Diese Unterscheidung ist für alle von Bedeutung, die diese Meldung weniger als Schlagzeile über eine Finanzierungsrunde, sondern vielmehr als Hinweis darauf betrachten, in welche Richtung sich die tatsächlichen Grenzen der „embodied AI“ entwickeln.

Die nächsten zwölf Monate werden zeigen, welche der konkurrierenden Annahmen der Branche zum Datenengpass richtig war: ob die Einschränkung bei der Robotermanipulation in der Hardwarepräzision, der Modellarchitektur oder – wie OriginFlow argumentiert – in einer fehlenden Ebene zur Abstraktion physischer Interaktionsdaten lag, so wie Sprachmodelle Text abstrahieren. Sollte sich Qin Shentaos Sichtweise durchsetzen, könnte das Unternehmen, das das Token-Format besitzt, von dem andere Roboter lernen, letztlich für die Entwicklung der Branche von größerer Bedeutung sein als jeder einzelne Hersteller humanoider Roboter, der diese Woche eine neue Demo vorstellt – eine Möglichkeit, die es im Auge zu behalten gilt, unabhängig davon, wie sich die kommerzielle Roadmap von OriginFlow von hier aus weiterentwickelt.

Haftungsausschluss: Dieser Artikel dient ausschließlich allgemeinen Informationszwecken und stellt keine Anlage-, Rechts- oder Fachberatung dar. Leser sollten Details anhand von Primärquellen überprüfen, bevor sie geschäftliche Entscheidungen treffen.