Humanoide Roboter: Trainingsdaten werden 200-mal günstiger

Der Konsens hat den falschen Rahmen

Der Engpass der humanoiden Robotik hat die Adresse gewechselt: Heute heißt er Kosten pro Trainingstrajektorie.

Der Konsens schaut noch immer auf die Hardware, den Preis der Aktuatoren und die GPU-Stunden des Foundation Model. Das ist die falsche Kennzahl. Die Kennzahl, die die Parität mit der Fertigungsarbeit vorhersagt, sind die Kosten der Robotik-Trainingsdaten pro einzelnem ausführbarem Beispiel, Tastsinn inklusive.

Wer die Knappheit an Robotikdaten als dauerhaft behandelt, preist einen Engpass ein, der wandert. Wir haben es bereits beim Training-Silizium und beim Packaging gesehen: Jede Knappheit hält einen Zyklus lang. Wer sie vertraglich als ewig festschreibt, zahlt den vollen Preis des nächsten Zyklus.

Die Kurve: drei Punkte, eine Größenordnung pro Sprung

Die Entwicklung der Robotikdaten hat drei dokumentierte Etappen, und jede Etappe verschiebt die Größenordnung.

• 2022, Ära der Teleoperation: Der RT-1-Datensatz von Google benötigte 13 Roboter und 17 Monate Datenerhebung für rund 130.000 Episoden, öffentliche Zahlen aus dem ursprünglichen Paper.
• 2023, Ära der Aggregation: Open X-Embodiment vereinte über eine Million Episoden von 22 Robotertypen und summierte die Datensätze von Dutzenden Laboren.
• 2026, Ära des menschlichen Videos: 50 Videodemonstrationen erzeugen 10.000 simulierte Trajektorien, Verhältnis 200 zu 1, laut UniDex-ViTac^[1].

Der erste Sprung hat das Volumen vervielfacht, indem er zusammenführte, was bereits existierte. Der zweite Sprung ist anderer Natur: Er ändert die Datenquelle. Ein Operator in Teleoperation produziert alle paar Minuten eine Episode, eine Person vor einer Kamera produziert in wenigen Sekunden ein Video, und die Simulation erledigt den Rest.

Die Kostenkurve sagt Folgendes: Die menschlichen Kosten pro Trajektorie sinken in einem einzigen technologischen Schritt um zwei Größenordnungen. Das Verhältnis 200 zu 1 ist die Zahl, die man sich einrahmen sollte.

Es ist dasselbe Profil wie bei Solar und bei der Inferenz: Die Technologie reift über Jahre, dann komprimiert ein Quellenwechsel die Kosten auf einen Schlag.

Was UniDex-ViTac beweist

Das Paper UniDex-ViTac^[1], am 15. September 2026 auf arXiv veröffentlicht, geht von 50 menschlichen Videos zu zehn Objekten aus und leitet daraus 10.000 simulierte Trajektorien ab, um eine einzige generalistische Policy zu trainieren.

Der Mechanismus zählt mehr als die Zahl. Spezialisten für residuales Reinforcement Learning passen jede annotierte menschliche Interaktion an ein robotisches Arm-Hand-System an. Jeder erfolgreiche Rollout trägt die Kontaktbeobachtungen der Finger mit sich, und der Tastsinn, das teuerste auf realer Hardware zu erhebende Datum, entsteht in der Simulation zu Grenzkosten.

Die physischen Ergebnisse sind der Teil, den ein CTO zweimal lesen muss. Die Policy besteht ohne Demonstrationen auf einem realen Roboter und ohne Fine-Tuning 73 von 110 Versuchen (66,4%) über sechs bekannte und fünf nie gesehene Objekte. Die rein auf der Punktwolke basierende Baseline bleibt bei 60 von 110 (54,5%) stehen: 11,8 Prozentpunkte Unterschied, wie das Paper^[1] berichtet. In der Simulation ist der Abstand ähnlich, 68,3% gegenüber 55,5%.

Übertreffen 66% die industrielle Schwelle? Nein, noch nicht. Der Punkt ist ein anderer: Diese 66% wurden mit 50 Videos erkauft, und die Grenzkosten der nächsten 66% liegen nahe null.

Warum der Engpass wandert

Jede Knappheit hält einen Zyklus lang.

Das Training-Silizium schien 2023 die Grenze zu sein. Dann verlagerte sich die Beschränkung auf das Packaging, mit einer CoWoS-Kapazität, die von 13.000 auf 120.000 Wafer pro Monat stieg, wie dieser Desk bereits gemessen hat, danach auf den HBM-Speicher. Die Robotik folgt demselben Schema: Aktuatoren, dann Rechenleistung an Bord, dann Daten.

Die Datenbeschränkung hat eine Eigenschaft mehr: Sie ist die elastischste der drei. Ein Aktuator erfordert eine Fabrik, eine simulierte Trajektorie erfordert eine GPU-Stunde, und der Preis der GPU-Stunde sinkt seit Jahren. Wenn die Quelle das menschliche Video wird, ist das Angebot per Definition unbegrenzt: Milliarden Stunden bereits gefilmter Manipulation.

