Xiaomi sagt, Roboterschulung verbessert sich stärker durch Daten als durch Modellgröße

Xiaomi plädiert dafür, zuerst Roboterdaten zu skalieren, bevor Robotermodelle skaliert werden

Xiaomi hat ein neues Robotikmodell veröffentlicht, Xiaomi-Robotics-1, das auf einer These beruht, die prägen könnte, wie die nächste Generation von Robotersystemen trainiert wird: Wenn Maschinen Objekte in der realen Welt manipulieren sollen, könnten Daten wichtiger sein als größere Modelle.

Diese Schlussfolgerung erinnert an ein bekanntes Muster bei großen Sprachmodellen, deren Leistung oft steigt, wenn Trainingsdaten und Rechenleistung zunehmen. Die Robotik hat jedoch einen anderen Engpass. Textmodelle können auf das riesige öffentliche Internet zurückgreifen. Robotermodelle können das nicht. Nützliche Daten zum Greifen, Heben, Platzieren und Anpassen an unbekannte Umgebungen sind viel schwerer zu erfassen, deutlich teurer zu annotieren und in der Regel an enge Hardware-Setups gebunden.

Der Ansatz von Xiaomi ist bemerkenswert, weil er versucht, diesen Engpass zu überwinden, ohne sich in erster Linie auf teure Flotten physischer Roboter zu stützen. Stattdessen habe das Unternehmen den Großteil seiner Vortrainingsdaten mit tragbaren, mit Kameras ausgestatteten Handgreifern gesammelt. Menschen bedienten diese Werkzeuge direkt von Hand in realen Umgebungen und zeichneten Manipulationsaufgaben an Orten wie Küchen, Büros, Geschäften, Fabrikhallen und Außenbereichen auf.

Das Ergebnis sei laut Unternehmen ein Datensatz von mehr als 100.000 Stunden Bewegungsaufnahmen aus über 1.700 verschiedenen Umgebungen gewesen. Diese Größenordnung ist wichtig, weil Robotik-Lernsysteme oft Schwierigkeiten haben, über die Layouts, Objekte und Routinen hinaus zu generalisieren, die sie in eng geskripteten Erhebungen sehen. Durch den Einsatz von Handgeräten statt vollständiger Roboterplattformen in der ersten Datenerhebungsphase argumentiert Xiaomi, dass sich breitere Erfahrungen schneller und kostengünstiger sammeln lassen.

Eine andere Antwort auf den Datenmangel in der Robotik

Die Standardmethode zur Erfassung von Daten für robotische Manipulation ist langsam. Eine Person führt einen Roboter per Fernsteuerung Schritt für Schritt durch Aufgaben und erzeugt Demonstrationen, die auf die Sensoren, Gelenke und Greifer der jeweiligen Maschine zugeschnitten sind. Die Methode kann funktionieren, skaliert aber nur schwer und liefert oft repetitive Beispiele aus ähnlichen Umgebungen.

Xiaomis tragbares Setup soll diese Einschränkung umgehen. Weil eine Person den Greifer einfach in verschiedene Räume tragen und direkt verwenden kann, kann das Unternehmen Beispiele aus weit mehr Umgebungen sammeln, als eine Roboterflotte typischerweise abdecken würde. Das beseitigt jedoch nicht das Transferproblem. Ein Handgreifer ist nicht dasselbe wie ein fahrender Roboter oder ein Zwei-Arm-System. Das Modell muss weiterhin lernen, wie sich die von einem von Menschen bedienten Werkzeug aufgezeichneten Bewegungsmuster auf die physikalischen Einschränkungen und Steuerungssysteme realer Roboter abbilden lassen.

Xiaomi sagt, dieses Problem durch die Übertragung des vortrainierten Systems auf physische Roboter in späteren Phasen angegangen zu haben, einschließlich fahrender Plattformen und Zwei-Arm-Systemen. Für das Post-Training kombinierte das Unternehmen eigene Aufnahmen aus realen Wohnungen mit Open-Source-Robotikdatensätzen und annotierten UMI-Daten. Es entsteht ein mehrstufiger Pipeline-Ansatz: Manipulationserfahrungen breit und günstig sammeln, in großem Maßstab annotieren und dann auf die Hardware anpassen, die die Aufgaben tatsächlich ausführt.

Das könnte für die gesamte Robotikbranche bedeutsam sein, weil das Feld seit Langem mit einer unangenehmen Diskrepanz ringt. Forschende wollen allgemeines Roboterverhalten, doch die Dateninfrastruktur dafür ist oft lokal, maßgeschneidert und teuer geblieben. Xiaomi argumentiert im Kern, dass sich Robotik-KI weniger wie klassische Robotikentwicklung und mehr wie die Entwicklung von Foundation Models fortentwickeln könnte, bei der Qualität, Umfang und Vielfalt der Vortrainingskorpora zu strategischen Vermögenswerten werden.

