Ein Roboter, der seine eigenen Hausaufgaben benotet, ist Pekings Antwort auf die Simulationslücke

Jedes Robotiklabor, das sich mit geschickter Manipulation befasst, stößt auf dieselbe Hürde: Ein Modell, das in einer Simulation oder anhand von Demonstrationsvideos durch Menschen trainiert wurde, zeigt im Labor gute Leistungen, versagt jedoch in dem Moment, in dem es auf ein reales Objekt trifft, das sich geringfügig anders verhält, als es die Trainingsdaten vorhersagen. Beijing Shengshu Technology, das für sein Vidu-Modell bekannte Start-up im Bereich der KI-Videogenerierung, das von Alibaba und der Ant Group unterstützt wird, stellte am 10. September in Shanghai auf dem Bund Summit einen Lösungsvorschlag vor: Motus2, ein gemeinsam mit der Tsinghua-Universität entwickeltes Weltmodell, das nicht nur vorhersagt, welche Aktion ein Roboter ausführen wird, sondern auch bewertet, ob das vorhergesagte Ergebnis tatsächlich gut war, und seine eigene Strategie aktualisiert, noch bevor der Arm überhaupt eine Bewegung ausführt.

Das Unternehmen wurde 2023 gegründet und war bislang vor allem für die Text-zu-Video-Generierung bekannt, die sich an Design-, Werbe- und Unterhaltungsstudios richtete. ist Shengshu ein relativer Neuling auf dem Gebiet der verkörperten künstlichen Intelligenz im Vergleich zu den Spezialisten für humanoide Roboter und Robotermodelle, mit denen das Unternehmen nun konkurriert. Motus2 ist dabei der deutlichste Beweis dafür, dass sich die für Vidu entwickelten Techniken zur Videogenerierung direkt auf die Vorhersage übertragen lassen, wie sich die Aktionen eines Roboterarms im physischen Raum entfalten werden. In verifizierten Tests mit echten Robotern bei fünf Manipulationsaufgaben – dem Ablegen eines Balls, der Manipulation mit mehreren Fingern, dem Anbringen eines Radiergummis, dem Einschrauben einer Glühbirne und dem Ablegen eines Telefons – erzielte Motus2 eine durchschnittliche Erfolgsquote von 84 Prozent; nach Angaben des Unternehmens steigerte eine Version, die seinen Planungsansatz mit modellbasiertem verstärkendem Lernen kombinierte, die Erfolgsquote in einem separaten Benchmark-Test von einer Ausgangsbasis von 65 Prozent auf 72,5 Prozent.

Der Regelkreis, der Versuch und Irrtum ersetzt

Die meisten Roboter-Lernsysteme lassen sich in zwei Lager unterteilen: Modelle, die vorhersagen, was bei einer bestimmten Aktion als Nächstes geschehen wird, und separate Strategien, die entscheiden, welche Aktion ausgeführt werden soll, wobei ein menschlicher Forscher oder eine feste Belohnungsfunktion beide Komponenten während des Trainings miteinander verknüpft. Motus2 vereint diese beiden Komponenten in einem einzigen Modell mit gemeinsamen Parametern, das drei

Das Modell führt nacheinander folgende Schritte durch: Es generiert eine mögliche Aktion, sagt die physikalischen Folgen dieser Aktion voraus und bewertet, ob das vorhergesagte Ergebnis tatsächlich zur Lösung der Aufgabe beiträgt; anschließend fließt diese Bewertung in die nächste vorgeschlagene Aktion ein. Shengshu bezeichnet den daraus resultierenden geschlossenen Regelkreis als rekursive Selbstverbesserung, und genau dieser Mechanismus steht hinter der Bezeichnung „selbstentwickelnd“ im Namen des Modells: Anstatt jedes Mal, wenn der Roboter auf ein unbekanntes Objekt trifft, eine neue Runde von durch Menschen beschrifteten Trainingsdaten zu benötigen, nutzt Motus2 seine eigenen Ergebnisbewertungen als Trainingssignal, um seinen nächsten Versuch zu verfeinern.

