Die erste Ausgabe des GappAI Radar trennt messbaren Fortschritt von Robotik-Inszenierung. Der rote Faden im August ist keine neue Humanoiden-Pose, sondern ein operativerer Stack: skalierbare menschliche Daten, Transfer zwischen Robotern, Inferenz auf dem Gerät und industrielle Flottenintegration.
Figure macht Datenerfassung zu einem globalen Betriebsnetz
Figure stellte Index vor, eine exklusive Pipeline zur Erfassung menschlicher Videos. Das Unternehmen nennt mehr als 264.000 App-Downloads, 44.000 wöchentlich aktive Beitragende, über 16 Millionen hochgeladene Videos und 30 Minuten neue Videodaten pro Sekunde. Nach eigenen Angaben wurden 15 Millionen US-Dollar an Beitragende ausgezahlt; für die kommenden zwölf Monate sind mehr als eine Milliarde US-Dollar für Daten und Rechenleistung vorgesehen.
Der Wettbewerb verlagert sich vom Roboter allein auf das System, das physische Erfahrung kontinuierlich erfasst, filtert und annotiert. Für den Industrieeinsatz können Datenherkunft, Aufgabenvielfalt und Qualitätskontrolle ebenso strategisch werden wie die Hardwareversorgung. GappAI sollte eine professionelle, einwilligungsbasierte Datenmaschine für reale Arbeit aufbauen—keine generische Crowdsourcing-Kopie.
RoboPaint verkürzt den Weg von menschlicher Demonstration zu Roboterdaten
RoboPaint beschreibt eine Real-Sim-Real-Pipeline aus synchronisierter RGB/RGB-D-Erfassung, Handschuhkinematik, Taktilsensorik, Retargeting und Isaac Sim. Die Autoren berichten 84 Prozent Trajektorienerfolg bei zehn Manipulationsaufgaben sowie durchschnittlich 80 Prozent Aufgabenerfolg für ausschließlich mit generierten Daten trainierte Pi0.5-Policies bei drei repräsentativen Aufgaben.
Für GappAI ist die Richtung relevant: Professionelle menschliche Erfassung kann roboterausführbare Daten erzeugen, ohne jede Minute direkt teleoperieren zu müssen. Der getestete Aufgabenraum bleibt begrenzt; Industriekunden sollten deshalb eine Validierung mit ihren eigenen Objekten, Toleranzen und Fehlerfällen verlangen.
NVIDIA bringt ein Weltmodell auf den Roboter—doch die Erfolgsrate hält die Erwartungen realistisch
NVIDIA veröffentlichte einen reproduzierbaren Weg, das 4B-Modell Cosmos 3 Edge als Manipulations-Policy auf Jetson AGX Thor zu betreiben. Genannt werden etwa 1,53 Sekunden pro Aktionsblock bei rund 2,13 Sekunden abgedeckter Bewegung sowie 22,9 Prozent Erfolg in einer Closed-Loop-Evaluierung mit 120 Aufgaben. Trainiert wurde mit 76.000 erfolgreichen teleoperierten Trajektorien, rund 350 Stunden, 86 Aufgaben und 564 Szenen.
Inferenz auf dem Roboter reduziert Cloud-Latenz, Konnektivitätsabhängigkeit und die Weitergabe von Betriebsdaten. 22,9 Prozent sind jedoch kein Produktions-KPI. Die industrielle Chance liegt in der Engineering-Schicht: gezieltes Post-Training, aufgabenspezifische Evaluierung, Fallback-Verhalten und messbare menschliche Intervention.
NVIDIA COMPASS behandelt Roboteranpassung als Spezialistenschicht
Der COMPASS-Workflow nutzt Navigationsverhalten einer Basis-Policy, trainiert residuale Spezialisten für bestimmte Roboter und Umgebungen und kann Daten mehrerer Spezialisten in eine gemeinsame Cross-Embodiment-Policy destillieren. Der veröffentlichte Ablauf enthält bewusste menschliche Freigaben für Szene, Smoke-Test und Checkpoint-Promotion.
Wiederverwendbare Skills werden nicht allein durch eine Behauptung hardwareunabhängig. Ein glaubwürdiges Cross-Embodiment-Produkt braucht eine gemeinsame Aufgabendefinition sowie robotspezifisches Action Mapping, Sicherheitsvalidierung und Leistungsnachweise. Das stützt das GappAI-Skill-Format: eine Skill-Identität mit verifizierten Konfigurationen je Roboter und Umgebung.
NEURA erweitert sich in Richtung Physical-AI-Infrastruktur auf Flottenebene
NEURA Robotics kündigte die Übernahme der ACTIVE-Shuttle-Plattform von Bosch Rexroth und deren Integration in das eigene Physical-AI-Ökosystem an. Damit kommt eine etablierte autonome mobile Roboterplattform zu einem Portfolio aus Industrie-, kollaborativen und humanoiden Systemen.
Industriekunden kaufen vollständige Betriebsfähigkeit: Navigation, Flottensteuerung, Integration, Service und Sicherheit—nicht nur eine Körperform. Für GappAI bleibt die strategische Position die Daten- und Skill-Schicht, die menschliche Arbeitsabläufe mit mehreren Roboterklassen verbinden kann.
Was wir als Nächstes beobachten
- Ob Figure unabhängige, aufgabenbezogene Nachweise für den Zusammenhang zwischen Index-Daten und Helix-Leistung veröffentlicht.
- Ob Human-to-Robot-Pipelines Kontaktqualität über neue Hände, Werkzeuge und industrielle Toleranzen hinweg erhalten.
- Ob On-Device-Weltmodelle ihre Closed-Loop-Erfolgsrate steigern, ohne Validierung und Sicherheitsnachweise schwerer prüfbar zu machen.
GappAI-Einordnung
Physical AI wird zu einem Geschäft der Datenoperationen. Wertvoll ist der Kreislauf, der reale Arbeit erfasst, daraus validierte Roboterskills erzeugt, Fehler misst und sich über Einsätze hinweg verbessert. Der nächste GappAI-Nachweis sollte deshalb klein und konkret sein: eine professionelle Aufgabe, ein Capture-Protokoll, eine Roboterkonfiguration und eine transparente Deployment Note.