Automatisierte Kennzeichnung macht die groß angelegte Erfassung praktikabel

100.000 Stunden Manipulationsdaten zu sammeln ist nur die halbe Miete. Diese Aufnahmen brauchen auch Beschreibungen, aus denen ein Modell lernen kann. Xiaomi sagt, manuell wäre eine Kennzeichnung in diesem Umfang unpraktikabel gewesen, daher habe ein anderes KI-System Textbeschreibungen für jedes Bewegungssegment erzeugt. Das Unternehmen gibt an, den gesamten Datensatz in etwa zwei Wochen beschriftet zu haben.

Dieser Schritt ist wichtig, weil Robotermodelle, die gesprochenen oder geschriebenen Anweisungen folgen sollen, eine Brücke zwischen Bewegung und Sprache benötigen. Wenn die Labelqualität hoch genug ist, kann das Modell beginnen, textuelle Ziele mit physischen Aktionen und Szenenänderungen zu verknüpfen. Sind die Labels schwach oder inkonsistent, hilft auch reine Skalierung nicht. Xiaomis berichteter Zeitrahmen legt nahe, dass automatische Annotation in der Robotik zentral wird, nicht nur als Komfort, sondern als Voraussetzung für Datensätze, die groß genug sind, um breite Generalisierung zu ermöglichen.

Das Modell selbst ist darauf ausgelegt, gesprochene oder schriftliche Befehle in unbekannten Umgebungen ohne vorherige Exposition zu befolgen und sich mit wenig zusätzlichem Training an neue Aufgaben anzupassen. Das ist ein ehrgeiziges Ziel, passt jedoch zu einem breiteren Branchenwandel von auf einzelne Aufgaben zugeschnittenen Roboterpolitiken hin zu Systemen, die Wissen über Umgebungen und Anweisungen hinweg übertragen können.

Warum Xiaomis Ergebnis über ein einzelnes Modellrelease hinaus wichtig ist

In Xiaomis Tests verbesserte eine Vergrößerung des Modells zwar die Leistung, doch mehr Trainingsdaten führten zu deutlich größeren Zugewinnen. Das ist die zentrale Erkenntnis. Sollte sie über Xiaomis interne Bewertung hinaus Bestand haben, würde das nahelegen, dass der schnellste Weg zu besserer robotischer Manipulation nicht allein in immer größeren Architekturen liegt, sondern in der Fähigkeit, reichere und vielfältigere physische Erfahrungen zu sammeln und sie in großem Maßstab mit Sprache zu verbinden.

Das hat praktische Folgen dafür, wie Unternehmen Kapital einsetzen. Größere Modelle verlangen mehr Rechenleistung, doch größere und vielfältigere Datensätze erfordern Erfassungssysteme, Annotation-Pipelines, Speicher, Kuratierung und Transfermethoden, die unordentliche reale Variation aufnehmen können. Ein Unternehmen, das diese operativen Probleme löst, kann sich einen Vorteil verschaffen, der sich durch bloße Modellskalierung nur schwer kopieren lässt.

Es verschiebt auch eine zentrale Frage in der Robotik: nicht nur, wie intelligent ein Modell abstrakt ist, sondern wie viel von der physischen Welt es tatsächlich gesehen hat. Bei Sprachmodellen stellte das Internet diese Breite bereit. Für Roboter gibt es kein gleichwertiges, fertiges Korpus. Xiaomis Arbeit legt nahe, dass die Branche dieses Korpus möglicherweise mit neuen Werkzeugen und Workflows erzeugen muss, statt darauf zu warten, dass es einfach entsteht.

Es bleiben offene Fragen. Das vorliegende Material enthält keine unabhängigen Benchmark-Details, keine Einsatzresultate und keine Ausfallraten über bestimmte Aufgaben hinweg. Es zeigt auch nicht, wie gut das Modell die Leistung beibehält, wenn es zwischen deutlich unterschiedlichen Roboterformen übertragen wird. Doch selbst mit diesen Einschränkungen sticht die Veröffentlichung heraus, weil sie den Fokus von der Schlagzeilen machenden Modellgröße auf das weniger glamouröse Problem der Datenerzeugung lenkt.

Für eine Branche, die Maschinen bauen will, die in Wohnungen, Arbeitsplätzen und öffentlichen Räumen agieren können, könnte das die folgenreichere Verschiebung sein. Xiaomi präsentiert nicht nur ein Robotermodell. Das Unternehmen formuliert ein Argument darüber, wo der nächste Fortschritt in der Robotik-KI wahrscheinlich herkommen wird: aus einem breiteren Kontakt mit der physischen Welt, erfasst in genug Umfang und Vielfalt, damit Roboter anfangen können, aus Erfahrung in einer Größenordnung zu lernen, die näher an moderner KI liegt.

Dieser Artikel basiert auf Berichten von The Decoder. Zum Originalartikel.