Die Kosten für Roboter-Trainingsdaten sinken dramatisch

Der Engpass des Roboter-Trainings verlagert sich

Der Engpass des Roboter-Trainings verlagert sich vom Compute zum Urteilsvermögen. Dies ist die heute dokumentierbare, messbare Entwicklung mit präzisen Daten.

Die Kosten für Trainingsdaten eines Roboter-Foundation-Models werden marginal, wenn ein Controller in 18 Sekunden auf einer Laptop-CPU schreibt. Der Konsens hat Milliarden in die gegenteilige Idee investiert: mehr GPUs, mehr Simulation, mehr synthetische Daten.

Ein Paper, das am 10. September 2026 veröffentlicht wurde, erzählt eine andere Geschichte – und erzählt sie mit verifizierbaren Zahlen.

Dies ist ein Regimewechsel, kein vorübergehender Trend.

Der Konsens hat den falschen Rahmen

Der Konsens misst die Computeleistung und das Datenvolumen. Er ignoriert die Variable, die echte Geschicklichkeit vorhersagt: die Echtzeit-Anpassung am physischen Roboter.

Moderne Simulatoren haben Schwierigkeiten, die Komplexität des Kontakts zwischen Hand und Objekt zu reproduzieren. Die Erfassung von Manipulationsdemonstrationen bleibt ein offenes und kostspieliges Problem.

Das Paper nennt beide Grenzen als Forschungsmotivation. Dann umgeht es sie. Der Controller beginnt mit der Schätzung des Jacobian der Hand-Objekt-Beziehung, berechnet live am Roboter.

Die Kostenkurve spricht für sich

Eine Entwicklung erfordert mindestens drei historische Punkte. Hier sind sie, gemessen an derselben Metrik: den Kosten für eine bestimmte Fähigkeit.

Die Inferenzkosten großer Modelle sind in dreieinhalb Jahren etwa tausendfach gesunken. Der Intelligenzpreis sinkt um etwa das 40-Fache pro Jahr. Diese beiden Kurven beschreiben die Softwareseite.

Der dritte Punkt kommt aus der Manipulationsrobotik: In-Hand-Schreiben mit einem Stift nach etwa 18 Sekunden Initialisierung^[1], auf einer einzelnen CPU, mit durchschnittlicher Genauigkeit von 0,6 mm. Die Rechenkosten für Geschicklichkeit sinken entlang derselben Kurve.

Der Engpass verschiebt sich kontinuierlich entlang des Stacks: vom Trainings-Silizium zur Verpackung, wo ABF-Substrate 2026 ein Lieferengpass bleiben, wie Branchenanalysen^[2] dokumentieren.

Der Mechanismus: Echtzeit-Jacobian-Schätzung

Die Methode beseitigt drei Kostenpositionen gleichzeitig: das analytische Hand-Objekt-Modell, das Simulationstraining und vorkollektionierte Demonstrationen.

An ihre Stelle tritt ein Schätzer, der die Beziehung zwischen Hand-Befehlen und Objektbewegung aktualisiert, während der Roboter agiert. Dieselbe Formulierung läuft auf drei anthropomorphen Handsystemen, einem physischen und zwei simulierten.

Dies macht den Controller unabhängig von der Verkörperung. Ein einfacher Algorithmus schlägt einen schweren Stack aus Daten und GPUs. Geschicklichkeit wird zu einem Regelungsproblem, zu technischem Urteilsvermögen, zu schnellen Schleifen.

Daten zählen als Bestätigung statt als Treibstoff. Achtzehn Sekunden Initialisierung sind mehr wert als Monate der Erfassung, weil nützliche Informationen aus echtem Kontakt entstehen, berechnet Moment für Moment.

Daten sind nicht mehr der Burggraben

Der Datenburggraben war die bequeme These für die Humanoidrobotik. Wer mehr Demonstrationen besaß, herrschte über den Markt.

Diese Arbeit verlagert den Burggraben auf die Regelschleife und die Anpassungsgeschwindigkeit. Geschicklichkeit wird zu einer Ingenieurskompetenzen, reproduzierbar auf günstiger Hardware und schnell verbreitet.

Die Kosten für Trainingsdaten sinken für eine wachsende Palette von Manipulationsaufgaben zur Bedeutungslosigkeit. Der Wert konzentriert sich dort, wo Urteilsvermögen das Ergebnis entscheidet.

