Xiaomi hat ein KI-Modell für Roboter vorgestellt, das nach demselben Prinzip skaliert wie große Sprachmodelle: Je mehr Daten hineinfließen, desto besser wird es. Um an diese Datenmengen zu kommen, ließ Xiaomi echte Roboter bei der Aufnahme weitgehend weg.
Roboter-KI kämpft mit einem Datenproblem, das bei Sprachmodellen weit weniger ausgeprägt ist. LLMs können auf großen Teilen des öffentlich verfügbaren Internets trainieren, für Roboterbewegungen gibt es dagegen kaum brauchbares Material von der Stange.
Wie man greift, hebt und einräumt, muss der Roboter meist eigens beigebracht bekommen. Üblicherweise steuern dafür Menschen einen echten Roboter per Fernsteuerung durch jede einzelne Bewegung. Das ist langsam, teuer und liefert am Ende oft eintönige Daten, weil immer wieder dieselben Handgriffe in denselben Umgebungen aufgenommen werden.
Hier setzt das Modell namens Xiaomi-Robotics-1 an, das ein Forschungsteam in einem technischen Bericht beschreibt. Es soll zwei Dinge können: gesprochene oder geschriebene Befehle in völlig unbekannten Umgebungen ausführen, ohne dass es diese vorher gesehen hat, und sich mit wenig zusätzlichem Aufwand auf neue Aufgaben umlernen lassen.
Ein Handgreifer statt teurer Roboter
Um den Datenengpass zu umgehen, verzichtete Xiaomi bei der Datensammlung weitgehend auf echte Roboter. Stattdessen kamen tragbare Handgreifer mit angebauter Kamera zum Einsatz, die ein Mensch einfach in die Hand nimmt. Damit lassen sich Handgriffe in Küchen, Büros, Geschäften, Industriehallen und im Freien aufzeichnen, ohne dass ein Roboter überhaupt anwesend sein muss. So kamen über 100.000 Stunden Bewegungsaufnahmen zusammen.
Die Vortrainingsdaten stammen aus rund 100.000 Stunden UMI-Aufnahmen in mehr als 1.700 verschiedenen Umgebungen. | Bild: XiaomiEin solcher Datenberg wirft allerdings ein neues Problem auf: Jemand muss beschreiben, was in den Aufnahmen passiert, damit das Modell lernen kann. Von Hand wäre das bei dieser Menge unmöglich. Xiaomi löste das mit einer automatischen Beschriftung, bei der ein KI-Modell die einzelnen Bewegungsabschnitte selbst in Worte fasst. Auf diese Weise war der gesamte Datensatz nach Angaben des Teams in rund zwei Wochen beschriftet.
In einem zweiten Schritt übertrug Xiaomi das Gelernte auf echte Roboter, darunter fahrbare Modelle und solche mit zwei Armen. Denn zwischen der Bewegung einer menschlichen Hand mit Greifer und der eines Roboterarms liegt ein Unterschied, den das Modell erst überbrücken muss.
Für das Post-Training kombiniert Xiaomi eigene Aufnahmen aus echten Wohnungen mit offenen Roboterdatensätzen und annotierten UMI-Daten. | Bild: XiaomiMehr Daten schlagen größere Modelle
Bei ihren Tests stießen die Forscher auf einen interessanten Befund: Es half zwar, das Modell zu vergrößern, doch mehr Trainingsdaten brachten deutlich mehr als mehr Rechenleistung. Für die Verbesserung von Roboter-KI komme es also vor allem darauf an, große und vielfältige Datenmengen zu sammeln, so das Team.
Damit bestätigt sich in der Robotik, was Forscher Anfang März schon für visuelle Daten gezeigt haben. Bei Sprachmodellen gilt seit Jahren die Faustregel, dass Modellgröße und Datenmenge im gleichen Tempo wachsen sollten, wenn man das Beste aus einem festen Rechenbudget herausholen will. Sobald ein Modell aber sehen statt nur lesen soll, kippt dieses Verhältnis: Dann zahlt sich mehr Material deutlich stärker aus als ein größeres Modell.
Mehr Trainingsdaten und größere Modelle verbessern die Vorhersagen. Bei kleinen Datenmengen wird das Modell im Training jedoch nach einiger Zeit wieder schlechter. | Bild: XiaomiDieser Effekt wurde auch in praktischen Benchmarks untersucht: Als das Modell echte Roboter in unbekannten Umgebungen steuern sollte, stieg seine Erfolgsquote von rund einem Viertel auf drei Viertel, je mehr Trainingsdaten zur Verfügung standen. Ein Sättigungspunkt, an dem zusätzliche Daten nichts mehr bringen, sei noch nicht erreicht.
