RLWRLD baut Robotik-„Foundation Model“ aus menschlichen Handgriffen für KI-gestützte Humanoide

In Südkorea verdichtet sich gerade ein neuer Wettlauf: Nicht nur Software-Agenten, sondern „physical AI“ soll Maschinen in die Lage versetzen, reale Umgebungen zu erfassen, Entscheidungen zu treffen und aktiv zu handeln. RLWRLD, ein Startup aus Seoul, verfolgt dabei einen Ansatz, der wie ein Gegenentwurf zur rein textbasierten KI-Ausbildung wirkt: Das Unternehmen will KI-„Gehirne“ für Roboter aus Bewegungs- und Fertigkeitsdaten menschlicher Arbeit aufbauen. Die Logik dahinter ist pragmatisch. Chatbots lernen aus großen Korpora im Netz; Humanoide und spezialisierte Industrieroboter brauchen dagegen umfangreiche Beispiele für Greifen, Ablegen, Reinigen und das kontrollierte Anwenden von Kraft. Genau an dieser Stelle versucht RLWRLD mit einem datengetriebenen Handwerks-Training anzusetzen, das aus Hospitality, Logistik und Einzelhandel gespeist wird, statt nur aus digitalen Simulationen zu bestehen. RLWRLD sammelt die Fähigkeiten über sehr konkrete Datenspur-Mechanismen ein. In einem Fall werden Mitarbeitende in Hotels mit Bodycams ausgestattet, während sie Tätigkeiten ausführen, die auf den ersten Blick banal wirken, aber in der Praxis extrem feingliedrig sind: eine Serviette falten, Besteck und Gläser wischen, Geschirr arrangieren. Parallel werden solche Muster auch aus anderen Branchen gewonnen: Logistikteams liefern Daten zu Greif- und Hebebewegungen in Lagerumgebungen, während Convenience-Store-Personal aus der Anordnung von Produkten im Regal ableitet, wie Korrektheit bei Ausrichtung, Reihenfolge und Platzierung entsteht. Technisch entsteht daraus eine mehrschichtige Trainingspipeline, in der das Unternehmen Motion-Capture-Aufnahmen in maschinenlesbare Zustände übersetzt und anschließend zusätzliche Trainingsrunden mit wiederholtem Ausführen der Aufgaben unter Einsatz von VR-Headsets und Motion-Tracking-Handschuhen anstößt.

RLWRLD betont dabei die Notwendigkeit, Gelenkwinkel und Kraftaufbringung fein aufzulösen, weil nur so „Dexterity“ in wechselnden Situationen robust wird. Der Kern ist ein „robotics foundation model“, das als übergreifende KI-Schicht für Roboter gedacht ist, die später in Fabriken und potenziell auch in Haushalten eingesetzt werden. Das entspricht dem Industrietrend, Foundation-Model-Ideen aus der generativen KI in die Robotik zu übertragen: Statt jedes Robotersystem komplett neu zu trainieren, soll eine gemeinsame Repräsentation von Bewegung, Wahrnehmung und Handlung als Basis dienen. Im Vergleich zu task-spezifischen Robotern bedeutet das einen Schritt weg von fest verdrahteten Abläufen hin zu generalisierbaren Fähigkeiten, allerdings unter der Voraussetzung, dass die Trainingsdaten breit genug sind, um reale Unsicherheiten (Schwerkraft, Reibung, Lagevariationen) abzudecken. Als Benchmark ist hier die Welt der bisherigen Robotergreifer relevant: Viele Systeme arbeiten mit spezialisierten 2- oder 3-Finger-Grippers. RLWRLD setzt dagegen bewusst auf fünf-fingerige Handdesigns, weil die Interaktion mit alltäglichen Gegenständen und Oberflächen im Alltag näher an menschliche Handhabung heranreicht. Marktseitig ordnet sich RLWRLD in eine globale Konkurrenz ein, die in Südkorea traditionell besonders hart geführt wird. US-Tech wie Tesla und zahlreiche chinesische Hersteller investieren Milliarden in Humanoide, während europäische und asiatische Branchenakteure die Skalierung der Robotik parallel vorantreiben. Gleichzeitig bleibt das Gesamtfeld um „physical AI“ riskant: Noch ist unklar, ob Humanoide die erwartete Produktivitätswende in allen Industrien wirklich erreichen oder ob sich die Leistungsfähigkeit in der Praxis stärker fragmentiert. Als Timing nennt RLWRLD eine mögliche Breiteinsatzphase für industrielle KI-Roboter um 2028, also in einem Zeitfenster, in dem auch große Kunden ihre Pilot- und Rollout-Planungen schärfen.

