Peking modernisiert gemeinsames Ausbildungszentrum für humanoide Roboter

PEKING, 11. September 2026. Peking hat ein 1.500 Quadratmeter großes Ausbildungszentrum für humanoide Roboter im Shougang-Park zu einer gemeinsam genutzten Einrichtung für verkörperte Intelligenz ausgebaut, die die Erfassung menschlicher Bewegungen, die Generierung synthetischer Daten, das Modelltraining, die physikalische Validierung und den industriellen Einsatz miteinander verbindet. Das Wesentliche daran ist nicht ein weiterer Raum voller Roboter. Es ist vielmehr der Versuch, die kostspielige, sich wiederholende Arbeit des Trainierens von Maschinen in eine Infrastruktur umzuwandeln, die mehrere Roboterhersteller gemeinsam nutzen können, anstatt sie jeweils eigenständig neu aufzubauen.

Das „Shijingshan Embodied Intelligence Training Center“ ist die umbenannte und erweiterte erste Phase von Pekings erstem Datentrainingszentrum für humanoide Roboter. Die Phasen zwei und drei sind laut dem Projekt-Update vom 11. September bereits in Betrieb. Beijing Yuanke Vision Technology leistet technische Unterstützung. Die erweiterte Phase ergänzt den bestehenden Arbeitsablauf – bei dem menschliche Bediener Aufgaben ausführen, Bewegungs- und Interaktionsdaten aufgezeichnet werden, Modelle aus diesem Material lernen und Roboter anhand derselben physischen Aufgabe getestet werden – um die Multi-View-Lichtfeldaufnahme und eine 4D-Weltmodell-Grundlage.

Der Engpass liegt nicht in einem weiteren Roboterkörper

Die humanoide Robotik hat in den vergangenen zwei Jahren Kapital für Motoren, geschickte Hände, Batterien und immer leistungsfähigere Grundmodelle angezogen. Doch ein Körper und ein Modell werden nicht allein dadurch zu einem nützlichen Arbeiter, dass beide in derselben Maschine vorhanden sind. Das System benötigt nach wie vor Beispiele für Kontakt, Kraft, Objektbewegung, Fehlerbehebung und Aufgabenabschluss, deren Erfassung in der realen Welt kostspielig und deren konsistente Reproduktion über verschiedene Labore hinweg schwierig ist.

Das ist der Engpass, den Shijingshan zu industrialisieren versucht. Die Mitarbeiter des Zentrums tragen Motion-Capture-Ausrüstung und führen Aktionen wie das Umgehen von Hindernissen, das Heben von Kisten und das Ablegen von Objekten aus. Das verbesserte System

Es zeichnet mehr auf als nur ein flaches Video. Es ist darauf ausgelegt, Tiefe, räumliche Beziehungen, physische Interaktionen und Veränderungen des Objektzustands zu erfassen und diese Informationen anschließend in einen Kreislauf aus Erfassung, Modellierung, Training, Validierung und Rückkopplung einzuspeisen.

Der Unterschied mag technisch klingen, doch die Auswirkungen für den Käufer sind klar. Ein Video kann zeigen, dass eine Hand eine Tasse aufgenommen hat. Eine nützliche Aufzeichnung für das Robotertraining muss jedoch erklären, wo sich die Tasse befand, wie sich die Finger ihr näherten, wann der Kontakt stattfand, wie viel Kraft ausgeübt wurde, was sich änderte, als sich die Tasse bewegte, und warum ein Versuch erfolgreich war, während ein anderer fehlschlug. Diese umfassenderen Informationen ermöglichen es einem Roboter, über eine auswendig gelernte Demonstration hinaus zu verallgemeinern.

Das Zentrum gibt an, dass sein neues Multi-View-Lichtfeldsystem Bewegungsbahnen, Verformungen und Beleuchtungsänderungen mit höherer Genauigkeit rekonstruieren kann. Seine 4D-Weltmodell-Ebene soll digitale Intelligenz, räumliche Intelligenz und physikalische Intelligenz miteinander verbinden. Dies eröffnet den teilnehmenden Unternehmen einen Weg, der von der Beobachtung einer menschlichen Aufgabe über deren Nachstellung in einer Simulation, das Training einer Strategie, deren Validierung auf Hardware bis hin zur Rückführung des Ergebnisses in den Datenkreislauf reicht.

