Teleoperation und der Datenengpass: Wie Humanoiden-Unternehmen tatsächlich Trainingsdaten sammeln

Wie sammeln Humanoiden-Unternehmen heute wirklich Trainingsdaten?

Die kurze Antwort: überwiegend per Teleoperation. Ein Mensch steuert einen Roboterarm oder einen ganzen Humanoiden aus der Ferne oder über ein Motion-Tracking-System, während jede Bewegung als Trainingsbeispiel für ein neuronales Netz aufgezeichnet wird. Dieses Verfahren heißt Imitationslernen: Das Modell lernt nicht durch Ausprobieren in der realen Welt, sondern durch Nachahmung menschlich vorgeführter Demonstrationen. Trotz aller Schlagzeilen über autonome Roboter steckt hinter fast jedem funktionierenden Humanoiden-Modell heute noch eine überraschend arbeitsintensive Roboter-Datenerfassung, bei der Menschen die Kontrolle behalten – und genau dieser Engpass, nicht die Rechenleistung, bremst aktuell das Tempo der Branche.

Das ist kein Nischendetail für Ingenieure. Wer verstehen will, warum humanoide Roboter langsamer in den Massenmarkt kommen als KI-Sprachmodelle, muss verstehen, wie teuer, langsam und personalintensiv die Datenerfassung für physische Handlungen noch ist. Internettext gibt es in Billionen Wörtern gratis. Daten darüber, wie eine Hand eine Tasse greift, ohne sie zu zerdrücken, gibt es nicht.

Warum reichen Internetdaten für Roboter nicht aus?

Sprachmodelle wurden mit Texten und Bildern trainiert, die im Internet frei verfügbar waren. Für physische Handlungen existiert kein Äquivalent: Niemand hat jahrzehntelang Sensordaten von Greifbewegungen, Kraftrückmeldung und Gelenkwinkeln ins Netz gestellt. Diese Lücke wird in der Branche als „Datenengpass“ bezeichnet, und sie erklärt, warum Unternehmen wie Figure, 1X Technologies oder Tesla eigene, oft aufwendige Infrastruktur bauen, nur um überhaupt Trainingsmaterial zu erzeugen.

Imitationslernen ist dabei der praktikabelste Weg, diese Lücke zu schließen: Ein Mensch führt die Aufgabe vor, das System speichert Sensordaten und Aktionen synchron, und ein Modell lernt die Abbildung von Wahrnehmung auf Bewegung. Der Haken: Jede neue Aufgabe, jede neue Umgebung und jede Variation braucht neue Demonstrationen.

Was kostet ein Teleoperationssystem konkret?

Ein konkretes Beispiel liefert das Mobile-ALOHA-System der Stanford University, entwickelt von Zipeng Fu, Tony Z. Zhao und Chelsea Finn: ein mobiler, beidhändiger Manipulator, der komplett per Teleoperation gesteuert wird, samt Bordenergie und Rechenleistung. Die Hardwarekosten liegen bei rund 32.000 US-Dollar – und aus etwa 50 menschlich vorgeführten Demonstrationen kann das System Aufgaben wie das Öffnen eines Küchenschranks oder das Anbraten von Garnelen lernen. Das zeigt zweierlei: Teleoperations-Hardware ist inzwischen erschwinglich genug für Forschungslabore, aber die Zahl nötiger Demonstrationen pro Einzelaufgabe bleibt hoch.

Das stationäre Vorgänger-System ALOHA wird in einigen Quellen mit einem Gesamtpreis von etwa 27.067 US-Dollar beziffert, wovon rund 20.486 US-Dollar – etwa drei Viertel – allein auf Roboterarme und Kameras entfallen. Diese Zahlen stammen allerdings aus sekundären Fachportalen und nicht aus der ursprünglichen Stanford-Dokumentation selbst, weshalb sie mit einer gewissen Vorsicht zu behandeln sind.

Wie unterscheiden sich die Ansätze der großen Humanoiden-Firmen?

Die drei derzeit meistbeachteten Unternehmen im Humanoiden-Bereich – Figure AI, 1X Technologies und Tesla – verfolgen inzwischen spürbar unterschiedliche Strategien bei der Roboter-Datenerfassung:

Unternehmen	Ansatz zur Datenerfassung	Besonderheit
Figure AI	Teleoperierte Demonstrationen für das Helix-Modell, ergänzt durch egozentrische Videodaten aus realen Umgebungen	Kombiniert klassisches Imitationslernen mit Videodaten im Maßstab ganzer Immobilienportfolios
1X Technologies	„Expert Mode“: Menschlicher Fernoperator übernimmt, wenn die Autonomie scheitert, Sitzung fließt als Trainingsdatum zurück	Selbstverstärkender Datenerfassungskreislauf direkt aus dem Feldeinsatz bei Endkunden
Tesla (Optimus)	Wechsel weg von Motion-Capture-Anzügen/Teleoperation hin zu Helm- und Rucksack-Kameras am Menschen	Reine visuelle Datenerfassung ohne Exoskelett oder Teleoperationsrig

Diese Tabelle macht deutlich: Es gibt keinen Branchenstandard. Jedes Unternehmen optimiert für seinen eigenen Anwendungsfall – Figure für Generalisierung über viele Umgebungen, 1X für den Praxiseinsatz im Haushalt, Tesla für Kostensenkung bei der Erfassungshardware selbst.