Der Skalierungseffekt überträgt sich auf den echten Roboter: Mehr Vortraining bedeutet höhere Erfolgsraten in unbekannten Umgebungen. | Bild: XiaomiIn gängigen Testumgebungen für Roboter-KI erzielte Xiaomi-Robotics-1 nach eigenen Angaben durchweg die bislang besten Werte. In einer Vorführung soll ein Roboter sogar einen Koffer eigenständig gepackt haben, eine Aufgabe, die über zehn Minuten dauert und quer durch einen Raum führt.
Neue Aufgaben mit wenig Übung
Ein Grundmodell ist vor allem dann nützlich, wenn es sich schnell auf neue Aufgaben umstellen lässt. Xiaomi testete das mit vier schwierigen Aufgaben: Das Modell sollte ein Telefon verpacken, Wäsche in eine Waschmaschine legen, Papier in einen Drucker einlegen und Gegenstände in eine Kiste packen.
Mit weniger als zehn Stunden Übungsmaterial pro Aufgabe erreichte das Modell im Schnitt eine Erfolgsquote von 75 Prozent. Ein Konkurrenzmodell des Start-ups Physical Intelligence kam im selben Test nur auf 40 Prozent. Besonders gut schnitt Xiaomis Modell laut Bericht bei weichen, verformbaren Dingen wie Papier und bei Aufgaben ab, bei denen sich der Roboter durch den Raum bewegen muss.
Auf dem RoboCasa365-Leaderboard führt Xiaomi-Robotics-1 mit deutlichem Abstand, vor allem bei unbekannten zusammengesetzten Aufgaben. | Bild: XiaomiDer Datenengpass, den Xiaomi mit den Handgreifern umgeht, beschäftigt die Robotik-Forschung derzeit intensiv, allerdings mit sehr unterschiedlichen Lösungen. Ein Übersichtspapier zu World Action Models kartierte im Mai rund hundert Arbeiten und identifizierte Teleoperationsdaten als präzise, aber teuer und auf wenige Umgebungen beschränkt – genau die Schwäche, die Xiaomi adressiert.
Nvidia, die Carnegie Mellon University und UC Berkeley ließen im Projekt ENPIRE KI-Coding-Agenten einer Flotte aus acht Robotern selbstständig das Greifen beibringen, Nvidia setzt darüber hinaus darauf, das Datenproblem der Robotik in ein Rechenproblem zu verwandeln und Trainingsmaterial synthetisch zu erzeugen.
Im RoboDojo-Benchmark liegt das Modell rund 58 Prozent über dem zweitplatzierten Ansatz – bei absolut weiterhin niedrigen Erfolgsraten. | Bild: XiaomiEinen dazu genau gegenläufigen Weg geht das chinesische Forschungsinstitut BAAI: Dessen Weltmodell Orca lernt aus 125.000 Stunden Video, ohne ein einziges Aktions-Label, und erreicht bei fünf Manipulationsaufgaben trotzdem das Niveau des spezialisierten π0.5. Wo Xiaomi den Beschriftungsaufwand automatisiert und dann massiv hochskaliert, versucht Orca, ihn ganz zu vermeiden.
Die Referenz ist in beiden Fällen dieselbe: Physical Intelligence, das sich im April mit π0.7 den Vorwurf eingehandelt hatte, Generalisierung zu behaupten, wo womöglich nur sehr ähnliche Trainingsdaten erinnert werden. Xiaomis Befund, dass mehr Daten stärker wirken als mehr Rechenleistung, verschärft diese Frage eher, als sie zu beantworten. Für den Konzern selbst ist der Schritt konsequent: Bei der Vorstellung der MiMo-V2-Modelle im März hieß es bereits, die Agenten sollten perspektivisch auch Roboter steuern.
Code und Modell will Xiaomi auf GitHub und Hugging Face veröffentlichen. Vor kurzem hatte dasselbe Team bereits einen Vorgänger namens Xiaomi-Robotics-0 als Open Source freigegeben, der auf schnelle Ausführung in Echtzeit ausgelegt war.
KI-News ohne Hype – von Menschen kuratiert
Mit dem THE‑DECODER‑Abo liest du werbefrei und wirst Teil unserer Community: Diskutiere im Kommentarsystem, erhalte unseren wöchentlichen KI‑Newsletter, 6× im Jahr den "KI Radar"‑Frontier‑Newsletter mit den neuesten Entwicklungen aus der Spitze der KI‑Forschung, bis zu 25 % Rabatt auf KI Pro‑Events und Zugriff auf das komplette Archiv der letzten zehn Jahre.
