Weigert sich, seinen Namen preiszugeben, führt aber dennoch zwei globale Rankings an
In den letzten Tagen herrschte im Weltmodellraum ungewöhnlich reges Treiben.
World Labs, das “Einhorn”-Unternehmen von Fei-Fei Li im Bereich der räumlichen Intelligenz, stellte “Spark 2.0” mit großem Aufsehen vor, und Alibaba folgte kurz darauf mit seinem Weltmodell „Happy Oyster“.”
Fast zeitgleich veröffentlichte Physical Intelligence zudem ein neues Modell, π 0.7, und hob dabei dessen Fähigkeit zur anfänglichen kompositorischen Verallgemeinerung auf bisher unbekannte Aufgaben sowie dessen plattformübergreifende Übertragbarkeit zwischen verschiedenen Robotern hervor.
Diese Reihe von Schritten sendet an sich schon ein Signal aus: Der Schwerpunkt des Wettbewerbs in der Branche hat sich davon verlagert, wer einzelne Maßnahmen umsetzen kann, hin zu der Frage, wer der Vereinigung von “Vorhersage der Welt” und “Auslösung von Maßnahmen” innerhalb eines einzigen Modells näher kommt.
An dieser Stelle kommt ein mysteriöses Weltmodell namens MotuBrain hat sich still und leise an die Spitze zweier internationaler Benchmarks vorgearbeitet, ohne dass dabei der Name des Unternehmens genannt wurde.
Wenn es nur um den ersten Platz in einer Rangliste ginge, wäre das vielleicht nicht so ungewöhnlich.
Die Sache ist jedoch die: Gleichzeitig wurden zwei Ranglisten abgeschafft, die fast die “beiden Extreme” der Branche repräsentieren: Die eine ist WorldArena, bei der gemessen wird, ob ein Weltmodell die reale Welt wirklich versteht und vorhersagen kann; die andere ist RoboTwin2.0, bei der die Ausführung von Roboteraufgaben und die Generalisierungsfähigkeit bewertet werden. Das eine konzentriert sich auf die Vorhersage der Welt, das andere auf die Aufgabenausführung – zusammen entsprechen sie genau dem übergreifenden Problem, das die Branche derzeit zu lösen versucht.
MotuBrain ist führend sowohl bei WorldArena als auch bei RoboTwin2.0
Auf WorldArena belegte MotuBrain mit einem EWM-Gesamtwert von 63,77 den ersten Platz. Den Ergebnissen zufolge übertrifft seine Leistung Modelle wie ABot von Gaode und GigaWorld-1 von Jijia und liegt in wichtigen Bewegungsparametern wie Bewegungsqualität, Flow-Score und Bewegungsflüssigkeit an der Spitze.
Bei RoboTwin 2.0 erreichte MotuBrain in den Einstellungen „Clean“ und „Randomized“ 95,8 bzw. 96,1 Punkte und belegte damit ebenfalls den ersten Platz. Es ist das einzige Modell in der Rangliste, das in zufälligen Umgebungen eine Durchschnittswertung von über 95 erreicht, und bei den meisten spezifischen Aufgaben erzielte es 100 oder nahezu 100. Im Vergleich zu Modellen wie Gaode ABot, Ant Lingbo LingBot, JEPA-VLA und pi0.5: MotuBrain zeigt im RoboTwin-Benchmark eine überragende Leistung.
Gerade dieser “doppelte erste Platz” sorgt dafür, dass die Leute beginnen, diesem unbekannten Model Aufmerksamkeit zu schenken.
Eine kurze Suche zeigt, dass es online noch fast keine Informationen zu MotuBrain gibt, allerdings wurde erst diesen Monat ein X-Konto registriert.
Das erinnert an das frühere “Huanle Ma”, das später von Alibaba für sich beansprucht wurde (das daraufhin ebenfalls einen X-Account eröffnete).
Dieses geheimnisvolle Weltmodell – könnte es etwa von einem großen einheimischen Technologieunternehmen stammen?
Warum die Ergebnisse von MotuBrain von Bedeutung sind
WorldArena und RoboTwin sind keine Tests derselben Art; sie messen zwei unterschiedliche Fähigkeiten.
WorldArena bewertet die Dimension des Weltmodells: ob das Modell Bewegungsgesetze verstehen kann, ob es physikalische Veränderungen in Zeitreihen genau ableiten und vorhersagen kann und ob es Veränderungen des Umgebungszustands wahrnimmt. Dies ist die Fähigkeit, die Welt vorherzusagen.