Wie trainiert Figure AI sein Helix-Modell?

Figures Vision-Language-Action-Modell Helix wurde mit rund 500 Stunden hochwertiger, teleoperierter Demonstrationsdaten trainiert, erhoben über mehrere Roboter und mehrere menschliche Operatoren hinweg. Nach Angaben von Figure ist das weniger als 5 Prozent der Datenmenge, die frühere Vision-Language-Action-Datensätze benötigten – ein Hinweis darauf, dass Datenqualität und ein automatisiertes Beschriftungssystem (ein VLM, das im Nachhinein natürlichsprachliche Anweisungen zu jedem Segment generiert) mehr Wirkung entfalten können als reine Datenmenge.

Im September 2025 ging Figure mit „Project Go-Big“ einen deutlich größeren Schritt: eine strategische Partnerschaft mit Brookfield Asset Management, um egozentrische menschliche Videodaten im gesamten Immobilienportfolio von Brookfield zu sammeln – nach Unternehmensangaben mehr als 100.000 Wohneinheiten, 500 Millionen Quadratfuß Bürofläche und 160 Millionen Quadratfuß Logistikfläche. Ziel ist der nach eigener Aussage weltweit größte Datensatz fürs Vortraining von Humanoiden. Bemerkenswert dabei: Ausschließlich egozentrisches menschliches Videomaterial, ganz ohne Roboter-Demonstrationen, soll Helix bereits beigebracht haben, sich anhand natürlichsprachlicher Kommandos durch unaufgeräumte Wohnräume zu navigieren.

Parallel dazu hat Figure seine Kapitalbasis massiv ausgebaut: Nach einer Series-B-Runde über 675 Millionen US-Dollar bei einer Bewertung von 2,6 Milliarden US-Dollar im Februar 2024 – begleitet von einer Kooperationsvereinbarung mit OpenAI – folgte im September 2025 eine Series-C-Runde von über 1 Milliarde US-Dollar bei einer Bewertung von 39 Milliarden US-Dollar, angeführt von Parkway Venture Capital mit Beteiligung von Brookfield, NVIDIA und Intel Capital. Das entspricht etwa dem 15-Fachen der Series-B-Bewertung binnen 18 Monaten – ein Indiz dafür, wie stark Investoren gerade auf skalierbare Datenpipelines statt auf einzelne Roboter-Prototypen setzen.

Wie funktioniert 1X Technologies’ „Expert Mode“?

1X Technologies verkauft seinen Heimhumanoiden NEO für 20.000 US-Dollar zum Kauf oder alternativ im Abonnement für 499 US-Dollar pro Monat bei sechs Monaten Mindestlaufzeit; Vorbestellungen für Privatkunden in den USA und Kanada sollen im dritten und vierten Quartal 2026 ausgeliefert werden. Das Modell NEO Gamma misst etwa 170 Zentimeter und wiegt rund 30 Kilogramm.

Technisch beruht NEO auf einem „Expert Mode“: Kann die Bordsoftware eine Aufgabe nicht eigenständig abschließen, übernimmt ein geschulter menschlicher Fernoperator, führt die Aufgabe zu Ende, und die aufgezeichnete, beschriftete Sitzung fließt als Trainingsdatum in 1X’ KI-Modell „Redwood“ zurück. Damit wird jeder Haushalt, in dem ein NEO steht, potenziell zur Datenquelle. 1X selbst nennt für den Marktstart eine Autonomiequote von etwa 60 bis 70 Prozent, mit dem Ziel, diese bis 2027 auf 80 bis 90 Prozent und bis 2028 auf über 95 Prozent zu steigern – getragen von genau diesem sich selbst verstärkenden Teleoperationskreislauf.

