Die Landschaft der humanoiden Roboter 2026, kartiert nach Daten

Zählen Sie die Humanoid-Startups, die in den vergangenen achtzehn Monaten ein Foundation Model angekündigt haben, und Ihnen gehen die Finger aus, bevor Ihnen die Namen ausgehen. Figure, 1X, Physical Intelligence, Skild AI, Apptronik, Agility, dazu die Forschungsgruppen bei NVIDIA, Google DeepMind und Toyota. Die Hardware konvergiert unauffällig: zwei Arme, zwei Beine, eine Stereokamera oder drei, Hände, die geschickt sind oder es zu werden versuchen, ein Akku, der etwa für eine Schicht reicht. Sieht man genug Launch-Videos, verschwimmen die Maschinen ineinander.

Was nicht konvergiert, ist die Herkunft der Trainingsdaten. Das ist die Achse, die es 2026 zu kartieren lohnt, denn ein Humanoid ist nur so fähig wie die Demonstrationen, die er gesehen hat, und jedes ernsthafte Team hat auf eine andere Art gesetzt, wie es an diese herankommt. Eine Flotte teleoperieren? Bewegung in der Simulation synthetisieren? Menschliche Videos auswerten? Trajektorien über Labore hinweg poolen? Jede Antwort trägt ihre eigene Kostenstruktur, ihren eigenen Fehlermodus und ihre eigene Obergrenze in sich.

Dieser Feldführer ist daher um genau diese eine Frage herum organisiert. Nicht „Wer hat den besten Roboter", denn das kann derzeit niemand ehrlich beantworten, sondern „Wer füttert seinen Roboter womit", was sehr viel mehr darüber verrät, wer 2028 noch steht.

Vier Wege, einen Humanoiden zu füttern

Streicht man das Branding weg, schöpft fast jedes Programm in diesem Feld aus einer von vier Datenquellen, meist im Mix aus zweien. Man kann physische Roboter teleoperieren und saubere Aktionslabels aufzeichnen. Man kann Bewegung und Pixel in der Simulation erzeugen. Man kann menschliche Ich-Perspektive-Videos entlehnen, die zwar reichlich vorhanden sind, aber keine Roboteraktionen enthalten. Oder man kann die Logs aller in einem gemeinsamen Korpus poolen und über Embodiments hinweg trainieren. Die folgende Tabelle ist eine grobe Landkarte, keine Punktetabelle: Die meisten Teams sichern sich nach mehreren Seiten ab, und das interessante Detail ist, auf welche Quelle sie sich am stärksten stützen.

Die Flotten am Roboter: perfekte Labels, brutale Ökonomie

Die reinste Strategie ist zugleich die älteste: einen Menschen in die Schleife setzen, ihn den Roboter wie eine Marionette durch eine Aufgabe führen lassen und jeden Gelenkwinkel und jedes Kamerabild aufzeichnen. Die Aktionslabels sind exakt, weil der Roboter die Bewegung wirklich ausgeführt hat. Figure fährt dieses Playbook mit eigenen Operatoren, und Toyota Research Institute hat Large Behavior Models veröffentlicht, trainiert auf teleoperierten Diffusionspolicy-Demonstrationen, ein einziges Netzwerk, das Hunderte Fähigkeiten aufnimmt. Physical Intelligence ging mit π0 noch weiter, einer Flow-Matching-Policy, trainiert über eine Flotte unterschiedlicher Roboterkörper hinweg, in der Größenordnung von zehntausend Stunden Manipulation, sodass ein einziges Modell auf Arme übertragbar ist, auf denen es nicht geboren wurde.

Die Schwäche liegt in der Arithmetik. Teleoperation läuft in Echtzeit, mit etwa einem Operator pro Roboter. Eine Stunde Daten kostet eine Stunde geschulter menschlicher Aufmerksamkeit, und genau jene seltenen, unbeholfenen Momente der Fehlerbehebung, die Policies am dringendsten brauchen, sind jene, die Operatoren am seltensten produzieren.

Teleoperation erkauft perfekte Labels zur denkbar schlechtesten Stückkostenrechnung: ein Mensch, ein Roboter, eine Stunde, für eine Stunde Daten.

