Open-Source-Robotermodelle vs. geschlossene Foundation-Stacks
Ein Feldführer durch die Debatte um Open-Source-Robotermodelle: wie das LeRobot-Ökosystem im Vergleich zu proprietären Stacks wie Gemini Robotics abschneidet, und wer davon profitiert.
Man lädt eine Roboter-Policy herunter wie ein Sprachmodell. Ungefähr dort ist die Robotik 2025 angekommen. Hugging Faces LeRobot liefert Modellgewichte, Datensätze und eine Trainingsschleife, die auf einer einzelnen Consumer-GPU läuft. Physical Intelligence veröffentlichte die Gewichte für π0, eine der bislang fähigsten publizierten generalistischen Manipulations-Policies. NVIDIA stellte Isaac GR00T N1 auf dieselbe Stufe: offene Gewichte, plus ein offenes Post-Training-Rezept für Humanoide. Ein Doktorand und ein gut finanziertes Labor können heute vom selben Checkpoint aus starten.
Nun zur anderen Hälfte des Feldes. Google DeepMinds Gemini Robotics kommt als API und mit einer kurzen Liste von Partner-Integrationen, nicht als Gewichte-Download. Figure, 1X und Skild behalten ihre Policies im Roboter und im Unternehmen. Zwei Philosophien laufen nun parallel auf derselben Hardware. Die interessante Frage ist nicht, welche davon dieses Quartal eine Demo gewinnt. Es ist die Frage, welche sich selbst verstärkt.
Die eigentliche Trennlinie ist nicht das abstrakte „offen gegen geschlossen“. Es ist ein Stapel konkreter Entscheidungen: Wer kontrolliert das Modell, wer kann es prüfen, wer kann es ohne Erlaubnis ausliefern, und, darunterliegend, wem gehören die Daten, von denen die Qualität des Modells vollständig abhängt.
Was „offen“ hier tatsächlich bedeutet
Offenheit hat bei Foundation Models für Roboter mindestens vier Ebenen, und fast keine Veröffentlichung öffnet alle davon: die Gewichte, den Trainingscode, die Lizenz und die Daten. GR00T N1 und π0 sind offen bei Gewichten und Code, was Fine-Tuning und Self-Hosting ermöglicht. Das ist ein großes Geschenk. Aber die Korpora, auf denen sie vortrainiert wurden, sind nur teilweise offengelegt, und die Lizenzen unterscheiden sich darin, welche kommerzielle Nutzung sie erlauben.
Dem stehen die Datensätze gegenüber, die wirklich offen sind. Open X-Embodiment bündelte Daten von 22 Roboter-Embodiments aus Dutzenden Laboren in einer Sammlung, in der Größenordnung von einer Million Trajektorien. DROID fügte rund 76.000 teleoperierte Demonstrationen hinzu, die in freier Wildbahn über viele Szenen hinweg erfasst wurden. RH20T brachte kontaktreiche multimodale Manipulation voran. Das sind offene Daten, und sie sind der Grund, warum die Open-Weight-Modelle überhaupt existieren. Die Lehre daraus: Die meisten „offenen“ Robotermodelle sind open-weight, nicht open-data, und beides ist nicht dieselbe Freiheit.
Der offene Stack: LeRobot als Gravitationszentrum
LeRobot ist weniger ein Modell als ein Gravitationszentrum. Es standardisiert ein Datensatzformat, hostet Tausende Community-Datensätze und -Policies auf dem Hub und liefert kleine trainierbare Modelle wie SmolVLA, die ein Labor ohne Cluster betreiben kann. Kombiniert man das mit günstigen, reproduzierbaren Armen im Bereich von $100 bis $500, entsteht etwas, das der geschlossene Stack nicht per Dekret herstellen kann: ein gemeinsames Substrat, in dem das Fine-Tuning einer Gruppe direkt von der nächsten geladen werden kann.
Der Ertrag verstärkt sich selbst. Jeder im gemeinsamen Format hochgeladene Datensatz macht das nächste Modell günstiger im Training. Jede veröffentlichte Policy zieht einen Benchmark, einen Bug-Report, einen Fork nach sich. Es ist dieselbe Dynamik, die offene Sprachmodelle zum Forschungsstandard gemacht hat, nun übertragen auf reale Hardware, wo Reproduzierbarkeit historisch gesehen miserabel war.
Offene Gewichte lassen tausend Labore vom selben Checkpoint aus starten. Sie geben diesen Laboren nicht dieselben Daten. Genau dort beginnt die eigentliche Divergenz.