Zur Finanzierung: Im September 2025 wurde berichtet, dass 1X – unterstützt von OpenAI und EQT – in Gesprächen war, bis zu 1 Milliarde US-Dollar bei einer angestrebten Bewertung von mindestens 10 Milliarden US-Dollar aufzunehmen, mehr als das Zwölffache seiner vorherigen Bewertung von Januar 2024. Wichtig für die Einordnung: Mehrere Quellen beschreiben diese Runde übereinstimmend als angestrebt beziehungsweise in Verhandlung – ein formeller Abschluss der Runde ließ sich zum Zeitpunkt der Recherche nicht bestätigen. Die 10-Milliarden-Bewertung ist also als Zielgröße, nicht als abgeschlossene Tatsache zu lesen.

Warum hat Tesla seine Datenerfassungsmethode geändert?

Tesla ging bei Optimus lange einen anderen Weg: Ein eigenes Team menschlicher „Datensammler“ trug Motion-Capture-Anzüge und VR-Headsets, um Bewegungen für das Training aufzuzeichnen. Um Mitte 2025 vollzog Tesla jedoch einen Kurswechsel weg von Motion-Capture und Teleoperation hin zu einem reinen Kamera-Ansatz: Menschliche Operatoren tragen nun helm- und rucksackmontierte Kamerasysteme, teils ergänzt um haptische Handschuhe für die Handverfolgung, und zeichnen so alltägliche Tätigkeiten auf. Dieser Strategiewechsel fiel zeitlich mit einem Führungswechsel im Optimus-Programm zusammen: Milan Kovac trat im Juni 2025 als Programmleiter zurück, Ashok Elluswamy übernahm.

Der Vorteil dieses Ansatzes liegt in geringeren Hardwarekosten pro Datensammler und potenziell größerer Skalierbarkeit, weil kein teures Teleoperationssystem pro Aufzeichnungssitzung nötig ist. Der Kompromiss: Reine Videodaten ohne präzise Kraft- und Gelenkwinkel-Messwerte, wie sie ein Teleoperationssystem liefert, stellen andere Anforderungen an das Lernverfahren, das die Bewegungsdaten aus dem Bildmaterial rekonstruieren muss.

Ist Teleoperation eine Übergangslösung oder eine dauerhafte Infrastruktur?

Die Antwort scheint firmenspezifisch auszufallen. Bei 1X ist Teleoperation explizit als Übergang konzipiert: Der „Expert Mode“ soll mit steigender Autonomiequote schrittweise seltener gebraucht werden, bleibt aber bis mindestens 2028 fester Bestandteil des Betriebsmodells. Bei Figure dient Teleoperation eher als Ausgangspunkt für qualitativ hochwertige Kern-Demonstrationen, während die eigentliche Skalierung zunehmend über passiv gesammeltes menschliches Videomaterial läuft – ein Muster, das eng mit den Architekturprinzipien zusammenhängt, die auch im Beitrag zum Physical-AI-Stack im Detail erklärt werden. Tesla wiederum hat sich bereits explizit von klassischer Teleoperation verabschiedet zugunsten reiner Kameraerfassung.

Gemeinsam ist allen drei Ansätzen: Der Mensch bleibt vorerst die zentrale Datenquelle für physisches Handeln. Autonome Selbstexploration in der realen Welt – also ein Roboter, der ohne menschliche Vorgaben durch Trial-and-Error lernt – spielt in keinem der drei Fälle die Hauptrolle, unter anderem weil Fehlversuche an echten Objekten teuer und potenziell gefährlich sind.

Welche Rolle spielt Simulation gegenüber realer Teleoperation?

Simulation kann einen Teil der Datenlücke füllen, indem Millionen virtueller Rollouts parallel und ohne physisches Risiko erzeugt werden. Sie ersetzt reale Teleoperationsdaten jedoch nicht vollständig, weil die sogenannte Sim-to-Real-Lücke – Unterschiede in Physik, Reibung und Sensorrauschen zwischen virtueller und realer Welt – nach wie vor besteht. In der Praxis kombinieren Teams daher reale, teleoperierte Kern-Demonstrationen mit simulationsbasierter Datenvermehrung. Wie diese Kombination technisch umgesetzt wird, behandelt der Beitrag zu Robotersimulation und digitalen Zwillingen ausführlicher.

Was bedeutet der Datenengpass für humanoide Roboter allgemein?

Der Datenengpass ist letztlich ein zentraler Grund, warum humanoide Roboter im Vergleich zu Sprachmodellen langsamer reifen – ein Zusammenhang, der im Grundlagenbeitrag zu humanoiden Robotern näher eingeordnet wird. Wer die aktuelle Landschaft der Humanoiden-Hersteller und ihrer unterschiedlichen Datenstrategien im Überblick verstehen will, findet einen Einstiegspunkt im Themen-Hub Physical-AI-Stack. Begriffe wie Imitationslernen oder Vision-Language-Action-Modell werden zusätzlich im Glossar knapp erklärt.