Diese Architektur ist aus kommerzieller Sicht von Bedeutung, da beschriftete Roboterdemonstrationsdaten der mit Abstand teuerste Input bei der Entwicklung verkörperter KI sind und jedes Labor, das Modelle für geschickte Manipulation entwickelt, darum wetteifert, den Bedarf eines Systems pro Einheit der Aufgabenkompetenz zu reduzieren. Der Trainingsansatz von Motus2 stützt sich stattdessen auf eine ungewöhnlich große, aber vergleichsweise kostengünstige Datenquelle: 130.000 Stunden an egozentrischen Videos, also Aufnahmen aus einer First-Person-Perspektive mit einer am Kopf befestigten Kamera, die Shengshu nutzt, um das Modell vorab darauf zu trainieren, wie menschliche Hände Objekte handhaben, noch bevor es jemals einen echten Roboterarm berührt. Für sich genommen erreichte ein Modell, das ausschließlich anhand dieser menschlichen Videodaten trainiert wurde, eine Aufgaben-Erfolgsquote von 51 Prozent, als es auf einen physischen Roboter übertragen wurde. Durch Hinzufügen einer zweiten Trainingsphase, die das Modell an die spezifische Dynamik der Roboterhardware anpasst – – was Shengshu als „Domänenanpassung“ bezeichnet –, stieg dieser Wert auf 84 Prozent: ein Sprung um 33 Prozentpunkte, den das Unternehmen als Beweis dafür anführt, dass sein Vortraining mit menschlichen Videodaten echtes Manipulationswissen überträgt, anstatt lediglich menschen-spezifische Bewegungsmuster auswendig zu lernen, die sich nicht auf einen mechanischen Greifer übertragen lassen.

Wo Tastsinn die Lücke schließt, die die Bildverarbeitung nicht schließen kann

Eine weitere bedeutende Neuerung von Motus2 ist die taktile Wahrnehmung, die nicht durch eine vollständige Neugestaltung der Sensorfusion, sondern durch leichte Expertenmodule integriert und auf das bestehende Modell aufgesetzt wird.

Kameragestützte Wahrnehmung. Bei Manipulationsaufgaben, die eher auf Kontaktkraft als auf visuelle Ausrichtung beruhen – wie das Einschrauben einer Glühbirne oder das Anbringen eines kleinen Bauteils mit engen Toleranzen –, verbesserte die Einbeziehung taktiler Rückmeldung die Erfolgsquote um 12,5 Prozentpunkte gegenüber der Konfiguration, die ausschließlich auf Bildverarbeitung basierte. Dieser Gewinn steht im Einklang mit einem Muster, auf das sich der breitere Bereich der verkörperten KI im Laufe des vergangenen Jahres geeinigt hat: Das Sehen allein teilt einem Roboter zwar mit, wo sich ein Objekt befindet, doch Manipulationsaufgaben, die eine präzise Kraftsteuerung erfordern – wie das Einstecken eines Steckers oder das Eindrehen eines Befestigungselements –, scheitern bei rein visuell gesteuerten Systemen häufig gerade deshalb, weil eine Kamera der Steuerung nicht mitteilen kann, wie stark der Greifer tatsächlich drückt. Shengshu setzte die taktile Fähigkeit von Motus2 auf zwei geschickten Handplattformen ein: der „Sharpa Wave“ mit 22 Freiheitsgraden und der „WUJI Hand 2“ mit 20 Freiheitsgraden. Bei beiden handelt es sich um Endeffektoren höherer Komplexität als die einfachen Zwei-oder dreifingrigen Greifer, die bei den meisten industriellen Cobots nach wie vor üblich sind. Dies deutet darauf hin, dass Shengshu Motus2 eher für die geschickteren, der menschlichen Hand ähnlichen Manipulationsaufgaben positioniert, auf die sich der Bereich der humanoiden Robotik zubewegt, als für die einfacheren Pick-and-Place-Arbeiten, die bereits durch bestehende Automatisierungslösungen gut abgedeckt sind.

