_________

Published on Oct. 30, 2026

OpenAIs GPT-6 Astra kann Roboter steuern, für die es nie trainiert wurde. Diese Überraschung hat in China alte Fragen neu aufgeworfen. Wie weit lassen sich sprachliche Fähigkeiten auf Handlungen in der realen Welt übertragen? Werden große Sprachmodelle und Weltmodelle irgendwann zu einem einzigen Modell verschmelzen? Oder werden sie sich weiterhin als getrennte Module ergänzen?

Fünf KI-Experten aus chinesischen Hochschulen, Forschungsinstituten und Unternehmen diskutierten diese Fragen am 11. Oktober beim World Model Summit Forum 2026 in Peking. Organisiert wurde es vom „Beijing Key Laboratory of General World Models“. Das Wirtschaftsmedium Mingliang Gongsi veröffentlichte den Austausch am 14. Oktober (auf Chinesisch).

In einem Punkt waren sich die meisten Teilnehmer einig. Sprachliches Schlussfolgern, visuelle Wahrnehmung und physische Interaktion müssen enger zusammenwachsen. Der größte Engpass ist heute der Mangel an Interaktionsdaten. Methoden wie die Fernsteuerung von Robotern können diese Lücke schließen.

Bei anderen Fragen gingen die Meinungen auseinander. Soll die Integration innerhalb eines Modells oder in einem System aus mehreren Modellen stattfinden? Tragen die heute verfügbaren Daten überhaupt eine einheitliche Architektur?

Den Kern der Debatte bilden die verschiedenen Fähigkeiten der KI-Technologien. Ein großes Sprachmodell, kurz LLM, wie zum Beispiel Astra liest Anweisungen und durchdenkt eine Aufgabe. Ein Vision-Language-Action-Modell, kurz VLA, setzt das, was ein Roboter sieht und hört, unmittelbar in Bewegungen um. Ein Weltmodell lernt, wie sich die physische Umgebung verhält, und sagt voraus, welche Folgen eine Handlung haben wird.

Chinesische Ingenieure nennen die Ebene des Schlussfolgerns gerne das „Gehirn des Roboters“ und die Bewegungsebene sein Kleinhirn.

„Große Sprachmodelle können für das Verstehen, Planen und Koordinieren langfristiger Aufgaben zuständig sein“, sagte Zhang Li, Professor an der Fudan-Universität, in Peking. VLAs setzen diese Absichten um. Die Bewegungssteuerung passt sie an humanoide Roboter oder geschickte Roboterhände an. „In der gegenwärtigen Phase bleibt jedoch die Koordination zwischen den verschiedenen Komponenten auf Systemebene sehr wichtig.“

Dahinter steht die Frage, ob Sprache eine Art Gerüst ist, mit dessen Hilfe man physische Intelligenz bauen kann. Oder ist Sprache eher etwas, was diese physische Intelligenz einengt? Drei Lager in China geben drei unterschiedliche Antworten auf diese Frage.

Das erste Lager sieht das neue Astramodell als Beweis dafür, dass Sprache ein Gerüst ist. Die höchste Form der Intelligenz sei ein einheitliches Modell für alle Modalitäten, argumentierte Yu Chao, Assistant Professor an der Shenzhen International Graduate School der Tsinghua-Universität. Roboter würden kleinere Modelle nutzen, deren Fähigkeiten aus den großen Modellen gewonnen werden.

Vereinzelte Stimmen aus der Industrie formulieren das noch radikaler. Große Investitionen in Ansätze mit VLA und Weltmodellen lohnten sich möglicherweise nicht mehr, sagte He Yonghao. Er ist CTO bei Xushi Technology und leitete zuvor den Bereich Embodied AI bei D-Robotics. Fortschritte würden künftig von den Unternehmen kommen, die allgemeine Basismodelle entwickeln, argumentierte er.

Zhu Zheng, Mitgründer und Chefwissenschaftler des Robotik-Start-ups GigaAI, warnte, Modelle wie GPT-6 hätten früher schon multimodale Fähigkeiten aufgesogen und drängen nun in die verkörperte KI vor. Die Frontier-Entwickler verfügten über mehr Talente, Rechenleistung und Kapital

„Der Wolf ist schon da. Gebt eure Illusionen auf“, sagte Zhu. Die kommenden ein bis zwei Jahre sieht er als entscheidendes Zeitfenster. In dieser Zeit müssten die heutigen Unternehmen für verkörperte KI einen Wettbewerbsvorsprung aufbauen, der sie gegen Angriffe schützt und den sie bislang noch nicht besäßen. Ein solcher Wettbewerbsvorsprung heißt bei Investoren „Moat“.

