Xiaomis Roboter-KI lernt aus 100.000 Stunden Realität statt nur aus Videos

Die spektakulärsten Robotervideos zeigen meist einen einzelnen gelungenen Griff. Xiaomi setzt an einer weniger fotogenen Stelle an: an der Datenmenge vor dem Griff. Das Unternehmen stellt Xiaomi-Robotics-1 vor, ein Modell für Roboter, das mit mehr als 100.000 Stunden realer Manipulationsabläufe vortrainiert wurde. Die Zahl klingt nach Videoarchiv. Gemeint sind aber Aufzeichnungen, in denen Greifer und Objekte bewegt werden, ergänzt um Beschreibungen dessen, was sich in einer Szene verändert.

Das ist für Robotik wichtiger als der nächste geschmeidige Auftritt eines menschenähnlichen Körpers. Ein Roboter muss nicht nur erkennen, dass vor ihm eine Tasse steht. Er muss abschätzen, wie er sie anfasst, wie viel Kraft nötig ist und was passiert, wenn sie hinter einer Tür oder zwischen anderen Dingen liegt. Je mehr unterschiedliche Situationen ein Modell vorher gesehen hat, desto eher kann es mit unbekannten Gegenständen und Räumen umgehen. Xiaomi liefert damit noch keinen Beweis für einen universellen Hausroboter. Der Ansatz zeigt aber, wo der nächste Fortschritt gesucht wird: bei Daten aus der physischen Welt.

Das Wichtigste in Kürze

• Xiaomi-Robotics-1 wurde laut Unternehmen mit über 100.000 Stunden realer Manipulationsabläufe aus mehr als 1.700 Szenarien vortrainiert.
• Die erste Trainingsphase nutzt Handgreifer-Daten; erst danach wird das Modell mit Daten echter Roboterarme und mobiler Roboter auf konkrete Maschinen abgestimmt.
• In den veröffentlichten Tests steigen die Erfolgsraten mit mehr Daten und größeren Modellvarianten.
• Die angegebenen Spitzenwerte stammen aus Xiaomis technischem Bericht und sind noch keine unabhängige Produktprüfung.
• Der entscheidende Engpass ist nicht allein der Roboterkörper, sondern bezahlbare, vielfältige Daten für Handlungen in der echten Welt.

Was die 100.000 Stunden tatsächlich zeigen

Die kurze Formel „100.000 Stunden Videos“ trifft nur die halbe Sache. Xiaomi beschreibt die Daten als Manipulations-Trajektorien, die mit der Universal Manipulation Interface, kurz UMI, erfasst wurden. Dabei führen Menschen Greifer durch Handlungen; Kameras und Bewegungsdaten halten fest, wie sich Greifer und Gegenstände zueinander bewegen. Das Unternehmen spricht von mehr als 1.700 Umgebungen, darunter Wohnungen, Gewerberäume, Industrieflächen und Außenbereiche.

Solche Daten umgehen ein klassisches Problem der Robotik: Echte Roboterstunden sind teuer. Man braucht Hardware, Sicherheitsvorkehrungen und Menschen, die Daten aufzeichnen oder Aufgaben fernsteuern. Ein handgeführter Greifer ist billiger und lässt sich an viel mehr Orten einsetzen. Er liefert allerdings nicht sofort eine Anweisung für einen bestimmten Roboterarm. Xiaomi trennt deshalb bewusst zwei Lernphasen: erst allgemeine Bewegungs- und Szenenbeziehungen lernen, dann an echte Roboterkörper und klare Sprachbefehle anpassen.

In dieser zweiten Phase nutzt Xiaomi nach eigenen Angaben rund 10.000 Stunden Daten aus unterschiedlichen Robotersystemen, darunter mehr als 7.200 Stunden mit mobilen Manipulatoren und zweiarmigen Robotern. Die gewählte Reihenfolge ist der interessante Teil: Nicht jeder Lernmoment muss sofort auf einem teuren Roboter stattfinden. Die breite Erfahrung kommt vorher, die körperliche Übersetzung danach.

