Die Ökonomie der Roboterdaten: Kosten pro Demonstrationsstunde
Teleoperation, Simulation und egozentrisches Video haben jeweils unterschiedliche Kosten pro Demonstrationsstunde. Hier erfahren Sie, warum diese Zahl die Strategie für Roboterdaten bestimmt.
Eine Person sitzt an einem Schreibtisch in einem Robotiklabor, trägt ein VR-Headset und faltet vor dem Mittagessen zum zweihundertsten Mal dasselbe Handtuch. Jede Faltung dauert ein bis zwei Minuten. An einem guten Tag sammelt dieser Operator über eine gesamte Schicht zwei bis drei Stunden sauberer, annotierter Manipulationsdaten, und ein beachtlicher Teil des Aufgezeichneten wird verworfen, weil der Greifer abgerutscht ist, der Stoff sich verknäulte oder eine Kamera durch die Szene geschnitten hat. Dieses Handtuch ist im Stillen eines der teuersten Materialien der modernen KI. Bepreist wird es nicht nach Kilogramm, sondern nach der Demonstrationsstunde.
Robotische Foundation Models lernen aus Demonstrationen, und das Skalierungsrezept, das sich das Feld von Sprachmodellen geliehen hat, unterstellt, dass Daten billig und nahezu unbegrenzt verfügbar sind. Roboterdaten sind weder das eine noch das andere. Text wird gescrapt; kontaktreiche Manipulation dagegen wird ausgeführt, ein sorgfältiger Versuch nach dem anderen, auf Hardware, die so viel kosten kann wie ein Auto. Die Zahl, die die Strategie tatsächlich bestimmt, ist deshalb weder die Parameterzahl noch die Kontextlänge. Es sind die Grenzkosten der nächsten nutzbaren Demonstrationsstunde, und fast jedes ernstzunehmende Labor ist inzwischen, implizit oder explizit, darauf ausgerichtet, diese Zahl zu senken.
Dieser Beitrag geht der Frage nach, woher diese Kosten stammen, was die öffentlichen Datensätze über die noch fehlende Skalierung verraten, und warum die Antwort Build-versus-Buy-Entscheidungen, Simulationsbudgets und sogar die Wahl des Unternehmenssitzes neu ordnet.
Warum die Demonstrationsstunde die entscheidende Einheit ist
Eine Demonstrationsstunde ist eine Stunde, in der ein Roboter, oder ein menschlicher Stellvertreter, tatsächlich Aufgaben ausführt, während genügend synchronisiertes Signal aufgezeichnet wird, um eine Policy zu trainieren: Gelenkzustände, End-Effektor-Posen, Kontaktkräfte und zeitlich abgestimmte Bilddaten. Das ist eine bessere Abrechnungseinheit als Trajektorien oder Frames, weil sie das erfasst, was wirklich knapp ist, nämlich geschulte menschliche Aufmerksamkeit und physische Rüstzeit. Sie können eine Frame-Zahl aufblähen, indem Sie die Verschlusszeit senken. Eine Stunde, in der ein Experte kontaktreiche Aufgaben löst, können Sie nicht vortäuschen.
Die Asymmetrie zur Sprache ist eklatant. Ein Frontier-Textmodell trainiert auf Billionen Tokens, die zu praktisch keinen Grenzkosten geerntet wurden. Das bislang größte offene Robotik-Lernprojekt, Open X-Embodiment, bündelte mehr als eine Million reale Trajektorien über 22 Roboter-Embodiments aus über 20 Institutionen, und diese globale Summe ist im Vergleich zu den Textkorpora hinter jedem modernen LLM immer noch winzig. Ist das Angebot derart dünn, gibt der Preis jeder zusätzlichen Stunde das Tempo für das gesamte Feld vor.