Das zweite Lager argumentiert, dass Sprache die Roboter beschränkt. „Wenn wir wollen, dass Roboter Aufgaben in der realen Welt erfüllen, müssen ihnen ausreichend umfassende Informationen zur Verfügung stehen“, sagte Jin Xiaojie, Professor an der Fakultät für Informatik der Beijing Jiaotong University, bei dem Forum in Peking.

Details von Handgriffen und die Beziehungen zwischen Objekten und ihrer Umgebung seien schwer in Worte zu fassen. „Sich ausschließlich auf Sprachmodelle zu verlassen, wird wahrscheinlich nicht die endgültige Lösung für verkörperte KI sein“, sagte Jin.

Das zentrale Argument für diese Position lieferte Zhang Borui, wissenschaftlicher Mitarbeiter an der Tsinghua-Universität. Sprachdaten übertreffen die Daten aus physischen Interaktionen um ein Vielfaches. Ein Modell, das mit beiden trainiert werde, würde daher vor allem Sprache lernen.„Unter den gegenwärtigen Bedingungen bleibt es eine praktische Wahl, verschiedene Module ihre jeweiligen Stärken ausspielen zu lassen“, sagte er.
Das dritte Lager in China findet beide Positionen überzeugend und kombiniert sie zu einem pragmatischen Plan. Der heutige Stand der Debatte erinnere an das autonome Fahren, sagte Xia Zhongpu, Mitgründer und Technikchef von Anyverse Dynamics. Dort liefen getrennte Systeme zunächst parallel und wurden später integriert. Sprache komprimiere die physische Welt, Bilder beschrieben sie im Detail, sagte er.

Er nannte ein Beispiel. Die Regel, an einer roten Ampel anzuhalten, passe in einen kurzen Satz. Auf einem Kamerabild nehme die Ampel aber nur wenige Pixel ein. Der ganze Rest müsse aber mitverarbeitet werden. „Weltmodelle brauchen deshalb die Unterstützung der Sprache, während Sprachmodelle Weltmodelle benötigen, um die fehlenden Details zu ergänzen“, sagte Xia.

Auf der „PAIR Conference“ am 20. und 21. September 2026 in Shanghai wurde eine abschließende Diskussionsrunde mit der provokanten Frage eingeläutet, ob Roboter überhaupt noch Weltmodelle benötigen. Veranstaltet wurde die Konferenz vom Shanghai Institute of Physical Intelligence and Robotics.

„Nicht unbedingt“, antwortete Ban Yutong, Assistant Professor an der Shanghai Jiao Tong University, berichtete das Wissenschaftsmagazin MIT Technology Review China am 22. Oktober 2026 (auf Chinesisch). Ein Modell, das realistische Bilder vorhersage, habe nicht zwangsläufig das Prinzip der Reibung verstanden, warnte Ban.

Vielleicht sei „kein komplexes externes Modell notwendig“, sagte Sui Yanan, Associate Professor an der Tsinghua-Universität. Ein Roboter, der eine Tasse aufhebt, brauche keine Rekonstruktion aller Gegenstände im Raum.

Chinesische Unternehmen begannen unterdessen sofort damit, das neue Astra-Modell in der Praxis auszuprobieren. Der Roboterhersteller Galbot veröffentlichte schon am 12. September, nur neun Tage nach der Einführung von ChatGPT-6 Astra, die Ergebnisse eines ersten Tests. Ein Team um Galbot-Gründer und Technikchef Wang He, der auch an der Universität Peking lehrt, ließ Astra einen simulierten Roboter mit zwei Armen im RoboDojo-Benchmark steuern.

Zu den Aufgaben gehörten das Aufräumen eines Tisches, das Bauen von Türmen, das Falten von Kleidung und ein Kong-Spielzug beim Mahjong, berichteten chinesischsprachige Medien.

Astra absolvierte 13 von 50 Versuchen erfolgreich. Das entspricht einer Erfolgsquote von 26 Prozent. Dabei wurde Astra allein zur Kontrolle der Roboter eingesetzt.

Noch besser waren die Ergebnisse, wenn Astra ein kleineres Aktionsmodell als „Assistenten“ zur Seite gestellt wurde. Gekoppelt mit π0.5, gesprochen Pi null Punkt fünf, dem quelloffenen Aktionsmodell des Spezialisten Physical Intelligence, schaffte das System 24 Versuche oder 48 Prozent. π0.5 erzeugte die Bewegungen. Astra beobachtete, beurteilte und korrigierte. Es änderte nur 14,4 Prozent der Schritte zur Aktionssteuerung.

