Forscher schließen GPT-6 Astra direkt an einen Roboter an, um eine unbekannte Küche aufzuräumen

Ein humanoider Roboter reinigt eine unbekannte Küche mit GPT-6 Astra am Steuer

Forscher von Stanford und Caltech haben ein System namens HomeBody entwickelt, das einen humanoiden Roboter vom Typ Unitree G1 in eine Küche laufen lässt, die er noch nie gesehen hat, den Raum aufräumt und Gegenstände aus Schubladen holt, ohne dass ein Mensch seine Bewegungen steuert. Der Roboter läuft auf GPT-6 Astra, und die Demonstration reiht sich in eine wachsende Beweislage ein, dass das Modell nützlich von Text und Bildern auf Maschinen übertragbar ist, die sich physisch durch die Welt bewegen.

Bemerkenswert ist nicht, dass ein Roboter Objekte greifen kann – Fabrikarme tun das seit Jahrzehnten. Bemerkenswert ist, dass diese Maschine herausfand, was in einem Raum zu tun ist, dessen Grundriss sie nie zuvor angetroffen hatte, und dabei ein Allzweckmodell nutzte statt einer Pipeline, die speziell für diese eine Küche entwickelt wurde.

Wie HomeBody aufgebaut ist

GPT-6 Astra ruft direkt in eine Skill-Bibliothek auf

Die meisten Robotik-Lernstacks fügen zwischen das Sprachmodell und die Hardware eine trainierte Steuerungsschicht ein. Diese Schicht – oft ein Policy-Netzwerk oder Bewegungsplaner, der auf aufgabenspezifischen Daten verfeinert wurde – wandelt übergeordnete Absichten in Gelenkbefehle um. HomeBody entfernt sie. Ein austauschbares Vision-Language-Modell, in diesem Fall GPT Astra, ruft direkt in eine erweiterbare Bibliothek von Skills auf, die Greifen, Navigation und das Öffnen von Schubladen abdecken. Da die Bibliothek modular ist, können einzelne Fähigkeiten hinzugefügt oder ersetzt werden, ohne das gesamte System neu zu trainieren, und das zugrunde liegende VLM selbst kann gegen ein anderes Modell ausgetauscht werden.

Erst erkunden, danach erinnern

Bevor der Roboter irgendetwas anfasst, vermisst er den Raum. Er erstellt einen digitalen Zwilling der Küche in Nvidias Isaac Sim und protokolliert dann Objekte und ihre Positionen in einem räumlichen Gedächtnis. Dieses Gedächtnis ermöglicht es der Maschine, einen Gegenstand zu lokalisieren, nachdem er aus dem Sichtfeld des Roboters verschwunden ist – für einen Menschen Routine, für Systeme, die nur über das nachdenken, was die Kamera gerade erfasst, jedoch wirklich schwierig.

Planen, Handeln, Selbstkorrigieren

Angesichts einer lockeren Anweisung wie „räum die Küche auf“ zerlegt das Sprachmodell die Aufgabe in Schritte, führt sie über die Skill-Bibliothek aus und korrigiert sich selbst, wenn etwas schiefgeht. Der Plan ist kein festes Skript. Er passt sich an das an, was der Roboter entdeckt, und an Fehler, wenn sie auftreten – das ist der Unterschied zwischen Automatisierung und etwas, das allgemeinem Verhalten näher kommt.

Warum das Weglassen der Steuerungsschicht wichtig ist

Das Entfernen des trainierten Zwischenstücks verändert die Ökonomie und die Flexibilität des gesamten Systems in mehrfacher Hinsicht.

• Generalisierung: Der Roboter ist nicht auf einen einzigen Küchengrundriss oder eine enge Aufgabenliste festgelegt, weil die Schlussfolgerungen aus dem Modell stammen und nicht aus Daten, die für eine Umgebung gesammelt wurden.
• Modularität: Skills können unabhängig erweitert werden, und das Vision-Language-Modell kann ausgetauscht werden, sobald bessere erscheinen.
• Interpretierbarkeit der Absicht: Anweisungen können in gewöhnlicher Sprache gegeben werden, statt in maßgeschneiderte Controller kompiliert zu werden.

Der Kompromiss besteht darin, dass nun ein Frontier-Modell im Regelkreis sitzt – genau dort, wo die Schwächen des Systems am sichtbarsten werden.

Wo das System noch kämpft

Die Darstellung des Teams ist offen über die Mängel, und sie gruppieren sich um die Kosten, sich in Echtzeit auf ein großes Modell zu stützen.