Was die öffentlichen Datensätze über die Skalierung verraten
Die offenen Datensätze sind gerade deshalb aufschlussreich, weil sie ihre eigene Logistik offenlegen. DROID sammelte rund 76.000 teleoperierte Trajektorien, in der Größenordnung von 350 Stunden Interaktion, über 564 Szenen und 13 Institutionen hinweg, in etwa 12 Monaten. RH20T stellte mehr als 110.000 kontaktreiche Manipulationssequenzen mit gepaarten Bild-, Kraft- und Audiodaten zusammen. Beide sind ernsthafte, mehrjährige Vorhaben mit mehreren beteiligten Laboren, und beide messen ihre Interaktionszeit noch immer in Hunderten von Stunden, nicht in Millionen.
Das ist die stille Lehre daraus. Selbst ein gut finanziertes Konsortium, das viele Rigs parallel betreibt, stößt an einen Durchsatz, der mit Web-Scraping nichts gemein hat. Die Obergrenze setzen menschliche Operatoren und die physische Welt, die in Echtzeit abläuft. Sie können das Falten eines Handtuchs nicht über die Zahl der Hände und Arme hinaus parallelisieren, die Ihnen tatsächlich zur Verfügung stehen.
Der Kostenstapel: Kapital, Arbeit, Durchsatz, Ausbeute
Die Kosten pro nutzbarer Demonstrationsstunde sind eine kurze Gleichung mit vier Termen. Kapital bezeichnet die abgeschriebenen Kosten für Roboter, Sensorik und Rig pro Nutzungsstunde. Arbeit bezeichnet den Lohn des Operators, zuzüglich der Annotatoren und Qualitätsprüfer dahinter. Durchsatz bezeichnet die Zahl guter Demonstrationen, die eine Station pro Stunde produziert. Ausbeute bezeichnet den Anteil, der die Prüfung übersteht; kontaktreiche Aufgaben scheitern häufig, und fehlgeschlagene oder beschädigte Aufnahmen werden verworfen. Vereinfacht gesagt: Kosten pro nutzbarer Stunde entsprechen Kapital pro Stunde plus Arbeit pro Stunde, geteilt durch die Ausbeute.
Den Ausbeute-Term unterschätzen Neueinsteiger am häufigsten. Ist ein Drittel Ihrer Aufnahmen unbrauchbar, steigen Ihre effektiven Kosten um die Hälfte, noch bevor irgendjemand ein Modell trainiert hat. Allein die Teleoperations-Arbeit liegt, sehr grob, in der Größenordnung von einigen Dutzend Dollar pro Operatorstunde in einer Region mit mittlerem Kostenniveau, und das noch vor der Kapitalabschreibung und vor Ausbeuteverlusten. Die folgende Tabelle skizziert die Größenordnungen der Kompromisse zwischen den gängigen Quellen. Diese sind richtungsweisend, keine Anbieterangaben.
| Quelle | Relative Kosten pro nutzbarer Stunde | Durchsatz | Embodiment-Übereinstimmung | Hauptengpass |
|---|---|---|---|---|
| Teleoperierter Echtroboter | Am höchsten | Niedrig | Exakt | Arbeitsgebunden, Echtzeit |
| Gepoolte Roboterdaten mehrerer Labore | Amortisiert, pro Organisation niedriger | Mittel | Gemischt | Heterogene Hardware |
| Simulation | Am niedrigsten (marginal) | Sehr hoch | Näherungsweise | Sim-to-Real-Lücke |
| Egozentrisches Menschenvideo | Niedrig bis moderat | Hoch | Menschlich, erfordert Retargeting | Keine nativen Aktions-Labels |
Der Flaschenhals beim Roboterlernen ist nicht mehr das Modell. Es sind die Grenzkosten der nächsten ehrlichen Stunde kontaktreicher Demonstration.