Vom Satz zur Bewegung

Technisch gehört Xiaomi-Robotics-1 zur Familie der Vision-Language-Action-Modelle, kurz VLA. Sie verbinden Kamerabilder, Sprache und einen Bewegungsbefehl. Ein Sprachmodell allein kann erklären, wie man eine Tasche packt. Ein VLA-Modell muss aus Bild und Anweisung eine Folge von Bewegungen ableiten: wohin der Greifer geht, wann er schließt und wie das Objekt abgelegt wird.

Damit das Modell die große Datenmenge nutzen kann, werden die Aufnahmen automatisch mit Beschreibungen der Zustandsänderungen versehen. Der Bericht beschreibt etwa den Übergang von „Objekt liegt auf Tisch“ zu „Objekt liegt im Behälter“. Später wird dieses Wissen auf direkte Aufforderungen wie „Räume die Schuhe ein“ übertragen. Diese Brücke zwischen Beschreibung und Handlung ist entscheidend. Ohne sie wäre die Datenbank vor allem ein langes Archiv gut gefilmter Hände.

Der Gedanke passt zu der Frage, warum Videogeneratoren zunehmend die räumliche Welt modellieren. Für Roboter reicht ein plausibles Bild aber nicht. Eine falsche Bewegung kann eine Tasse fallen lassen oder eine Hand treffen. Deshalb zählen bei körperlicher KI nicht nur schöne Sequenzen, sondern robuste, wiederholbare Aktionen.

Gute Werte sind noch kein Roboter für den Alltag

Xiaomi meldet deutliche Fortschritte in eigenen Tests. Für neue Aufgaben wie Telefonverpacken, Drucker nachfüllen, Wäsche einräumen und Kartons packen erreichte das Modell mit im Schnitt weniger als zehn Stunden zusätzlicher Demonstrationen pro Aufgabe nach Unternehmensangaben 75 Prozent Erfolgsquote; eine Vergleichsbasis namens π 0.5 lag dort bei 40 Prozent. Auf mehreren Simulations-Benchmarks weist Xiaomi ebenfalls Bestwerte aus.

Diese Werte sind interessant, aber sie verdienen eine vorsichtige Lesart. Der technische Bericht ist ein Preprint, also keine bereits unabhängig begutachtete Fachpublikation. Die konkreten Aufgaben und Testumgebungen sind zudem kontrollierter als ein chaotischer Haushalt. Eine Küche mit nassem Geschirr, Kindern im Raum und ständig wechselnden Gegenständen verlangt mehr als einen Benchmark. Auch die von Xiaomi angekündigten Modell-Checkpoints und der Code ersetzen keine Langzeitdaten zu Zuverlässigkeit, Sicherheit und Wartung.

Gerade deshalb ist die Veröffentlichung trotzdem nützlich. Sie macht nachvollziehbar, welche Skalierungsannahme Xiaomi testet: Mehr vielfältige Handlungsdaten senken im eigenen Versuch den Bewegungsfehler und verbessern die Erfolgsrate nach dem Nachtraining. Das ist eine überprüfbare Hypothese, keine Marketingphrase über einen Roboter, der plötzlich alles kann.

Der Datenvorsprung wird zur eigentlichen Maschine

Im Wettlauf um körperliche KI wird Hardware weiterhin zählen: Motoren, Sensoren, Akkus und sichere Greifer entscheiden darüber, was ein Roboter überhaupt tun kann. Doch der größere Unterschied könnte in den Datenpipelines liegen. Wer Bewegungen aus vielen Räumen, Objekten und Situationen sauber erfasst und beschreibt, kann Modelle schneller an neue Aufgaben anpassen. Das ist schwerer zu kopieren als ein einzelnes Demovideo.

Für Europa ist das ein konkreter Hinweis. Statt nur auf fertige humanoide Roboter zu schauen, lohnt sich der Blick auf Datenstandards, sichere Erprobungsräume und Kooperationen zwischen Forschung, Industrie und Einrichtungen mit realen Arbeitsabläufen. Der nächste nützliche Roboter wird wahrscheinlich nicht dadurch besser, dass er menschlicher aussieht. Er wird besser, weil er schon sehr viel mehr von der unordentlichen Wirklichkeit gelernt hat.