Gemeinsam genutzte Infrastruktur verändert die Kostenkurve

Für ein junges Roboterunternehmen besteht die Versuchung, jeden Teil des Stacks selbst zu besitzen. Das klingt strategisch einleuchtend, bis das Unternehmen eine Erfassungsanlage mit Personal ausstatten, Bediener einstellen, Räume ausrüsten, mehrere Roboterkörper warten, Datenrechte verwalten und eine Auswertungssuite am Laufen halten muss – und das alles, während es gleichzeitig Hardware baut und ein Produkt verkauft. Die Fixkosten fallen bereits vor dem ersten kommerziellen Einsatz an.

Ein gemeinschaftlich genutztes Trainingszentrum bietet ein anderes Modell. Anstatt dass jeder Anbieter eine eigene Datenfabrik aufbaut, kann die von der Stadt unterstützte Einrichtung Motion-Capture-Ausrüstung, Simulationsinfrastruktur und Validierungsräume auf mehrere Nutzer verteilen. Wenn dies funktioniert, besteht der wirtschaftliche Vorteil nicht nur in kostengünstigeren Daten, sondern auch in einem schnelleren Vergleich. Eine Manipulationsstrategie kann anhand verschiedener

Körper und Aufgabenlayouts unter einem einheitlichen Betriebsrahmen, wodurch leichter erkennbar wird, ob Fortschritte auf das Modell, die Hardware oder eine sorgfältig inszenierte Demonstration zurückzuführen sind.

Dies ist dieselbe wirtschaftliche Logik, die auch hinter Cloud-Computing und Auftragsfertigung steht, nun jedoch auf das Lernen von Robotern angewendet. Der entscheidende Aspekt ist die Auslastung. Teure Ausrüstung ist dann wirtschaftlich, wenn sie von vielen Kunden über viele Stunden hinweg genutzt wird – nicht, wenn sie in einem einzelnen Start-up ungenutzt herumsteht. Das Versprechen des Zentrums, markenübergreifende Daten bereitzustellen, ist daher wichtiger als jede einzelne Demonstration vor Ort.

Roboterhersteller sollten dennoch vorsichtig sein. Eine gemeinsam genutzte Infrastruktur kann doppelte Kosten reduzieren, aber auch zu einem Datensatz führen, der sich am kleinsten gemeinsamen Nenner orientiert. Ein allgemeiner Datensatz, der für mehrere Robotermodelle gilt, mag für grundlegende Bewegungen und Haushaltsaufgaben nützlich sein, ist jedoch für einen bestimmten Fabrikprozess zu oberflächlich. Ein Bekleidungsroboter benötigt Daten über Stoffspannung und Verformung. Ein Roboter zur Batteriemontage benötigt Kontaktgenauigkeit, Kontaminationskontrollen und aufgabenspezifische Sicherheitsvalidierung. Das sind keine austauschbaren Probleme.

Das Zentrum wird wirtschaftlich nur dann von Bedeutung sein, wenn es beide Ebenen unterstützt: breit angelegte, wiederverwendbare Daten für allgemeine Fähigkeiten und geschützte, kundenspezifische Datenerfassung für differenzierte Arbeitsabläufe. Andernfalls könnten Unternehmen die Einrichtung zwar für Vorführungen nutzen, ihre wertvollsten Einsatzdaten jedoch weiterhin an privaten Standorten aufbewahren.

Warum Haushalts- und Fabrikaufgaben von Bedeutung sind

Die Erweiterung umfasst Haushaltsaufgaben wie Reinigung, Essenszubereitung und Pflege sowie industrielle Tätigkeiten wie Nähen, Verpacken, Materialhandhabung und Montage. Dieser Umfang ist nützlich, da er prüft, ob die Infrastruktur zwei sehr unterschiedliche Anwendungsumgebungen bewältigen kann.