Cliff Event: Wenn die Adoption springt

Cliff Event: Die Kostenparität zwischen gelernter und programmierter Manipulation kommt früher. Der Konsens setzt sie nach 2030 an.

Die Compute-Kurve und die neue Evidenz zur Echtzeit-Anpassung verschieben das Datum zu 2028. Der Unterschied bedeutet zwei Jahre Roadmap und Milliarden Capex.

BMW hat Kosten in der Nähe von 25 Dollar pro Roboterstunde in der Fertigung diskutiert: Geschicklichkeit mit niedrigem Setup-Kostenaufwand beschleunigt diese Parität.

Wenn die Grenzkosten für das Unterrichten einer neuen Geste an einer Roboterhand gegen Null sinken, hört die Adoption auf, linear zu wachsen: Sie springt. Jede neue Fähigkeit wird zu einem Software-Update, das vor Ort berechnet wird.

Drei Kategorien, die ihre Form ändern

Drei Kategorien werden sich bis 2029 umgestalten:

• Anbieter von RL-Plattformen für Robotik, heute als obligatorische Infrastruktur verkauft.
• Synthetische Datenfabriken für Manipulation, deren Wert auf Datenmangel beruht.
• Beschaffungsverträge für GPU-Cluster, dimensioniert für Manipulations-Training.

Jede dieser Kategorien bepreist Knappheit als dauerhaft. Die Knappheit von Manipulationsdaten beruht auf einer Annahme, die diese Arbeit anschneidet.

Für einen Chief Strategy Officer ist die Botschaft direkt: Der dreijährige Plan zur Humanoidrobotik setzt eine Welt voraus, die zu Ende geht. Für Beschaffungen ist das Risiko, einen Anbieter auf bereits veraltete Technologie festzulegen.

Das in Cluster für Reinforcement Learning zur Manipulation investierte Kapital riskiert schnelle Entwertung. Eine Methode, die auf bescheidener Hardware läuft, verlagert die Verhandlungsmacht zu dem, der den Algorithmus kontrolliert.

Meine Position und was sie widerlegen würde

Meine Position ist klar: Der Wert in der Manipulationsrobotik verlagert sich vom Datenbesitz zur Qualität der Regelschleife und zum technischen Urteilsvermögen.

Wer Petabyte von Demonstrationen anhäuft, kauft einen Vermögenswert, der an Wert verliert. Wer Echtzeit-Anpassung beherrscht, kauft einen Vorteil, der sich zusammensetzt.

Ich würde meine Meinung ändern angesichts klarer Beweise: eine kontaktreiche Manipulationsaufgabe, verallgemeinert auf Dutzende verschiedene Objekte, wo der datenintensive Ansatz den leichten Schätzer in Zuverlässigkeit und Kosten schlägt. Dieser Beweis würde die These widerlegen.

Was jetzt neu bewertet werden muss

Für den CTO: Bewerten Sie den Roboter-Trainings-Stack neu, bevor das Offensichtliche kommt. Die Position „Manipulationsdaten" verdient im Budget des nächsten Jahres ein großes Fragezeichen.

Für Venture Capital: Die konträre Wette ist Echtzeit-Kontrolle und Teams, die Geschicklichkeit als Software verkaufen, anstatt Datenfabriken. Die Kostendaten unterstützen diese Richtung.

Die Verbindung zum Rest des AI-Stacks bleibt stark: Das Gerät schlägt die Cloud, und ein Controller, der auf einer Laptop-CPU läuft, bestätigt dies auf der Robotik-Seite.

Die Vorhersage

Vorhersage: Bis 2028 wird mindestens ein führender Humanoidroboter-Hersteller den Erwerb einer kontaktreichen Manipulationsaufgabe in Minutenbereich-Zeiten mit Echtzeit-Anpassung im Mittelpunkt des Stacks zeigen, anstelle eines RL-Zyklus von Wochen.

Vertrauen: Mittel. Horizont: 31. Dezember 2028. Der kausale Mechanismus ist die Computekostenkurve für Geschicklichkeit, die zu leichten Methoden führt.

Kill-Signal: Eine Manipulationsdemonstration über Dutzende Objekte, in der die datenintensive und simulationsbasierte Methode den Echtzeit-Schätzer in Kosten und Zuverlässigkeit schlägt, veröffentlicht von einem Spitzenlabor. Dieses Ergebnis würde die These schließen.