Ein separates Ergebnis weist auf eine ganz andere Einschränkung hin: das Gedächtnis. Roboter, die Aufgaben ausführen, die sich über viele Schritte erstrecken, neigen dazu, den früheren Kontext aus den Augen zu verlieren, Aktionen zu wiederholen oder den Faden einer mehrstufigen Aufgabe zu verlieren, sobald zwischen der anfänglichen Anweisung und einem späteren Schritt genügend Zeit vergeht. Die Konfiguration von Motus2 mit dem, was Shengshu als „vollständiges historisches Gedächtnis“ bezeichnet, erzielte eine Erfolgsquote von 57,5 Prozent bei Aufgaben, die speziell darauf ausgelegt waren, die Beibehaltung des langfristigen Kontexts zu erfordern – ein Ergebnis, das das Unternehmen als Fortschritt und nicht als gelöstes Problem betrachtet, und das im Einklang damit steht, dass Gedächtnis und langfristiges Schlussfolgern weiterhin zu den schwierigeren offenen Problemen der verkörperten KI gehören, auch wenn die Manipulationsgenauigkeit bei kürzeren Aufgaben steigt.

Was Shengshu damit gegenüber besser finanzierten Konkurrenten erreicht

Konkurrenten

Shengshu stellt Motus2 als einen Schritt in Richtung der Stufen drei und vier einer fünfstufigen Weltmodell-Hierarchie dar, die das Unternehmen öffentlich vorgestellt hat; dabei repräsentiert die oberste Stufe ein Modell, das allgemein genug ist, um Ergebnisse bei beliebigen Aufgaben und Verkörperungen ohne aufgabenspezifisches Umtrainieren vorherzusagen und zu bewerten. Diese Darstellung ist ein bewusster Positionierungsschritt: Sie lädt zum Vergleich mit den Forschungsagenden zu Weltmodellen ein, die größere, kapitalstärkere Forschungslabore in China und den Vereinigten Staaten in den Mittelpunkt ihrer eigenen Roadmaps für verkörperte KI gerückt haben, und sie untermauert Shengshus Anspruch auf Relevanz in diesem Wettlauf durch die Stärke eines Hintergrunds in der Videogenerierung, den Skeptiker andernfalls als eher an die Robotik angrenzend denn als deren Kernbereich abtun könnten. Ob sich ein sich selbst weiterentwickelndes Weltmodell, das im Wesentlichen anhand menschlicher Videodaten trainiert wurde, auf die unübersichtlicheren, weniger kontrollierten Umgebungen einer tatsächlichen Fabrik- oder Lagerhalle skalieren lässt – und nicht auf den kuratierten Fünf-Aufgaben-Benchmark, für den Shengshu Ergebnisse veröffentlicht hat –, ist die Frage, die darüber entscheiden wird, ob Motus2 zu einer lizenzierten Komponente innerhalb der Humanoid- und Industrieroboter-Stacks anderer Unternehmen wird oder ein überzeugendes Forschungsergebnis bleibt, das auf Shengshus eigene Demonstrationen beschränkt bleibt.

Die akademische Partnerschaft hinter der Behauptung

Shengshu hat Motus2 nicht allein entwickelt. Das Modell ist das Ergebnis einer Zusammenarbeit mit der Tsinghua-Universität – eine Partnerschaft, die für die Gewichtung der Ergebnisse von Bedeutung ist: Ein Start-up, das Benchmark-Zahlen zu seinem eigenen Modell veröffentlicht, zieht mehr kritische Aufmerksamkeit auf sich als ein universitätsgebundenes Forschungsprojekt mit wissenschaftlichen Mitautoren, deren akademischer Ruf von der Genauigkeit der gemeldeten Zahlen abhängt. Diese akademische Mitautorenschaft ist zudem ein Kanal für die Rekrutierung und Validierung, auf den kleinere, kapitalschwächere Labore zunehmend zurückgreifen, um mit besser finanzierten Konkurrenten mithalten zu können, da eine Partnerschaft mit einer Universität Zugang zu Forschungstalenten und unabhängiger Begutachtung durch Fachkollegen bietet, die ein allein agierendes Start-up andernfalls erst intern aufbauen müsste – und zwar zu weitaus

höhere Kosten. Mehrere der im vergangenen Jahr am schnellsten vorangetriebenen Ankündigungen im Bereich der eingebetteten KI in China folgten diesem Muster: Ein kommerzielles Labor stellt Rechenleistung, Dateninfrastruktur und Produktkonzeption bereit, während ein Universitätslabor die zugrunde liegende wissenschaftliche Fundiertheit liefert – und Motus2 entspricht diesem Schema sehr genau.