Der geschlossene Stack: vertikale Integration als Strategie
Die geschlossenen Akteure horten nicht aus Gewohnheit. Vertikale Integration ist die Wette. Wenn ein Unternehmen Hardware, Teleoperations-Flotte, Modell und Deployment gleichzeitig besitzt, kontrolliert es ein Daten-Schwungrad: Jede Stunde, die ein Roboter im Kundeneinsatz arbeitet, fließt in den nächsten Trainingslauf ein. Gemini Robotics stützt sich auf Googles breitere multimodale Modelle und hält die Gewichte hinter einer Schnittstelle verborgen. Figure baut seinen eigenen VLA für seinen eigenen Humanoiden. Der Vorteil liegt in Kohärenz und Geschwindigkeit bei einem einzelnen Embodiment, plus einem kommerziellen Burggraben und einer saubereren Geschichte zu Sicherheit und Haftung, da niemand eine Policy forken kann, die man nie ausgeliefert hat.
Der Preis dafür ist Reichweite. Ein geschlossenes Modell verbessert sich anhand der Daten, die sein Eigentümer sammeln kann. Ein offenes Modell verbessert sich anhand der Daten, die alle sammeln. Über einen ausreichend langen Zeithorizont sind das sehr unterschiedliche Wachstumskurven, und es ist nicht offensichtlich, welche Kurve bei welcher Aufgabe gewinnt.
Punktetafel: Was jeder Stack tatsächlich bietet
| Dimension | Offener Stack (LeRobot, π0, GR00T N1) | Geschlossener Stack (Gemini Robotics, Figure, 1X) |
|---|---|---|
| Zugriff auf Gewichte | Herunterladbar, selbst hostbar | Nur API oder On-Device |
| Trainingsdaten | Teilweise öffentlich, plus offene Datensätze (OXE, DROID) | Proprietär, nicht offengelegt |
| Anpassung | Vollständiges Fine-Tuning auf dem eigenen Roboter | Begrenzt, über den Anbieter vermittelt |
| Deployment | Keine Erlaubnis erforderlich | An Vertrag und Integration gebunden |
| Daten-Schwungrad | Von der Community geteilt | An einen einzigen Betreiber gebunden |
| Passt am besten zu | Forschung, Startups, Multi-Robot-Flotten | Kapitalstarke OEMs mit einer einzigen Plattform |
Wer profitiert, und wo der eigentliche Engpass liegt
Für eine Forschungsgruppe oder ein Startup in der Seed-Phase kommt offen fast Sauerstoff gleich. Das Fine-Tuning von π0 oder GR00T auf einem überschaubaren Datensatz kostet einen Rundungsfehler im Vergleich zum Vortraining einer generalistischen Policy von Grund auf, das sich außerhalb der größten Labore kaum jemand leisten kann. Für einen Roboter-OEM ist die Rechnung tatsächlich gemischt: Eine offene Basis senkt die Modellkosten, aber der dauerhafte Vorteil wandert zu demjenigen, dem die Deployment-Daten gehören, weshalb viele ein offenes Modell auf privaten Daten finetunen und dieses Fine-Tuning geschlossen halten werden. Für den kapitalstarken etablierten Akteur bleibt geschlossen rational, solange das interne Schwungrad das der Community überholt. Und für das Feld insgesamt sind die offenen Datensätze die stille Infrastruktur: Ohne OXE, DROID und die egozentrischen Korpora hätte keines der beiden Lager eine Basis, die groß genug wäre, um zu zählen.
Und hier stimmen beide Stacks überein, ob sie es laut sagen oder nicht. Der bindende Engpass ist nicht die Modellarchitektur und nicht die Rechenleistung. Es sind die Daten: reale, vielfältige, physisch fundierte Aufzeichnungen von Körpern, die Aufgaben ausführen. Offene Gewichte helfen nichts, wenn jedes Labor auf denselben paar tausend Trajektorien finetunt. Ein geschlossenes Schwungrad hilft nichts, wenn es immer nur eine einzige Fabrik zu sehen bekommt. Die Robotik hat ihren webskaligen Korpus noch nicht, und die Lücke zwischen Sprachmodellen und Robotermodellen ist größtenteils die Lücke zwischen einer Billion Text-Token und ein paar tausend Stunden verkörperter Demonstration.
Wohin die Reise geht
Es ist zu erwarten, dass sich die beiden Stacks vermischen, bevor einer von beiden gewinnt. Die wahrscheinliche Form der nächsten Jahre: ein offenes Basismodell, gefinetunt auf privaten Demonstrationsdaten, ausgeliefert unter einem kommerziellen Vertrag. Offen, wo es Kosten senkt, geschlossen, wo es die Marge schützt. In dieser Welt liegt der Hebel weder beim Modell-Herausgeber noch beim Roboterhersteller, sondern bei demjenigen, der verkörperte Daten im großen Maßstab produzieren und sauber übergeben kann. Behalten Sie die Datensätze im Blick, nicht die Checkpoints.