Eine Milliarde US-Dollar Bewertung – und das direkt zum Start. Walden Robotics ist aus dem Stealth-Modus getreten und zeigt damit, dass der Robotikmarkt ein neues Reifekapitel erreicht hat. Während viele Startups sich langsam hocharbeiten, betritt Walden die Bühne mit einer Bewertung, die sonst etablierten Unternehmen vorbehalten ist. Das Versprechen: General-Purpose-Roboter mit vollständiger Physical AI. Doch was steckt hinter diesem ambitionierten Vorhaben, und was sagt der spektakuläre Einstieg über den aktuellen Zustand der Robotikbranche aus?

Die neue Ära der Universal-Roboter

Der Begriff “General-Purpose Robot” hat sich innerhalb weniger Jahre von einer Science-Fiction-Vision zu einem ernsthaften technischen Entwicklungsziel gewandelt. Anders als spezialisierte Industrieroboter, die für exakt eine Aufgabe optimiert sind, sollen Universal-Roboter verschiedenste Tätigkeiten in unterschiedlichen Umgebungen bewältigen können – theoretisch von der Haushaltsführung bis zur Lagerhaltung.

Walden Robotics verspricht, dieses Ziel mit einem “Full-Stack Physical AI”-Ansatz zu erreichen. Die Formulierung ist bewusst gewählt und lehnt sich an den Begriff “Full-Stack” aus der Softwareentwicklung an: Hier bedeutet es, dass das Unternehmen nicht nur einzelne Komponenten entwickelt, sondern die gesamte Technologiekette von der Datenerfassung über die Modellierung bis zur Steuerung kontrolliert.

Was Physical AI wirklich bedeutet

Physical AI unterscheidet sich fundamental von klassischen KI-Systemen, die in der digitalen Welt operieren. Während große Sprachmodelle wie GPT mit Text und Bildern arbeiten, muss Physical AI die physische Realität verstehen und beeinflussen können – mit all ihren Unwägbarkeiten.

Ein aktuelles Beispiel aus der Forschung des chinesischen Unternehmens X Square Robot illustriert die Herausforderung: Wenn ein Greifer eine Zehntelsekunde zu früh schließt, sieht die Bewegung in den Daten wie ein erfolgreicher Griff aus – tatsächlich hat der Roboter aber das Objekt weggeschoben. Diese Diskrepanz zwischen aufgezeichneter Trajektorie und tatsächlichem Ergebnis ist eines der Kernprobleme, das Physical AI lösen muss.

Die zentrale Frage lautet: Wie bringt man einem Roboter bei, die physische Welt so zu verstehen, dass er Aufgaben in verschiedenen Kontexten lösen kann? Die Robotikbranche sucht nach einem Rezept, das ähnlich transformativ wirkt wie das Pretraining großer Sprachmodelle für die Text-KI.

Der Full-Stack-Ansatz: Integration statt Komponenten

Traditionell wurden Robotiksysteme aus separaten Modulen für Wahrnehmung, Planung und Steuerung zusammengesetzt. Diese Architektur hat sich jahrzehntelang bewährt, stößt aber an Grenzen, wenn es um Generalisierung geht. Wissen und Fähigkeiten, die ein Roboter in einem Kontext erwirbt, lassen sich nur schwer auf andere Aufgaben oder gar andere Roboterplattformen übertragen.

Der Full-Stack-Ansatz, den sowohl Walden als auch andere führende Akteure wie X Square Robot verfolgen, versucht diese Fragmentierung zu überwinden. Bei X Square besteht der Stack aus drei integrierten Ebenen:

  1. Datenebene: Ein System zur Erfassung hochwertiger Interaktionsdaten, bei dem die Grundeinheit nicht eine Bewegungstrajektorie ist, sondern eine tatsächliche Interaktion, die die Welt wie beabsichtigt verändert.

  2. World Model: Ein Modell, das Veränderungen in der physischen Welt vorhersagen kann und dabei nicht in festen Zeitfenstern denkt, sondern in “semantischen Events” – zusammenhängenden Verhaltensweisen wie Greifen, Platzieren oder Erreichen.

  3. Action Model: Eine Vision-Language-Action-Komponente, die Wahrnehmung, Planung, Reasoning und Entscheidungsfindung vereint, um ausführbares Roboterverhalten zu generieren.

Der entscheidende Punkt: Diese Ebenen sind nicht einfach gestapelt, sondern eng verzahnt. Die gleichen Daten, die das Action Model trainieren, strukturieren auch das World Model. Beide Modelle teilen sich eine Code-Basis und sind Teil einer übergeordneten “World Unified Model”-Architektur.

Die unterschätzte Bedeutung der Datenqualität

Während in der KI-Welt oft “mehr Daten” als Lösung für viele Probleme gilt, zeigt sich in der Robotik ein anderes Bild. Die Kosten und die Qualität von Interaktionsdaten sind kritischer als die schiere Menge.

X Square Robot hat hierfür ein System namens QUANXTA Zero Series entwickelt – eine tragbare VR-Ausrüstung mit dualen Greifern, mit der Menschen Demonstrationen ausführen können, ohne einen Roboter fernzusteuern. Der Vorteil: Die Demonstrationen erfassen menschliche Geschicklichkeit direkt – Kontaktzeitpunkte, Fingerkoordination, Kraftdosierung – bevor sie auf die Kinematik eines bestimmten Roboters abgebildet werden.

Besonders bemerkenswert ist der Qualitätskontrollprozess: Eine Auswahl der aufgezeichneten Trajektorien wird physisch auf einem echten Roboter abgespielt. Nur diejenigen, die die Aufgabe tatsächlich erfüllen, gelten als valide. Diese “Physical Playback”-Methode ist ungewöhnlich, aber sinnvoll – die Validitätsrate wird zu einer messbaren Größe statt einer Annahme. X Square berichtet von einer Validitätsrate von etwa 85 Prozent.