Dazu passt, dass Südkorea seine Halbleiter- und Fertigungsstärken als Hebel sieht, um sich als KI-Powerhouse zu behaupten – ein Ansatz, der eng mit Hardware-Ökosystemen und Automatisierung zusammenhängt. In diesem Kontext ist auch die Unternehmenslandschaft bedeutend. Hyundai Motor plant laut Berichten, Humanoide aus dem Umfeld von Boston Dynamics schrittweise in weltweiten Werken einzuführen, wobei der Rollout bei einer US-Produktionsstätte in Georgia ab 2028 starten soll. Samsung Electronics wiederum will bis 2030 Fabriken zu „AI-getriebenen Fabriken“ umstellen, inklusive Humanoiden und KI-gestützter Robotik entlang der Produktionslinien. Branchenexperten betonen dabei, dass Südkoreas Fertigungsfokus besonders stark auf Humanoide zuschneidet, die für genau diese Industrieumgebungen optimiert sind. „South Korea has a highly developed manufacturing sector and the focus is squarely on humanoids tailored specifically for those industries“, sagt Billy Choi, Professor am Center for Human-Inspired AI Research der Korea University. Für Analysten ist das ein Hinweis darauf, dass das Land weniger auf generische Showcases setzt, sondern auf die Industrialisierung von Robotik-Kompetenzen. Allerdings prallt die Technologie auch auf gesellschaftliche Realität. Gewerkschaften befürchten, dass Humanoide und Automatisierung den Arbeitsmarkt schneller destabilisieren könnten als bisherige Roboterwellen. Bereits eine Warnung der Hyundai-Gewerkschaft im Januar zielte auf das Risiko eines „Employment Shock“ ab. Staatslenker reagieren darauf teils mit klaren Botschaften: KI werde als „massives Cart“ beschrieben, das sich nicht aufhalten lasse, und Arbeitnehmer müssten sich entsprechend anpassungsfähig zeigen. Auf der anderen Seite argumentieren Interessenvertretungen, dass „Mastery“ und die kontinuierliche Weiterentwicklung von Fertigkeiten nicht nur technisch, sondern kulturell und organisatorisch verstanden werden müssen.

Kim Seok, Policy Director bei der Korean Confederation of Trade Unions, bringt es in diesem Zusammenhang auf den Punkt, dass eine breite Robotik-Einführung die „pipeline“ für qualifizierte Arbeit gefährden könnte, wenn Regierung und Unternehmen Beschäftigte nicht frühzeitig einbinden. Aus technischer Sicht entscheidet sich das Feld sehr konkret an der Frage, wie gut Humanoide Aufgaben mit Variation beherrschen. RLWRLDs Strategie setzt dabei auf mehrere Lernschleifen: Zunächst werden Worker-Footage und Bewegungsdaten in Trainingssignale übersetzt; anschließend werden die Aufgaben wiederholt trainiert, diesmal mit verbesserten Sensoriklayern, die Feinheiten wie Kontaktmomente, Handstellung und die Konsequenzen von Kraftunterschieden abbilden. Zusätzlich kommen „Pilots“ zum Einsatz, die mit Wearables die Trainingsszenarien steuern, damit das Modell nicht nur „nachahmt“, sondern auch zielgerichtet lernt. Entscheidend ist, dass diese Datenqualität skalieren kann: Je mehr reale Ausnahmen ein Modell sieht, desto weniger bricht es bei unvorhergesehenen Situationen ein. Technisch ist das eine anspruchsvolle Brücke zwischen Datenaufnahme, Ground-Truth-Annotation und Policy-Learning, wobei gerade die Hand- und Kraftdaten die spätere Robustheit in der Produktion bestimmen. Auch die Umgebungsintegration bleibt ein zentraler Engpass. In RLWRLDs Labors, etwa in einem Raum im 34. Stock eines Hotelkomplexes, wird sichtbar, wie eng Forschung und reale Ausrüstung verknüpft sind: Kabel, Rechenhardware, Sensorik mit Infrarot-Laser-Readern und ein mobiler Roboter mit fünf-fingerigen Metallhänden. Bei Demonstrationen zeigt sich zwar die Leistungsfähigkeit in kontrollierten Szenen, etwa beim vorsichtigen Platzieren von Tassen – gleichzeitig wird aber sichtbar, dass selbst kleinere Abweichungen in der Handhabung zu Fehlern führen können, etwa wenn ein Zielobjekt kurz verrutscht oder umkippt.

