GR00T vs. pi0 vs. LeRobot: drei Datenstrategien

Drei Teams, ein Satz, den alle unterschreiben würden: Ein Roboter sollte allgemeine Fähigkeiten aus Daten lernen, nicht aus Tausenden Zeilen handgeschriebener Skripte. Fragt man jedes einzelne, woher diese Daten stammen, zerfällt die Einigkeit. NVIDIA, Physical Intelligence und Hugging Face haben jeweils eine andere Wette abgeschlossen, und diese Wetten sagen mehr über den Zustand des Feldes aus, als es jede Bestenliste könnte.

Alle drei bauen Vision-Language-Action-Modelle, jene Klasse von Policy, die Kamerabilder und eine Anweisung in einfacher Sprache in Roboterbewegung übersetzt. Was sie unterscheidet, ist die Versorgungslinie: wie sie genug Demonstrationen zum Trainieren bekommen, wenn die physische Welt fast keine davon kostenlos hergibt. Dies ist ein Vergleich dreier Datenstrategien. Es ist keine Rangliste, und bewusst wird hier kein Sieger gekürt.

GR00T: Daten herstellen

NVIDIAs Antwort folgt dem Instinkt eines Hardware-Unternehmens: Wenn die Daten nicht existieren, baut man eine Fabrik dafür. Isaac GR00T ist ein Foundation Model für Humanoide, und die Strategie dahinter setzt stark auf Simulation. Ein relativ kleiner Bestand an echten menschlichen und teleoperierten Demonstrationen wird in einem Physik-Simulator zu einem deutlich größeren Satz synthetischer Trajektorien verstärkt, wobei Beleuchtung, Objektpositionen und Texturen randomisiert werden, damit eine darauf trainierte Policy nicht auf ein einziges, sauberes Labor überangepasst wird.

Das GEAR Lab hat Pipelines vorangetrieben, die aus einer Handvoll erfasster Bewegungen mithilfe generativer und simulationsbasierter Werkzeuge sehr viel mehr machen. Der Reiz liegt auf der Hand. Synthetische Daten lassen sich billig vervielfachen, sicher erfassen und perfekt annotieren, weil der Simulator die exakte Pose jedes Objekts bereits kennt. Das bleibende Risiko ist die Sim-to-Real-Lücke: Eine Policy kann eine Welt meistern, die etwas falsch gerendert wird und sich etwas falsch verhält, und trifft dann auf einen echten Greifer und ein echtes Geschirrtuch, um den Unterschied auf die harte Tour zu entdecken.

pi0: Körper bündeln

Physical Intelligence hat auf etwas anderes gesetzt: reale Demonstrationen von vielen verschiedenen Robotertypen sammeln und eine einzige Policy über alle hinweg trainieren. pi0 und sein Nachfolger pi0.5 sind Cross-Embodiment-Modelle, gespeist mit teleoperierten Daten aus einer ganzen Bandbreite von Armen und Händen statt von einer einzigen, standardisierten Plattform. Die Idee dahinter: Geschicklichkeit besitzt eine gemeinsame Struktur, sodass eine Policy, die genug unterschiedliche Körper gesehen hat, übertragbare Gewohnheiten aufnimmt, statt sich eine einzige Maschine einzuprägen.

Architektonisch fällt pi0 durch die Art auf, wie es Aktionen erzeugt. Statt diskrete Action-Tokens einzeln auszugeben, verwendet es einen Flow-Matching-Aktionskopf, eine Technik, die aus der modernen Bilderzeugung entlehnt ist, um glatte, hochfrequente, kontinuierliche Bewegung zu erzeugen. Das passt besser zum tatsächlichen Tempo der Manipulation als ein langsamer Strom von Tokens. Die Kosten dieser Strategie sind das Spiegelbild derer von GR00T: Echte teleoperierte Daten sind teuer und langsam zu sammeln, denn jede Stunde davon ist eine Stunde, in der ein Mensch einen echten Roboter bedient. Community-Initiativen wie DROID zeigen sowohl den Wert als auch den schieren Arbeitsaufwand, teleoperierte Manipulation in großem Maßstab zu erfassen.

LeRobot: das Gemeingut öffnen

Hugging Faces LeRobot ist weder ein einzelnes Modell noch ein einzelner Datensatz. Es ist ein Ökosystem: eine gemeinsame Bibliothek, ein standardisiertes Datenformat, Modellimplementierungen und ein öffentlicher Hub, auf dem jeder Roboterdaten veröffentlichen und abrufen kann. Die Wette ist hier eher sozialer als technischer Natur. Wenn das Sammeln von Manipulationsdaten der Engpass ist, dann könnte der schnellste Weg daran vorbei sein, das Teilen reibungslos zu machen und eine Community das anhäufen zu lassen, was kein einzelnes Labor allein schafft.

Das LeRobotDataset-Format ist bedeutsamer, als es klingt. Ein gemeinsames Schema bedeutet, dass eine Aufzeichnung, die mit einem 200-Dollar-Arm in einem Land entstanden ist, ohne Umwandlung neben einer aus einem Forschungslabor auf einem anderen Kontinent geladen werden kann. LeRobot beherbergt zudem offene Implementierungen von Policies aus dem gesamten Feld, einschließlich flussbasierter Modelle aus der pi0-Linie, was die reinliche Rivalität verwischt: Das offene Gemeingut ist teilweise genau der Ort, an dem die anderen Ansätze verbreitet und reproduziert werden.

Drei Wetten im Vergleich

Lesen Sie die Tabelle als drei Antworten auf eine Frage, nicht als Konkurrenten in einem Rennen. Jeder nimmt einen anderen Schmerz in Kauf, im Tausch gegen einen anderen Vorteil.

Worin sie sich still einig sind

Hinter dem Kontrast verbirgt sich ein überraschendes Maß an Übereinstimmung. Alle drei sind transformerbasierte VLAs. Alle drei behandeln menschliche und teleoperierte Demonstration als den Keim, aus dem das gesamte System wächst, selbst GR00T, dessen synthetischer Berg an seiner Basis aus realer Bewegung verstärkt wird. Allen dreien liegt Cross-Embodiment am Herzen, weil keiner es sich leisten kann, bei jedem neuen Roboter von vorn zu beginnen. Und alle drei, einschließlich desjenigen, der zuerst auf Simulation setzt, validieren letztlich gegen die Realität, denn eine Policy, die nur in einem Renderer funktioniert, ist kein Produkt. Gebündelte Korpora wie Open X-Embodiment existieren genau deshalb, weil kein einzelnes Labor es allein schaffen kann.

Simulieren, bündeln oder als Open Source veröffentlichen: Jede Strategie ist eine andere Art, mit demselben Mangel umzugehen. Keine davon beseitigt den Bedarf an realen Demonstrationen. Sie ändern nur, wer sie aufzeichnet, und wie viele dazwischen erfunden werden.

Der ehrliche Weg, GR00T, pi0 und LeRobot zu vergleichen, besteht daher nicht darin zu fragen, welches Modell das beste ist. Er besteht darin zu fragen, welcher Daten-Theorie man glaubt: günstigerem synthetischem Volumen, reicherer realer Vielfalt oder breiterer offener Beteiligung. Das wahrscheinlichste Ergebnis ist nicht, dass eine Seite gewinnt, sondern dass ein ernsthaftes Roboterprogramm alle drei nutzt und sich dennoch mit zu wenig Demonstrationen wiederfindet, weil das die Form des Engpasses ist, der unter jedem von ihnen liegt.