RoboTwin hingegen konzentriert sich auf die Dimension des Aktions- oder Verhaltensmodells – beispielsweise darauf, ob das Modell Aktionen über mehrere Aufgaben und Umgebungen hinweg stabil ausführen kann, ob es auf unbekannte Szenarien verallgemeinern kann und ob es komplexe Vorgänge kontinuierlich ausführen kann. Das ist die Fähigkeit, in der Welt zu handeln.
Betrachten Sie es einmal so: Der Grund, warum ein menschlicher Fahrer im komplexen Straßenverkehr sicher fahren kann, liegt nicht nur im Muskelgedächtnis, sondern auch in der ständigen Vorhersage dessen, was in der nächsten Sekunde passieren wird – wird das vorausfahrende Auto plötzlich bremsen? Wird ein Fußgänger unerwartet die Straße überqueren? Diese Synchronisation von Vorhersage und Handlung ist die zugrunde liegende Logik der menschlichen Intelligenz.
Den meisten bestehenden Robotersystemen fehlt genau diese Ebene. Entweder verstehen sie die Welt zwar gut, wissen aber nicht, wie sie handeln sollen, oder sie können festgelegte Handlungen ausführen, sind jedoch nicht in der Lage, Veränderungen in ihrer Umgebung vorherzusehen. Diese Trennung führt dazu, dass Roboter leicht versagen, sobald sie ihre Trainingsszenarien verlassen.
In den letzten Jahren wurden beide Richtungen untersucht, allerdings meist isoliert voneinander. Teams, die sich mit der Videogenerierung und Weltmodellen beschäftigen, konzentrieren sich darauf, ob Modelle die physikalische Welt realistisch simulieren können; Teams, die an Roboter-Strategien und VLA arbeiten, konzentrieren sich darauf, wie Modelle bei bestimmten Aufgaben zuverlässig ausgeführt werden können. Es gab nur wenige Versuche, beide Bereiche wirklich zu vereinen, und noch weniger stabile Ergebnisse.
Die Tatsache, dass MotuBrain bei beiden Arten von Benchmarks den ersten Platz belegen konnte, bestätigt zumindest auf Benchmark-Ebene eines: Die Vereinigung von Weltvorhersage und Aktionssteuerung in einem einzigen Modell ist ein gangbarer Weg.
Doppelter erster Platz: Wo gewinnt es?
In der WorldArena-Rangliste sticht MotuBrain vor allem durch seinen Vorsprung in mehreren Bereichen hervor.
Die Bewegungsqualität steht an erster Stelle, was bedeutet, dass die vom Modell erzeugten Bewegungen realistischer sind und nicht nur aus visuellen Bewegungseffekten bestehen.
Der „Flow Score“ belegt den ersten Platz, was auf ein tieferes Verständnis von kontinuierlicher Bewegung und Bewegungsbahnen sowie auf die Fähigkeit hinweist, großräumige Bewegungsänderungen stabil vorherzusagen – wobei ein Moment nahtlos an das nächste übergeht, anstatt Einzelbilder aneinanderzureihen.
Die Bewegungsflüssigkeit steht an erster Stelle, was bedeutet, dass die generierten Bewegungen den realen physikalischen Gesetzen besser entsprechen, ohne unnatürliche plötzliche Beschleunigungen, Ruckeln oder Richtungswechsel.
Diese drei Dimensionen stehen alle in direktem Zusammenhang mit Bewegung. Für ein zukünftiges Weltmodell, das für Roboter bestimmt ist, ist genau dies die entscheidende Fähigkeit.
Beim eher auf die Aufgabenausführung ausgerichteten RoboTwin kommt dieser Vorteil noch stärker zum Tragen. Bei 50 Aufgaben und zwei verschiedenen Umgebungsbedingungen erreicht MotuBrain eine Durchschnittspunktzahl von 96,0 und liegt damit deutlich vor dem Zweitplatzierten mit 92,3. Der Abstand entspricht fast der Differenz zwischen dem zweiten und dem fünften Platz.
Noch wichtiger ist jedoch die Stabilität. Die Hälfte der Aufgaben weist eine Erfolgsquote von 100% auf, und 90% der Aufgaben liegen über 90%. Das bedeutet nicht nur, dass das System Aufgaben richtig lösen kann – es bedeutet auch, dass es Ergebnisse über mehrere Aufgaben hinweg und unter zufälligen Störungen hinweg konsistent reproduzieren kann.
Insgesamt deuten diese Ergebnisse auf etwas hin, das einem allgemeinen Robotergehirn näherkommt: die Aufrechterhaltung von Kontinuität und Konsistenz auf der Handlungsebene bei gleichzeitiger Fähigkeit zur aufgabenübergreifenden Generalisierung.
Wer steckt dahinter, und welchen Weg schlagen sie ein?
