Humanoide Roboter: Trainingszeit sinkt von 10 auf unter 1 Stunde
02.07.2026 - 20:05:30 | boerse-global.de
Die Robotik- und KI-Branche hat Anfang Juli 2026 mehrere bahnbrechende Infrastruktur- und Softwareprojekte vorgestellt, die das Training von physischen KI-Systemen grundlegend verbessern sollen. Im Fokus stehen neue Testanlagen, humanoide Roboter und Forschungsergebnisse, die etablierte Trainingsmethoden in Frage stellen.
Neues Testzentrum und humanoide Roboter
Apptronik eröffnete am 1. Juli 2026 den „Robot Park" – eine 8.400 Quadratmeter große Anlage in Austin, Texas. Die Einrichtung soll die Entwicklung humanoider KI durch reale Aufgabenbeschleunigen. Zeitgleich präsentierte das Unternehmen seinen Apollo 2, einen humanoiden Roboter, der wahlweise auf zwei Beinen oder mit Rädern ausgestattet werden kann. Mit einer Größe von 183 Zentimetern und einer Tragfähigkeit von 25 Kilogramm verfügt der Roboter über eine Laufzeit von vier Stunden. Aktuell sammelt Apollo 2 Trainingsdaten für Google DeepMinds Gemini Robotics KI.
Apptronik, das Partnerschaften mit Mercedes-Benz und GXO unterhält, sammelte zuletzt 520 Millionen Euro in einer Series-A-X-Finanzierungsrunde ein. Nach einer 403-Millionen-Euro-Runde im März 2025 beläuft sich die Gesamtfinanzierung nun auf rund eine Milliarde Euro bei einer Bewertung von über 5,5 Milliarden Euro. Der Nachfolger Apollo 3 befindet sich bereits in der Entwicklung.
Nur einen Tag später, am 2. Juli 2026, präsentierte NVIDIA den Isaac GR00T Reference Humanoid Robot. Das offene, integrierte Design richtet sich an die Forschung und enthält spezielle Werkzeuge zur Datenerfassung sowie offene Grundlagenmodelle.
Revolutionäre Trainingsmethoden
Neue Software-Tools verkürzen die Trainingszeiten für Roboter drastisch. Universal Robots stellte am 1. Juli 2026 den UR AI Trainer vor. Das System, entwickelt in Zusammenarbeit mit Scale AI, nutzt Imitationslernen: Ein menschlicher Bediener steuert einen Leitroboter, während ein Folgeroboter die Bewegungen spiegelt. Dabei werden synchron Kraft-, Bewegungs- und visuelle Daten aufgezeichnet, um Vision-Language-Action-Modelle zu trainieren.
Forschungsergebnisse von DreamVu vom 2. Juli 2026 stellen die bisherige Annahme in Frage, dass Ich-Perspektiven für das Robotertraining am effektivsten sind. Tests auf der NVIDIA Cosmos3-Nano-Plattform mit dem neuen RetailSMV-Datensatz zeigten: Weitwinkel-Aufnahmen übertreffen oft die Ich-Perspektive bei der Anpassung von Weltmodellen. Modelle, die ausschließlich mit Weitwinkel-Daten trainiert wurden, erzielten bei den meisten Metriken gleichwertige oder bessere Ergebnisse – und das mit nur halb so vielen Videoclips.
Neue KI-Tools verkürzen Roboter-Trainingszeiten von 10 Stunden auf unter 1 Stunde – mit Imitationslernen und Weitwinkel-Kameras. Erfahren Sie in diesem kostenlosen Leitfaden, wie Sie die Methoden in Ihrer Produktion umsetzen. Jetzt Praxis-Leitfaden anfordern
Die Trainingseffizienz steigt zudem durch Hochleistungsrechnen enorm. WPP berichtete von einer Verzehnfachung der Trainingsgeschwindigkeit für humanoide Roboter durch den Einsatz von Google Cloud G4-Virtual-Maschinen mit NVIDIA Blackwell GPUs. Die Trainingszeit für eine bestimmte Roboter-Sequenz sank von zehn Stunden auf weniger als eine Stunde.
KI-Systeme für die Industrie
NVIDIA veröffentlichte am 1. Juli 2026 seine Metropolis-Agent-Fähigkeiten und Baupläne, um die Entwicklung von KI-Agenten für industrielle Anwendungen zu vereinfachen. Erste Anwender melden beeindruckende Erfolge:
- Corning erreichte 95 Prozent Genauigkeit bei der Fehlererkennung mit einem Modell, das auf nur acht echten und synthetischen Bildern trainiert wurde
- Linker Vision reduzierte den Entwicklungsaufwand um 85 Prozent und die Reaktionszeiten bei Vorfällen um 80 Prozent
- DeepHow verbesserte die Erstausbeute bei Foxconn um drei Prozent bei 99 Prozent Aufgabengenauigkeit
Die Marktforscher von Gartner erwarten, dass bis 2028 mehr als zwei Drittel aller Unternehmensdaten außerhalb zentraler Rechenzentren verarbeitet werden. Bis 2029 sollen mehr als zwei Drittel der Unternehmen KI am Netzwerkrand einsetzen. NVIDIA investierte daher am 1. Juli 2026 in Verkada, um eine physische KI-Plattform auszubauen, die bereits eine 68-prozentige Genauigkeitssteigerung bei räumlich-zeitlichen Abfragen verzeichnet.
Globale Datenmärkte und Spezialsysteme
Fehlererkennung mit nur 8 Bildern – das ist heute Realität. Corning erreicht 95% Genauigkeit. Der Leitfaden zeigt, wie Sie mit minimalen Daten trainieren und Kosten senken. Kostenlosen Leitfaden jetzt sichern
Die Nachfrage nach Robotertrainingsdaten hat in Indien einen spezialisierten Arbeitsmarkt geschaffen, auf dem Arbeiter Ich-Perspektiven-Aufnahmen liefern. Branchenberichten zufolge sind die Vergütungen dafür zwischen Januar und Juni 2026 jedoch um 30 Prozent gefallen. Analysten gehen davon aus, dass der Aufstieg synthetischer Datengenerierung – eine Technik, die digitale Zwillinge zur Simulation von Umgebungen nutzt – die Nachfrage nach menschlichen Daten bis Ende 2027 deutlich reduzieren könnte.
Spezialsysteme verbessern zudem das Gedächtnis und die physische Interaktion von Robotern. Das ASPIRE-System, ein Gemeinschaftsprojekt von NVIDIA und mehreren Universitäten vom 29. Juni 2026, steigerte die Erfolgsrate bei Übergaben zwischen zweibeinigen Robotern von 20 auf 92 Prozent – ohne zusätzliche Trainingsdaten. In einem Labortest am 19. Juni 2026 zeigte ein NVIDIA-KI-Agent, wie er selbstständig eine Grafikkarte in ein Mainboard einsetzt, indem er Dokumentation las und eine selbstkorrigierende Debug-Schleife auf realer Hardware ausführte.