• Latenz: Die Antwortzeiten von GPT-6 Astra sind ein limitierender Faktor, wenn der Roboter auf eine sich verändernde physische Szene reagieren muss.
• Hardware-Belastung: Die Fingerservos überhitzen bei längerer Manipulation – eine mechanische Einschränkung, die keine noch so gute Modellqualität überdecken kann.
• Rechenkosten: Ein Frontier-Modell im Regelkreis zu halten ist teuer, was für jeden relevant ist, der sich das in einem Haushalt statt in einem Labor vorstellt.

Nichts davon ist trivial. Latenz und Überhitzung sind die Art von Problemen, die nach dem Ende der Demo-Videos auftauchen, wenn ein System stundenlang statt minutenlang laufen muss. Die Rechenkosten entscheiden darüber, ob ein Ansatz wie HomeBody jemals das Forschungsumfeld verlässt.

Sicherheitsfragen und die Benchmark-Bilanz

HomeBody erscheint vor einem gemischten Hintergrund. Frühere Benchmarks zeigten, dass sich Astros räumliches Denken erheblich verbessert hatte – eine Voraussetzung für ein Modell, das darüber nachdenken muss, wo Dinge sind und wie man sie erreicht. Gleichzeitig wies separate Arbeit auf Sicherheitsprobleme hin, wenn Astra die Kontrolle über einen Roboter erhält. Diese beiden Befunde stehen unbehaglich nebeneinander: Dieselbe Fähigkeit, die das Modell für Manipulation nützlich macht, erhöht auch den Einsatz, wenn sein Urteil falsch ist.

Ein Sprachmodell, das direkte Befehle in eine Skill-Bibliothek ausgibt, verringert den Abstand zwischen einer schlechten Entscheidung und einer physischen Konsequenz. Das Fehlen einer trainierten Steuerungsschicht entfernt einen Filter, der zuvor unplausible oder unsichere Aktionen hätte einschränken können. Das macht den Ansatz nicht undurchführbar, bedeutet aber, dass die Sicherheitsbewertung mit der Fähigkeitsbewertung Schritt halten muss, statt hinter ihr herzulaufen.

Der breitere Vorstoß in Richtung embodied AI

HomeBody landet mitten in einem umfassenderen Wandel. OpenAI hat bereits Pläne angekündigt, zur Robotik zurückzukehren, einschließlich Maschinen für den persönlichen Gebrauch. Diese Ambition gibt Demonstrationen wie dieser einen kommerziellen Kontext jenseits des Akademischen: Wenn ein allgemeines Modell einen Humanoiden in einem unbekannten Raum bedienen kann, wird das Argument für den Bau von Hardware um ein einziges leistungsstarkes Modell herum deutlich stärker.

Die Arbeit von Stanford und Caltech liest sich am besten als Test dieser Prämisse. Sie behauptet nicht, Haushaltsrobotik zu lösen. Sie zeigt, dass die Schicht, die die meisten Forscher für notwendig hielten – ein trainierter Controller, der Sprache und Bewegung verbindet –, zumindest in dieser Konfiguration durch direkte Aufrufe in eine Bibliothek wiederverwendbarer Skills ersetzt werden kann.

Der Code ist öffentlich, und die Fragen sind offen

Der HomeBody-Code ist auf GitHub verfügbar, was bedeutet, dass andere Gruppen dieselbe Architektur auf verschiedenen Robotern und in verschiedenen Räumen untersuchen können. Die interessanten Fragen sind nun empirisch. Wie stark verschlechtert sich die Leistung, wenn die Küche unordentlicher ist, die Objekte unbekannt sind oder sich die Aufgabe über Stunden erstreckt? Wie viel des Erfolgs kommt von der Skill-Bibliothek und wie viel vom eigenen Denken des Modells? Und was passiert, wenn Latenz, Hitze und Rechenbudgets als erstklassige Einschränkungen behandelt werden statt als Fußnoten?

Vorerst steht die Demonstration als weiterer Datenpunkt dafür, dass GPT-6 Astra gut mit Robotern funktioniert – und als Erinnerung daran, dass die Lücke zwischen einer überzeugenden Küchen-Demo und einer zuverlässigen Haushaltsmaschine noch immer in Servos, Sekunden und Dollar gemessen wird.

Dieser Artikel basiert auf einer Reportage von The Decoder. Lesen Sie den Originalartikel.