Egozentrisches Video verändert die Rechnung
Der interessanteste Schachzug auf der Kostenkurve besteht darin, während der Erfassung nicht mehr für den Roboter zu bezahlen. Führt ein Mensch die Aufgabe einfach aus, während er kopfmontierte Kameras und Körpersensoren trägt, entkoppeln Sie die Datenerfassung sowohl von teurer Hardware als auch von langsamer Teleoperation. Ego-Exo4D erfasste rund 1.286 Stunden gepaartes Ich-Perspektive- und Fremdperspektive-Video geschickter Tätigkeiten, und das frühere Ego4D-Projekt veröffentlichte in der Größenordnung von 3.670 Stunden egozentrisches Filmmaterial. Einen Menschen bei einer Aufgabe aufzuzeichnen ist pro Stunde weit günstiger, als einen Roboter durch sie hindurchzusteuern.
Der Haken ist die Embodiment-Lücke. Menschenvideo enthält keine Gelenkdrehmomente, keine Greiferzustände und einen Körper, der nicht dem Roboter entspricht, sodass die Frames in einen für den Roboter nutzbaren Aktionsraum retargetiert werden müssen, bevor eine Policy sie verarbeiten kann. Cross-Embodiment-Transfer ist genau das Problem, an dem Gruppen wie Physical Intelligence arbeiten. Egozentrische Erfassung beseitigt nicht die Kosten einer guten Demonstration; sie verschiebt die Kosten von der Echtzeit-Teleoperation hin zur vorgelagerten Sensorik und zum nachgelagerten Retargeting, wo sich mehr davon technisch gestalten und wiederverwenden lässt.
Wie die Kosten pro Stunde die Strategie bestimmen
Nimmt man diese Zahl ernst, ergeben sich die strategischen Entscheidungen fast von selbst. Liegen Ihre Grenzkosten bei einigen Dutzend Dollar pro nutzbarer Stunde und braucht eine leistungsfähige Policy Tausende Stunden pro Fähigkeits-Familie, sind Daten ein Kapitalposten und kein Rundungsfehler, und sie gehören in dasselbe Gespräch wie Compute. Pooling im Stil von Open X-Embodiment senkt die Kosten pro Organisation, gibt dafür aber Exklusivität und eine saubere Embodiment-Übereinstimmung auf. Simulation wandelt Betriebskosten in ein Sim-to-Real-Risiko um, das Sie später abtragen. Egozentrische Erfassung senkt den Preis pro Stunde, erhöht aber die Ingenieurskosten für das Retargeting.
Dann gibt es noch den Teil, der im Policy-Cluster angesiedelt ist: wem die Daten gehören, wer eingewilligt hat und unter welcher Jurisdiktion sie erfasst wurden. Der EU Data Act ordnet Zugangs- und Weitergaberechte an maschinengenerierten Daten neu, und der EU AI Act knüpft Dokumentations- und Governance-Pflichten an die Trainingsdaten hinter Hochrisikosystemen. Beide erhöhen die Fixkosten einer sauber durchgeführten Datenerfassung, und beide machen eine saubere Provenienz zu einem dauerhaften Vermögenswert statt zu einem nachträglichen Compliance-Gedanken. Eine Demonstrationsstunde mit klarer Einwilligung und einer vertretbaren Jurisdiktion ist mehr wert als eine billigere Stunde mit unklarer Herkunft, denn nur eine von beiden lässt sich gefahrlos in ein Modell einbringen, das ein Partner einsetzen wird.
Nichts davon taucht in einer Benchmark-Tabelle auf, weshalb es leicht zu übersehen ist, bis die Rechnungen eintreffen. Die Teams, auf die es in den kommenden Jahren ankommen wird, sind nicht nur die mit den klügsten Architekturen. Es sind diejenigen, die die Demonstrationsstunde zu etwas machen, das sie zuverlässig produzieren, ehrlich dokumentieren und Quartal für Quartal in den Kosten senken können. Das Handtuch wird ein Versuch nach dem anderen gefaltet, und für jeden Einzelnen davon muss immer noch jemand bezahlen.