Derzeit gibt es nur sehr wenige öffentlich zugängliche Informationen über MotuBrain. Geht man jedoch von der Struktur seiner Ergebnisse in den beiden Ranglisten aus, handelt es sich wahrscheinlich weder um ein herkömmliches Videomodell noch um ein reines VLA- oder Policy-Modell. Es steht für eine andere Art des Schlussfolgerns, die sich von der adaptives Denken die in erstklassigen Sprachmodellen zu finden sind und sich intensiv auf reine physikalische Intelligenz konzentrieren.
Im Laufe des vergangenen Jahres haben sich im Rahmen der Auseinandersetzung mit Weltmodellen und Handlungsmodellen mehrere repräsentative Wege in der Branche herausgebildet.
Einige legen den Schwerpunkt auf ein einheitliches Weltmodell, bei dem Vision, Sprache, Video und Aktion durch gemeinsame Modellierung kombiniert werden – unter Einbeziehung von Videomodellen, VLA, Weltmodellen und mehr –, um Wahrnehmung, Planung, Vorhersage, Ausführung und aufgabenübergreifende Generalisierung in realen Umgebungen zu erreichen. Ein typisches Beispiel hierfür ist Motus, das im vergangenen Dezember veröffentlicht wurde.
Manche neigen eher zu einem Ansatz nach dem Motto “Erst vorstellen, dann handeln”. Zum Beispiel:, Lingbot-VA, das Ende Januar dieses Jahres veröffentlicht wurde, nutzt zunächst ein Videomodell zur Vorhersage zukünftiger Videosequenzen und steuert dann rückwärts die Handlungsentscheidungen des Roboters, wobei beide Aspekte in einem Modell zusammengeführt werden.
Andere verfolgen einen Ansatz, bei dem “zukünftige Zustände gleichzeitig abgeleitet und Aktionen generiert werden” – das sogenannte World Action Model –, bei dem Vorhersage und Aktion gemeinsam stattfinden, wie beispielsweise bei DreamZero von NVIDIA, das Anfang Februar veröffentlicht wurde.
Die diesjährige Leistung von MotuBrain lässt vermuten, dass es einen Weg einschlägt, der näher am World Action Model liegt, indem es die Fähigkeit eines Weltmodells, Umgebungen und zukünftige Zustände abzuleiten, mit der Ausführungsfähigkeit eines Aktionsmodells bei realen Aufgaben kombiniert.
Das würde auch erklären, warum es sowohl bei den Benchmarks für “Weltmodellierung” als auch für “Aktionsausführung” an der Spitze steht.
Fazit
Wenn man einen Roboter in seine Bestandteile zerlegt, kann man sich seine “Hände und Füße” als Hardware und sein “Gehirn” als Software vorstellen.
In den letzten Jahren war die rasante Weiterentwicklung der Roboterhardware unübersehbar – die Bewegungssteuerung wird präziser, es gibt immer mehr Sensoren und die Kosten sinken. Was den großflächigen Einsatz von Robotern jedoch wirklich einschränkt, ist das „Gehirn“, das die Aufgaben steuert.
Die heutigen Roboter sind im Grunde genommen immer noch “spezialisierte Systeme, die für bestimmte Aufgaben trainiert wurden”. Ändert man das Szenario, das Objekt oder die Anweisung, können sie völlig versagen. Dies hängt zu einem großen Teil von ihrer Intelligenz ab.
Das Ziel der verkörperten Intelligenz besteht darin, ein einheitliches Modell zu entwickeln – eines, das die physische Welt verstehen, Zustandsänderungen vorhersagen und auf dieser Grundlage zuverlässige Handlungen generieren kann, wobei es sich an jede Aufgabe und jedes Szenario anpasst. Dieser Sprung ist für die Robotik ebenso bahnbrechend wie die Entwicklung von der Vibe-Codierung zur Wunsch-Codierung war für den Bereich der KI-Programmierung.
Das Kapital hat bereits mit echtem Geld sein Urteil gefällt.
Betrachtet man einige der jüngsten großen Finanzierungsrunden, fällt schnell auf, dass Geld in großem Umfang in Unternehmen fließt, die “Robotergehirne” entwickeln. Oberflächlich betrachtet investieren sie in Roboter, doch in Wirklichkeit konkurrieren sie möglicherweise um den Einstieg in das “Roboter-Betriebssystem” oder das “allgemeine physische Gehirn” der nächsten Generation.”
So betrachtet steht die von MotuBrain verkörperte einheitliche „Welt+Handlung“-Architektur genau im Zentrum dieses strategischen Wettlaufs.
Was die Frage angeht, welches Team hinter MotuBrain steht und was als Nächstes zu erwarten ist, wird diese wohl nicht lange unbeantwortet bleiben.