Entscheidend scheint dabei zu sein, wie genau die beiden Modelle zusammenarbeiten. Eine unter Führung des chinesischen KI-Entwicklers SenseNova durchgeführte Bewertung wurde am 19. Oktober 2026 veröffentlicht. Sie umfasste zwölf Benchmarks und acht reale Roboter. Demnach erzielte π0.5 allein bei RoboDojo 6,91 Punkte.

Wenn Astra lediglich Teilziele vorgab, sank das Ergebnis auf 5,83. Schlug π0.5 jede Bewegung vor und nahm Astra sie an, änderte sie oder lehnte sie ab, stieg die Punktzahl auf 23,61. Mit einigen Beispielen, die Astra während der Aufgabe gezeigt wurden, erreichte das System 54,17 Punkte. Das Gehirn trägt am meisten bei, wenn es das Kleinhirn überprüft, und am wenigsten, wenn es ihm nur Befehle gibt.

Die Tester äußerten sich auch zu den Token-Kosten. Die SenseNova-Autoren schreiben, dass der Ansatz „kostspielig, aber effektiv“ sei. Bei einem realen Roboter sei es „angesichts physischer Beschränkungen nicht plausibel, für höhere Erfolgsquoten längere Ausführungszeiten in Kauf zu nehmen“, schreiben sie.

Für den Einsatz in der Praxis folgt daraus ein klares Urteil. Astra habe „die Schwelle zur verkörperten Kompetenz weitgehend überschritten, aber noch nicht die zur praktisch einsetzbaren verkörperten Intelligenz“. In einem viel geteilten Beispiel benötigte Astra mehr als vier Stunden und Token im Wert von 55 US-Dollar, um einen Stift in einen Halter zu stecken, berichtete die Wirtschaftszeitung 21 Shiji Jingji Baodao.

Ein abschließendes Urteil wäre aber verfrüht. Astra ist acht Wochen alt, und sein Nachfolger könnte die Grenze erneut verschieben. Doch Debatten der Experten auf Konferenzen und die konkreten Tests von Robotern mit dem neuen Astra-Modell weisen momentan in dieselbe Richtung.

Sprachmodelle erweitern die Möglichkeiten von Robotern, ihre Umwelt zu verstehen. Aktions- und Weltmodelle liefern weiterhin, was Sprache auslässt. Als Konsens zeichnet sich in Chinas Wissenschaft und unter den dortigen Physical-AI-Unternehmen eine bessere Integration beider Ansätze ab.

Das unterscheidet Chinas Debatte von der in den USA. Dort erwartet Sam Altmans OpenAI, dass Sprachmodelle die Robotik übernehmen. Das Lager um Yann LeCun hält dagegen, generative Sprachmodelle könnten die kontinuierlichen, verrauschten Signale der physischen Welt nicht verarbeiten.

Den Diskussionen dieses Herbstes nach zu urteilen, schlagen sich die meisten chinesischen Experten auf keine dieser Seiten. Sie messen, was jeder Ansatz am besten kann, und fragen, wie sich beide zu einem Preis verbinden lassen, den eine Fabrik zu zahlen bereit ist.

Für Chinas Roboterhersteller stellt sich die Frage, wo sie künftig selbst den größten Beitrag leisten können. Wenn leistungsfähige Sprachmodelle von anderen Unternehmen verfügbar sind, könnten eigene Interaktionsdaten, spezialisierte Aktionsmodelle und die Abstimmung auf die jeweilige Roboterhardware an Bedeutung gewinnen.

„Heute liegt das Wesen der verkörperten Intelligenz in den Daten. Modelle sind eher Destillierapparate und Behälter“, sagte Wang Qian, CEO von X Square Robot, bei der „INCLUSION Conference on the Bund“. Man hofft, auf Dauer einen Wettbewerbsvorsprung erhalten zu können, der unter anderem auf der schieren Größe der chinesischen Fertigungsindustrie beruht.

Seit dem Erscheinen von GPT-6 Astra sei der Wert der Sprache als Vermittler bei der Planung langfristiger Aufgaben deutlicher geworden, denkt man in China. Sprache eigne sich immer noch besonders gut für übergeordnete Zusammenhänge und Schlussfolgerungen. Für konkrete Details aber werden visuelle Informationen gebraucht. Bis ein einziges Modell existiert, das beide Fähigkeiten perfekt vereint, müssen Gehirn und Kleinhirn lernen, miteinander zu kooperieren.

In der chinesischen Debatte gibt es momentan keinen klaren Sieger im Wettstreit zwischen Sprach- und Weltmodellen. Im Mittelpunkt steht die Frage, wie sich ihre jeweiligen Stärken miteinander verbinden lassen.