Simulation und die Wette auf das Weltmodell

Wenn echte Daten langsam sind, macht man eben synthetische Daten schnell. Simulation rendert Millionen von Versuchen parallel, mit kostenlosen und exakten Labels für jeden Kontakt und jedes Gelenk. NVIDIAs GEAR-Labor hat Isaac GR00T um diese Idee herum gebaut und offene Gewichte für GR00T N1 und N1.5 veröffentlicht, trainiert auf einem stark synthetisch geprägten Mix aus Trajektorien und menschlichen Videos, sodass kleinere Teams feinjustieren können, statt bei null zu beginnen. Skild AI setzt noch stärker auf Simulation und bewirbt ein embodiment-agnostisches Robotergehirn, das sich auf viele Maschinen aufspielen lassen soll.

Der Haken ist die Realitätslücke: Eine Policy, die in der Simulation makellos ist, kann trotzdem an einem echten Kabel oder einer durchscheinenden Tasse scheitern, die der Renderer nie ganz richtig modelliert hat. Weltmodelle sind die aktuelle Antwort darauf. 1X trainiert einen erlernten neuronalen Simulator seiner häuslichen Umgebung und nutzt ihn sowohl, um Erfahrung zu erzeugen, als auch, um Policies zu bewerten, bevor sie einen physischen Roboter berühren. Die Wette lautet, dass ein hinreichend guter Prädiktor für das nächste Bild mehr wert ist als ein weiteres Lagerhaus voller Teleoperatoren.

Menschliche Videos entleihen

Jeder Mensch, der Geschirr spült, liefert eine unbeschriftete Demonstration geschickter Manipulation, und davon gibt es Milliarden. Das ist der Reiz menschlicher Ich-Perspektive-Videos. Akademische Datensätze wie Ego4D und dessen gepaarte Fortsetzung Ego-Exo4D haben Tausende Stunden egozentrischer Aktivität erfasst, und dieses Material speist zunehmend die Pipelines der Humanoiden: Der Trainingsmix von GR00T schöpft aus menschlichen Videos, und Gemini Robotics erbt die visuellen und semantischen Priors eines Modells im Web-Maßstab, bevor es je einen Greifer sieht.

Das Problem ist die Embodiment-Lücke. Menschliche Videos zeigen, was geschehen ist, aber nicht die Gelenkmomente, Kontaktkräfte oder Greiferbefehle, die es hervorgebracht haben, sodass die Aktionen abgeleitet, retargetiert oder mit einer kleinen Menge Roboterdaten gepaart werden müssen, um trainierbar zu werden. Reichliches Angebot, fehlende Labels: das Spiegelbild des Teleoperationsproblems.

Die gemeinsame Allmende

Open X-Embodiment hat mehr als eine Million reale Roboter-Trajektorien aus zweiundzwanzig Embodiments über mehr als zwanzig Labore hinweg gepoolt und gezeigt, dass eine auf diesem Mix trainierte Policy oft eine Policy schlägt, die nur auf den Daten eines einzelnen Roboters trainiert wurde. DROID hat rund sechsundsiebzigtausend Demonstrations-Trajektorien hinzugefügt, gesammelt im freien Feld über Dutzende Gebäude hinweg. Hugging Faces LeRobot ist zum offenen Leitungssystem geworden, das all das verbindet: standardisierte Datensatzformate, vortrainierte Policies und ein Hub, in dem sich Community-Datensätze ansammeln.

Embodiment-übergreifendes Training ist inzwischen eine Standardannahme und keine Forschungskuriosität mehr. Es rahmt zugleich still den Wettbewerb neu. Wenn die Architekturen konvergieren und die Basis-Datensätze geteilt werden, verschiebt sich der Vorteil zu jenem, der Daten hinzufügen kann, die die Allmende noch nicht enthält.

Worauf zu achten ist, während 2026 voranschreitet

Die ehrliche Lesart ist, dass keine einzelne Datenstrategie gewonnen hat und die Führenden jene sind, die zwei oder drei gleichzeitig fahren: Teleoperation für saubere Labels, Simulation für Volumen, menschliche Videos für Vielfalt, geteilte Korpora für Abdeckung. Die Frage für die nächsten achtzehn Monate lautet weniger „wessen Roboter am besten läuft" als vielmehr „wessen Datenpipeline sich selbst verstärkt". Achten Sie darauf, woher die marginale Demonstration kommt, was sie kostet und wer sie nutzen darf. Das ist die Landkarte, die 2028 noch lesbar sein wird.