Das Kosten-Nutzen-Verhältnis ist ebenfalls beachtlich: Durch die Kombination von großen Mengen roboterfreier menschlicher Demonstrationen für das Pretraining mit kleineren Mengen echter Roboterdaten als “Anker” für die spezifische Roboterdynamik erreicht das System vergleichbare Leistungen wie reine Roboter-Datensätze – bei etwa einem Zwanzigstel der Erfassungskosten.

Von festen Zeitfenstern zu semantischen Events

Ein weiterer innovativer Aspekt moderner Physical-AI-Ansätze ist die Organisation von Roboterverhalten. Die meisten Action Models arbeiten mit festen Zeitscheiben: Sie sagen aus dem aktuellen Bild und einer Instruktion einen vordefinierten Bewegungsabschnitt vorher. Das ist praktisch für die Implementierung, segmentiert aber Verhalten künstlich – die Grenzen fallen dort, wo die verstrichene Zeit es vorschreibt, nicht dort, wo eine Aktion endet und die nächste beginnt.

WALL-WM, das World Model von X Square Robot, behandelt stattdessen ein “action-grounded semantic event” als Grundeinheit: ein zusammenhängendes Verhaltensstück wie Erreichen, Greifen oder Platzieren – etwas, das sich in Sprache benennen, in Video sehen und als Bewegung ausführen lässt. Diese event-basierte Strukturierung erlaubt es dem Modell, in zwei Modi zu arbeiten: Ein Event-Modus für variable Längen, der sich für Langfrist-Reasoning eignet, und ein Chunk-Modus mit fester Länge für die Echtzeitsteuerung.

Die Bewertungsfrage: Realitätscheck für General-Purpose-Systeme

Angesichts der vielen vollmundigen Versprechen in der Robotik stellt sich die Frage: Wie bewertet man eigentlich, ob ein “General-Purpose Robot” wirklich generalisiert? NVIDIA hat kürzlich mit RoboLab und dem darauf basierenden Isaac Lab-Arena einen Ansatz vorgestellt: ein Open-Source-Simulationsframework für groß angelegte Policy-Evaluierung.

Die Herausforderung besteht darin, dass beeindruckende Demonstrationen nicht gleichbedeutend mit robuster Leistung sind. Ein Roboter muss nicht nur in kontrollierten Laborbedingungen funktionieren, sondern auch mit unerwarteten Objektpositionen, wechselnder Beleuchtung, unbekannten Objekten und Unterbrechungen durch Menschen zurechtkommen.

Die entscheidenden Fragen sind: Funktioniert das vortrainierte Modell auf Robotern, die es nie gesehen hat? Ist die Fähigkeit zu sehr an die Trainingsdaten gekoppelt? Und vor allem: Wie gut ist die Fehlerbehandlung? In realen Umgebungen – etwa einem Haushalt – ist die Fähigkeit zur Wiederherstellung nach Fehlern oft wichtiger als die reine Erfolgsrate, denn die Umgebung setzt sich nicht selbst zurück.

Was die Milliarden-Bewertung aussagt

Die 1,1-Milliarden-Dollar-Bewertung von Walden Robotics zum Start ist kein Einzelfall mehr. X Square Robot hat Berichten zufolge eine Bewertung von über 20 Milliarden Yuan (etwa 2,9 Milliarden US-Dollar) erreicht. Diese Zahlen signalisieren einen Paradigmenwechsel bei Investoren: Dateninfrastruktur, Foundation Models und skalierbare Trainingssysteme werden zunehmend als langfristige Differenzierungsmerkmale in der embodied AI betrachtet.

Anders als in früheren Robotik-Hypes geht es nicht mehr primär um clevere mechanische Designs oder einzelne Durchbrüche bei bestimmten Aufgaben. Die Wette der Investoren lautet: Wer die beste Dateninfrastruktur, die leistungsfähigsten Foundation Models und die effizientesten Trainingspipelines baut, wird den Markt dominieren – ähnlich wie bei den großen Sprachmodellen.

Der realistische Ausblick

Trotz des Enthusiasmus bleiben erhebliche Herausforderungen. Die meisten beeindruckenden Ergebnisse stammen bisher aus unternehmenseigenen Benchmarks. Erst wenn die breitere Forschungsgemeinschaft diese Systeme auf verschiedenen Robotern, in verschiedenen Umgebungen und bei verschiedenen Aufgaben getestet hat, wird sich zeigen, wie robust die Generalisierung wirklich ist.

Die größte verbleibende Lücke ist der Unterschied zwischen Kompetenz und Zuverlässigkeit. Benchmarks messen, ob ein Modell eine Aufgabe abschließen kann. Reale Einsatzszenarien – besonders im Haushalt – erfordern aber konsistenten Betrieb über Zeit, in sich ständig verändernden Umgebungen, mit vagen Anweisungen und menschlichen Unterbrechungen. Dependable Recovery – robuste Fehlerbehandlung – ist hier der Schlüssel.

Walden Robotics und andere High-Stakes-Player betreten den Markt mit beeindruckenden Ressourcen und technischen Konzepten. Ob der Full-Stack-Ansatz und die Milliarden-Bewertungen gerechtfertigt sind, wird sich in den nächsten Jahren zeigen – dann, wenn die Roboter nicht mehr nur in Laborumgebungen glänzen, sondern in echten Wohnungen, Lagerhallen und Büros ihren Dienst verrichten. Die Richtung ist jedenfalls klar: Die Robotik bewegt sich vom Spezialwerkzeug zum universellen Assistenten. Die Frage ist nicht mehr ob, sondern wann und wie gut.