Die Rechenleistung an Bord läuft in dieselbe Richtung. Arm bringt das Thema der Skalierung von Physical AI auf die Bühne der RoboBusiness, wie The Robot Report^[2] vorab berichtet. Wenn der Lieferant der Architekturen für das Gerät von Skalierung spricht, ist die lokale Inferenz bereits ein Volumenproblem und hat aufgehört, ein Machbarkeitsproblem zu sein.

Cliff Event: Kostenparität 2028-2029

Cliff Event: aus Videos erzeugte taktile Trajektorien zu Grenzkosten, im Jahr 2027, mit Manipulations-Policies, die für eine spezifische Produktionslinie in Tagen statt in Monaten trainiert werden.

Die Position dieses Desks bleibt die erklärte: Kostenparität zwischen Humanoid und Fertigungsarbeiter 2028-2029. Der erste Ankerpunkt ist BMW mit 25 Dollar pro Roboterstunde, und die Kurve folgt der Solarkurve, minus 90% in zehn Jahren.

Der Konsens sagt 2035. Die Differenz beträgt sechs Jahre, und der Posten, der die Lücke schließt, sind genau die Daten. Hardware und Rechenleistung lagen bereits auf bekannten Kurven. Die Daten waren die einzige Variable, die als flach eingepreist war, und das Verhältnis 200 zu 1 macht sie steil.

Das geht über einen Trend hinaus: Es ist ein Regimewechsel. Seit Jahren unvermeidlich. Ab diesem Paper auch unmittelbar bevorstehend.

Drei Kategorien, die bis 2028 ihre Form ändern werden

Drei Kategorien, die bis 2028 in einer anderen Form als der heutigen existieren werden:

1. Die Teleoperationsflotten für die Datenerhebung. Ihr Asset sind die menschlichen Kosten pro Episode: Wenn diese Kosten um das 200-Fache fallen, wandert das Geschäftsmodell zur physischen Validierung der Policies und gibt die Erhebung auf.
2. Die Lizenzen für Robotik-Datensätze. Ein Datensatz teleoperierter Episoden ist wie ein Rohstoffvorkommen wert: viel, bis jemand eine kostenlose Quelle findet. Das menschliche Video ist diese Quelle.
3. Die mehrjährigen Verträge mit Humanoid-OEMs, die proprietäre Daten als Wettbewerbsvorteil verkaufen. Der Burggraben verlagert sich auf die Pipeline Video-Simulation-Policy und auf den taktilen Sensor an Bord.

Für den CTO: den Simulations-Stack und die Kontaktsensoren jetzt neu bewerten, bevor es offensichtlich wird. Für den VC: Die Wette, die unmöglich erscheint, ist das Team, das Video-Policy-Konvertierung verkauft, niemals das Team, das Teleoperationsstunden verkauft. Für den Einkauf: Jeder Dreijahresvertrag, der an flache Robotik-Datenkosten gekoppelt ist, muss mit Step-down-Klauseln nachverhandelt werden.

Für den Chief Strategy Officer ist das Risiko ein Dreijahresplan, der eine Knappheit voraussetzt, die sich bereits auflöst.

Das in Datenerhebungsflotten gebundene Kapital verhält sich wie das 2024 in CoWoS-Kapazität gebundene Kapital: Es rentiert, solange die Kurve es erlaubt, dann wird es zu versunkenen Kosten.

Was mich umstimmen würde

Die These hat einen fragilen Punkt, und ich benenne ihn: den Sim-to-Real-Gap.

Die physischen 66,4% von UniDex-ViTac kommen bei elf Tischobjekten zustande. Eine Montagelinie hat Toleranzen, flexible Kabel und Einpresskräfte, die die Simulation schlechter abbildet. Sollten die aus Videos entstandenen Policies bei realen Industrieaufgaben weitere zwei Jahre hinter den teleoperierten zurückbleiben, wären die Kosten pro Trajektorie nicht mehr die richtige Kennzahl. Meine Kurve würde den dritten Punkt verlieren.

Der zweite Zweifel ist der Tastsinn. Vier binäre Kontaktsignale reichen zum Greifen. Zum Schrauben oder Verkabeln braucht es kontinuierliche Kräfte, und dort ist die Kluft zwischen simuliertem und realem Sensor größer.

90% der Analysten haben recht, was die Gegenwart betrifft. Sie irren beim Tempo des Wandels, und das Tempo ist hier ein Verhältnis von 200 zu 1, bereits gemessen und bereits veröffentlicht.

Prognose, Horizont, Kill Signal

Prognose: Bis zum 31. Dezember 2027 wird mindestens einer unter Figure, 1X, Apptronik und Tesla Optimus die neue Quelle seiner Daten öffentlich erklären. Die Erklärung wird besagen, dass über 50% der Trainingsdaten der Manipulations-Policies aus menschlichen Videos oder Simulation stammen, statt aus direkter Teleoperation.

Confidence: Medium, 65 von 100. Horizont: 471 Tage. Es ist eine Prognose zum Markt-Timing, und deshalb bleibt sie bei mittlerer Confidence. Die Prognose zur Technologie, der Einbruch der Kosten pro Trajektorie, hat hohe Confidence.

Kill Signal: Am 31. Dezember 2027 nennt jede öffentliche Offenlegung der vier Hersteller noch immer die menschliche Teleoperation als Hauptquelle der Trainingsdaten für die Manipulation. In diesem Fall war der Datenengpass härter, als die Kurve sagte, und die Kostenparität verschiebt sich über 2029 hinaus.