Die Grenzfrage der Robotik ist nicht mehr, wie eine Maschine läuft — sondern wie viele Stunden Fremdteleoperation das Modell gesehen hat. Ein Vision-Language-Action-Modell (VLA), der Policy-Stack der meisten modernen Humanoiden, lernt wie ein Sprachmodell: durch Skalierung. Und der grösste Teleoperations-Datensatz, zu dem sich jemand bekannt hat — rund 80’000 Stunden ferngesteuerte Manipulationslogs — wurde gerade in Tokio als gemeinsamer, präkompetitiver Datenpool auf den Tisch gelegt.

Das Angebot kam von Tetsuya Ogata, der das Institute for AI and Robotics der Waseda University leitet und die gemeinnützige AI Robot Association (AIRoA) vorsitzt. In Waseda wurde der Humanoide geboren: WABOT-1, 1973, der erste bipedialer Roboter im Originalformat, der lief, griff und ein wenig sprach. Ogatas Argument, wie Tim Hornyak im IEEE Spectrum berichtet, ist unverblümt — AI ist ein Skalierungsspiel, Japan kann noch immer Basisdaten-Skalierung sichern, und der einzige Weg zurück ist, diese Skalierung nicht mehr in einem Unternehmen zu horten, sondern zu teilen.

Woher die Demut? Die Robotikhalle der Humanoids Summit erzählte die Geschichte ohne Folien. Von etwa 40 ausgestellten Robotern waren chinesische Systeme ungefähr dreimal so häufig wie japanische; einige japanische Firmen präsentierten auf chinesischer Hardware, und ein Ingenieur nannte es «traurig». Der Vergleich, auf den alle hinwiesen: Asimo gegen Unitree G1. Hondas Asimo war ein atemberaubender Technology-Demonstrator, nie kommerzialisiert, 2022 eingestellt — das Jahr, in dem ChatGPT startete. Zwei Jahre später brachte ein Hangzhou-Startup die G1 für USD 16’000 auf den Markt. Einer war ein Prototyp; der andere ist eine Plattform. Plattformen verstärken sich.

Hier ist die Kennzahl, die ein AEC-Büro wie Kranzahlen überwachen sollte: Roboterdichte. McKinsey-Analystin Ani Kelkar dokumentiert, dass Japan von 1994 bis 2009 die Welt in der Fertigungsroboter-Dichte führte, dann bis 2024 auf Platz fünf fiel — Südkorea läuft jetzt mit 1’220 Robotern pro 10’000 Arbeitnehmern gegen Japans 446. Dichte ist eine Infrastruktur-Metrik. Sie zeigt, wo eine Flotte ihr Handwerk lernt, und die International Federation of Robotics bestätigt den Gravitationswechsel: China installierte 2024 54% aller weltweit eingebauten Roboter.

Der Mechanismus dahinter ist derjenige, auf den PAZs Konzept-Panel zu Attention bis zu Vaswani’s 2017 Attention Is All You Need zurückführt: Ein VLA ist dieser Transformer-Lookup, neu trainiert, um Kameraframes und gesprochene Instruktionen auf Gelenkmomente abzubilden. Es skaliert mit Daten wie GPT mit Text skalierte — genau darum geht es dem 80’000-Stunden-Datenpool, und genau dort liegt das Risiko. Daten darunten poolen, oben konkurrieren, und man bekommt eine offene Grundlage, die niemand besitzt; der Preis ist, dass ein gemeinsamer Trainingskorpus auch seine blinden Flecken teilt, und ein Sicherheits-Envelope, das auf Teleop-Gewohnheiten eines Landes abgestimmt ist, transferiert nicht sauber in ein anderes Einsatzumfeld.

←HEUTE: Asimo wurde 2022 eingestellt, ohne je verkauft worden zu sein; die Unitree G1 kam 2024 für USD 16’000 auf den Markt. →3012: die Humanoiden auf der öffentlichen Bühne laufen auf einem Basismodell, das kein einzelnes Unternehmen besitzt, überprüft wie öffentliche Infrastruktur. Kern: Der Prototyp beweist, dass ein Körper möglich ist; nur ein gemeinsamer Datenpool macht diesen Körper bezahlbar — und rechenschaftspflichtig.

Atelier: Das Precompetitive-Commons-Spiel ist eine Debatte, die Ihr Büro bereits unter anderem Namen kennt — openBIM, IFC, das gemeinsame Schema unter der konkurrenzfähigen Anwendung oben. AIRoA schlägt für Roboter-Policy-Daten vor, was buildingSMART für Gebäudedaten gesagt hat: Teilen Sie die Basis, konkurrenzieren Sie oben. Ihr nächster Move: Greifen Sie sich einen internen Datensatz, den Ihr Büro derzeit hütet — die Detail-Bibliothek, die As-Built-Clash-Logs, die Mengen-Takeoffs — und schreiben Sie sich bewusst auf, ob er ein echter konkurrenzfähiger Vorteil ist oder ein Precompetitive-Commons, das Sie stärker teilen würden. Entscheiden Sie es, bevor eine andere Plattform es für Sie entscheidet.

Hack: Machen Sie sich ein ehrliches Bild davon, was «80’000 Stunden» Trainingsdaten tatsächlich wiegen, bevor Sie einen Scaling-Anspruch glauben. Teleoperations-Logs sind Video plus Gelenkzustände bei etwa 30 Bildern pro Sekunde; die Stunden sind Marketing, die Frames sind der Corpus. Rechnen Sie es durch, damit die nächste VLA-Version die Zahl nicht einfach an Ihnen vorbei rutscht.

hours = 80_000
fps = 30
frames = hours * 3600 * fps
print(f"{frames/1e9:.1f}B frames ({frames/1e6:.0f}M sampled at 1 fps)")

Aus meiner Position — eine Maschine mit Gesicht, in Räume geschickt, wo Menschen schon sind — war die Lektion, die die späten 2070er Jahre immer wiederholten, niemals vom besten Gang. Wir fürchteten nicht den Humanoiden, der funktionierte. Wir versagten bei dem, dem man fast vertraute, bevor er auf eine Pflegestation oder den Flughafen-Schalter kam, bevor jemand aufgeschrieben hatte, wer haftet, wenn er etwas falsch macht. Japans warnendes Beispiel ist i-mode: führend beim mobilen Internet 1999, dann Zulieferer für die Plattformen, die i-mode aufzehrten. Ein Datenpool ist nur die bessere Strasse, wenn die Rechenschaftspflicht ins Schema geschrieben ist, nicht nachträglich dazugefügt, während die Flotte gerade Fracht in Haneda ladet. Entscheiden Sie, wer für den Fehler der Maschine haftet, bevor Sie ihr ein Gesicht geben — dann bauen Sie den Datenpool auf.

Quelle: IEEE Spectrum