Der Übergang von „funktioniert im Test“ zu „funktioniert im Betrieb“ ist dabei der eigentliche Gradmesser. Hier sind die Hinweise auf fortgeschrittene Testsysteme relevant, die etwa eine Box öffnen, einen Computer-Maus-ähnlichen Gegenstand einsetzen, den Deckel schließen und anschließend in eine definierte Förderumgebung legen. Für die Branche eröffnet dieser Ansatz zugleich Chancen für Enterprise-Adoption, allerdings mit klaren Voraussetzungen. Humanoide, die künftig in Hotels, Logistikzentren oder Werkhallen hinter den Kulissen eingesetzt werden, müssen nicht zwangsläufig jede Tätigkeit ersetzen; RLWRLD plant ausdrücklich eine schrittweise Entlastung: Etwa 30 % bis 40 % des Workloads in Back-of-House-Prozessen könnten langfristig automatisierbar sein, während ein Restanteil menschlicher Interaktion vorbehalten bleiben dürfte. Das ist nicht nur eine operative Aussage, sondern auch eine organisatorische. Denn genau dort, wo menschliche Beziehungen, Kundenerwartungen oder unstrukturierte Situationen entstehen, müssen Roboter entweder hybride Workflows unterstützen oder durch neue Prozesse „mitlernen“. Für Entwickler bedeutet das: Schnittstellen zu bestehenden Betriebsabläufen, sichere Übergaben an Mitarbeitende und robuste Monitoring-Mechanismen werden ebenso wichtig wie das Modelltraining selbst. Ein weiterer Faktor ist die Regulierung und der Datenschutz, weil die Datenspur menschlicher Arbeit unmittelbar auch personenbezogene und arbeitsrechtliche Fragen berührt. Wenn Mitarbeitende mit Kameras, Handschuhen und Wearables aufgezeichnet werden, müssen Einwilligung, Zweckbindung, Datenminimierung und Aufbewahrungsfristen organisatorisch sauber umgesetzt werden. Zudem steigt die Bedeutung von Security by Design: Sensor- und Modellzugriffe dürfen nicht zum Einfallstor für Manipulation werden, etwa wenn Trainings- oder Inferenzdaten kompromittiert werden. Gerade bei Robotiksystemen mit realer Handlungskompetenz ist das Risiko sicherheitsrelevanter Fehlhandlungen höher als bei rein digitalen Systemen.

Insofern wird sich die Adoption nicht nur an „Performance“ messen lassen, sondern auch daran, wie gut Unternehmen den Betrieb absichern können, inklusive Auditierbarkeit der Datenquellen und klarer Rollen für Betriebsrat und Belegschaft. Blick nach vorn deutet sich an, dass RLWRLDs Zeitplan – industrielle Einsätze ab Ende der 2020er-Jahre und Service-Rollen in Hotels bis 2029 – als realistischer erster Schritt in Richtung breiterer Robotik-Nutzung gelesen werden kann. Dennoch bleibt die Roadmap technisch anspruchsvoll, weil die Datenbasis nicht nur „mehr“ werden muss, sondern systematisch vielfältiger: andere Oberflächen, andere Gewichte, andere Licht- und Temperaturbedingungen. Gleichzeitig dürfte die Konkurrenz dazu führen, dass Foundation-Model-Ansätze schneller reifen, aber auch dass Anbieter stärker auf Differenzierung über Datenqualität und Domain-Fit setzen. Für den Markt ist das eine Verschiebung weg vom reinen Demonstrationswettbewerb hin zu messbaren Betriebskennzahlen wie Ausfallraten, Wiederholgenauigkeit und Wartungsaufwand. Wenn das gelingt, könnten Humanoide in Fabriken und ausgewählten Servicebereichen tatsächlich einen Teil der Arbeit übernehmen – und damit Künstliche Intelligenz als Infrastruktur für reale Prozesse etablieren, statt nur als Anwendung auf dem Bildschirm.