Der von Shengshu veröffentlichte Benchmark mit fünf Aufgaben ist zudem enger gefasst, als es die Marketingaussagen vermuten lassen, und Käufer sollten dies entsprechend berücksichtigen. Das Platzieren eines Balls, das Anbringen eines Radiergummis und das Einschrauben einer Glühbirne sind zwar nützliche Indikatoren für Fingerfertigkeit, sind jedoch weit entfernt von der variablen Geometrie, der Beleuchtung und der Unordnung einer tatsächlichen Kommissionierstation in einem Lager oder einer Montagelinie, auf der Dutzende von Lagerartikeln (SKUs) gehandhabt werden. Shengshu hat offen dargelegt, dass die Zahl von 84 Prozent aus diesem spezifischen Satz von fünf Aufgaben stammt und nicht aus einem breiter gefassten industriellen Benchmark; dies ist zwar die richtige Offenlegung, bedeutet aber auch, dass die Zahl nicht als allgemeine Erfolgsquote bei der Handhabung von beliebigen Aufgaben interpretiert werden sollte. Das unternehmenseigene fünfstufige Weltmodell-Framework räumt dies implizit ein, indem es Motus2 auf Stufe drei bis vier einordnet, anstatt zu behaupten, es habe die oberste Stufe erreicht, auf der ein einziges Modell beliebige Aufgaben ohne aufgabenspezifische Feinabstimmung bewältigt.

Die Architektur des Modells und die Forschungsarbeit sind öffentlich zugänglich, und Shengshu hat erklärt, dass neben der technischen Veröffentlichung auch Demonstrationsaufnahmen mit echten Robotern verfügbar sind – eine Entscheidung zugunsten der Transparenz, die es externen Labors ermöglicht, den Wert von 84 Prozent selbst zu reproduzieren, anstatt ihn einfach für bare Münze zu nehmen. Für einen Käufer von Automatisierungslösungen oder einen Integrator von Roboterplattformen, der abwägt, auf welchen Weltmodell-Ansatz er in den nächsten zwei Jahren setzen soll, ist die kurzfristige Relevanz von Motus2 geringer, als die Schlagzeilen vermuten lassen: Es handelt sich um eine Forschungsveröffentlichung, nicht um ein marktreifes Produkt, und der Weg von einem 130.000 Stunden umfassenden Vortrainingskorpus aus Videos mit menschlichen Akteuren hin zu einem zuverlässigen Einsatz in der Fertigung führt nach wie vor über genau jene Art von domänenspezifischen Anpassungsdaten, deren Beschaffung nach wie vor kostspielig ist.

zusammenfassen. Der nächste Schritt des Unternehmens, den es zu beobachten gilt, ist die Frage, ob es den Kern des Weltmodells von Motus2 an einen Hardware-Partner lizenziert, der humanoide oder industrielle Arme entwickelt – ein Schritt, der signalisieren würde, dass Shengshu beabsichtigt, als Infrastrukturanbieter für den „Embodied-AI“-Stack in den Wettbewerb zu treten, anstatt ein Forschungslabor zu bleiben, das lediglich Benchmark-Ergebnisse veröffentlicht.

Diese Analyse stützt sich auf die öffentlich zugänglichen Forschungsergebnisse von ShengShu Technology sowie auf Aussagen, die auf dem Bund-Gipfel 2026 getroffen wurden. Sie dient ausschließlich allgemeinen Informationszwecken und stellt keine Anlage-, Finanz- oder Rechtsberatung dar.

Bildnachweis für das Titelbild: ShengShu Technology.