Die Haushaltsrobotik erfordert Vielseitigkeit. Küchen, Tische, Behälter und Lichtverhältnisse ändern sich ständig. Ein Haushaltsroboter muss Unordnung und unvollständige Anweisungen tolerieren. Die kommerzielle Herausforderung besteht darin, genügend

vielfältige Daten, um zu vermeiden, dass eine Maschine nur in einer Musterwohnung funktioniert.

Die Industrierobotik erfordert Wiederholbarkeit. Ein Käufer aus der Industrie mag zwar einen enger gefassten Anwendungsbereich akzeptieren, doch muss die Maschine eine gesamte Schicht lang funktionieren, sich von vorhersehbaren Fehlern erholen und in bestehende Sicherheits- und Produktionssysteme integriert werden können. Der Käufer bezahlt nicht für die Eleganz eines Weltmodells. Er bezahlt für fertiggestellte Einheiten, geringere Ausfallzeiten und weniger Eingriffe.

Diese Unterscheidung ist der Grund, warum das Zentrum separate Leistungskennzahlen für Haushalts- und Industrieprogramme veröffentlichen sollte. Eine einzige Gesamtzahl für die gesammelten Datenstunden würde mehr verbergen als offenlegen. Käufer benötigen Angaben zur Erfolgsquote bei Aufgaben, zur Häufigkeit von Eingriffen, zur Wiederherstellungsleistung, zu den Ergebnissen bei der plattformübergreifenden Übertragung sowie zur Anzahl der Umgebungen, in denen eine Richtlinie getestet wurde.

Die jüngste Berichterstattung von RobotAIGeek über das Roboter-Orchestrierungsgeschäft von Samsung SDS zeigte das Integrationsproblem auf, das entsteht, sobald ein Roboter eine Aufgabe ausführen kann. Shijingshan arbeitet eine Ebene früher, nämlich dort, wo Fähigkeiten erstellt und validiert werden. Diese beiden Ebenen treffen letztendlich aufeinander. Ein nützlicher Industrieroboter benötigt sowohl eine erlernte Fähigkeit als auch ein System, das diese innerhalb eines Produktionsablaufs planen, überwachen und wiederherstellen kann.

Die fehlenden wirtschaftlichen Kennzahlen

Die Ankündigung des Upgrades geht detailliert auf die Architektur ein, schweigt jedoch über die wirtschaftlichen Aspekte. Es wird nicht offengelegt, wie viele Unternehmen das Zentrum nutzen, was sie dafür bezahlen, wie viele Schulungsstunden die Einrichtung bereitstellen kann, wie häufig Richtlinien auf andere Roboter übertragen werden oder wie viel Zeit Kunden bei der Inbetriebnahme einsparen. Diese Auslassungen machen das Projekt nicht unwichtig. Sie legen vielmehr fest, was als Nächstes gemessen werden muss.

Die erste Kennzahl sollte die Auslastung sein. Ein 1.500 Quadratmeter großes Zentrum mit fortschrittlichen Erfassungssystemen ist dann wertvoll, wenn seine Arbeitsbereiche ausgebucht sind, Datensätze bereitgestellt werden und Modelle zur wiederholten Validierung zurückkehren. Die zweite Kennzahl sollte die Übertragung sein.

Wenn eine Fertigkeit, die anhand einer einzigen menschlichen Demonstration erlernt wurde, mit nur begrenzten zusätzlichen Daten auf mehrere Körper übertragen werden kann, gewinnt das Argument für eine gemeinsame Infrastruktur erheblich an Gewicht.

Die dritte Kennzahl sollte die Umsetzungsquote sein. Ein Trainingsdurchlauf, der mit einem professionell aufbereiteten Video endet, dient dem Marketing. Ein Trainingsdurchlauf, der damit endet, dass ein Roboter eine bezahlte Aufgabe beim Kunden ausführt, ist ein kommerzieller Nachweis. Die vom Zentrum angegebene Kette reicht bis zur Anwendung, daher sollte seine öffentliche Berichterstattung letztendlich dasselbe tun. Die automatisierte IRON-Produktionslinie von XPENG bietet genau die Art von nachgelagerter Fabrikumgebung, in der Trainingsbehauptungen sich bewähren müssen.

Zudem stellt sich eine Frage der Datenverwaltung. Umfangreiche Daten zu menschlichen Bewegungen und zum Arbeitsumfeld können Produktionsmethoden, Raumaufteilungen und das Verhalten der Mitarbeiter offenlegen. Unternehmen benötigen Klarheit hinsichtlich Eigentumsverhältnissen, Zugriffskontrollen, Aufbewahrungsfristen und der Frage, ob für einen Kunden generierte Daten die von einem anderen Kunden verwendeten Modelle verbessern können. Gemeinsam genutzte Infrastruktur gewinnt mit zunehmender Beteiligung an Wert, doch derselbe Netzwerkeffekt erhöht die Kosten eines schwachen Daten-Governance-Modells.

Ein aussagekräftigerer Maßstab als die Anzahl der Demos

Chinas humanoides Ökosystem liefert bereits einen stetigen Strom von Demonstrationen zum Gehen, Tanzen und zum Umgang mit Gegenständen. Das Shijingshan-Upgrade weist auf einen nützlicheren Maßstab hin: Wie schnell die Branche diese Demonstrationen in standardisierte, wiederholbare Trainingsabläufe umsetzen kann.

Das ist auch der Grund, warum das Zentrum anders bewertet werden sollte als eine Roboter-Markteinführung. Ein neuer Roboterkörper lässt sich hinsichtlich Nutzlast, Akkulaufzeit, Geschwindigkeit und Preis vergleichen. Ein Trainingszentrum sollte hingegen anhand von Durchsatz, Datenqualität, Übertragbarkeit und Erfolg bei nachgelagerten Aufgaben bewertet werden. Sein Ergebnis ist nicht der Roboter auf dem Boden. Sein Ergebnis ist die Reduzierung von Zeit und Kosten, die erforderlich sind, um viele Roboter einsatzfähig zu machen.

Der nächste Beleg sollte ein dokumentierter Kundenfall sein, der mit einem

Die Aufgabenbeschreibung beginnt mit der Definition der Aufgabe und endet mit der Bereitstellung. Darin sollten die Menge der gesammelten Daten aus menschlichen Demonstrationen, die Anzahl der Simulationsiterationen, die zur Validierung verwendete Hardware, die am Kundenstandort erforderlichen Eingriffe sowie die Leistung nach mehreren Wochen Betrieb aufgeführt werden. Dies würde Käufern eine Grundlage für die Entscheidung bieten, ob eine gemeinsam genutzte Trainingsinfrastruktur den Weg zur Kapitalrendite verkürzt.

Peking hat nun die physischen Bausteine zusammengestellt: drei Phasen, einen Erfassungs-Stack, eine Weltmodell-Ebene und die Validierung mit realen Robotern. Der schwierigere Schritt besteht darin, diese Ressourcen in eine Dienstleistung umzuwandeln, für die sich Roboterunternehmen entscheiden, weil sie schneller und besser ist als eine eigenständige Entwicklung. Wenn das Zentrum wiederholbare Belege für diesen Vorteil vorlegen kann, wird es mehr erreicht haben als nur eine Modernisierung der Anlage. Es wird damit einen Teil der industriellen Infrastruktur definiert haben, der dem Markt für verkörperte Intelligenz bisher gefehlt hat.

Bildnachweis für das Titelbild: Li Hao/GT.

Diese Analyse stützt sich auf öffentliche Erklärungen und technische Unterlagen zum „Shijingshan Embodied Intelligence Training Center“. Sie dient ausschließlich allgemeinen Informationszwecken und stellt keine Anlage-, Finanz- oder Rechtsberatung dar.