Die Woche vom 10. bis 16. März 2026 wird als die Woche der Humanoiden in Erinnerung bleiben: eine riesige Trainingshalle in München, eine NVIDIA-Keynote auf der GTC, ein chinesischer Fünfjahresplan, ein Marionetten-Roboter auf der Bühne, eine Prognose von drei Milliarden Maschinen im Jahr 2060. Sechs Ankündigungen, sechs Zugpferde – und die Versuchung, sie in Lager einzuordnen: Europa gegen China, Open Source gegen proprietär. Damit verfehlt man den einzigen Satz, der sie verbindet, und geschrieben hat ihn NEURA Robotics, schwarz auf weiß: Das wichtigste Nadelöhr der Robotik ist nicht mehr die Hardware, sondern die Beschaffung großer Mengen realer physischer Lerndaten.

Ist dieser Satz einmal gesetzt, hört die Woche auf, ein bloßes Nebeneinander zu sein. Sie wird zu einer Schlacht – mit drei unvereinbaren Antworten – um eine einzige Frage: Woher kommen die Daten, mit denen Roboter trainiert werden? Sie von Hand einsammeln, sie per Rechenleistung synthetisieren oder sie staatlich verordnen. Niemand hat gewonnen. Gekämpft wurde darum, wem die Fabrik gehört.

Antwort Nr. 1: sie von Hand einsammeln

Am 10. März kündigen NEURA Robotics und das MIRMI der Technischen Universität München gemeinsam das TUM RoboGym an. Die Präsentation ist unmissverständlich: das zum Zeitpunkt seiner Ankündigung größte wissenschaftliche Zentrum Europas für das Training von Physical AI. Doch was drinnen steht, sagt besser als jeder Superlativ, worum es geht. Die Lerndaten werden dort von menschlichen Trainerinnen und Trainern erfasst, die MANUS-Handschuhe und ein Xsens-System zur Körperbewegungserfassung tragen, und anschließend in die Neuraverse-Plattform eingespeist.

Das ist das wortwörtliche Eingeständnis des Nadelöhrs: Man bezahlt Menschen dafür, den fehlenden Rohstoff von Hand herzustellen. Neuraverse ist denn auch als hardware-agnostisches System zur Erfassung und Verteilung konzipiert, das sich Industriepartnern und Start-ups öffnen soll, und der Großteil der im RoboGym erzeugten Daten wird als Open Source mit der Robotik-Community geteilt. Die menschliche Geste, erfasst und weiterverteilt, als Ressource. Die Daten sind kein Nebenprodukt des Trainings: Sie sind das Produkt, und es braucht eine Halle für 17 Millionen Euro, um sie zu produzieren.

Antwort Nr. 2: sie per Rechenleistung synthetisieren

Auf der GTC 2026 macht NVIDIA am 16. März genau das Gegenteil – und steht dazu. Jensen Huang stellt vorab GR00T N2 vor, ein Robotik-Foundation-Model aus der internen DreamZero-Forschung mit einer „World Action Model“-Architektur, dessen allgemeine Verfügbarkeit für Ende 2026 angekündigt ist. Laut NVIDIA bewältigen Roboter, die es ausführen, neue Aufgaben in unbekannten Umgebungen mehr als doppelt so oft erfolgreich wie konkurrierende Vision-Language-Action-Modelle.

Um das Modell herum: eine ganze Synthesekette. Der Physical AI Data Factory Blueprint, eine offene Referenzarchitektur zur Erzeugung von Trainingsdaten im großen Maßstab, aufgebaut auf dem Weltmodell Cosmos und dem Orchestrator OSMO; Isaac Lab 3.0 im Early Access, eine Reinforcement-Learning-Engine, die auf der Physik-Engine Newton 1.0 basiert und für DGX-Infrastrukturen optimiert ist. The Decoder fasst das Manöver schonungslos zusammen: NVIDIA will „das Datenproblem der Robotik in ein Rechenproblem verwandeln“.

Die Demonstration, die alles verdichtet, ist Olaf. Um diesen Roboter zu trainieren, wurden 100 000 virtuelle Instanzen gleichzeitig in zwei Tagen auf einer einzigen NVIDIA RTX 4090 simuliert, über den Simulator Kamino – ein proprietäres Werkzeug von Disney Research, aufgebaut auf dem Newton-Solver und grafikkartenbeschleunigt. Das ist die harte Zahl, ausgegraben unter der Folklore von den drei Milliarden Humanoiden: nicht ein Horizont im Jahr 2060, sondern 100 000 Instanzen in zwei Tagen auf einer Consumer-Karte. An dem Tag, an dem das Training eines Roboters aufhört, ein Problem von Armen und Handschuhen zu sein, und zu einem Problem von Grafikkarten wird, verlagert sich der Schwerpunkt der Branche von der Werkstatt ins Rechenzentrum. Und die Konsequenz ist glasklar: Wenn Daten zu Rechenleistung werden, besitzt derjenige, der die Rechenleistung verkauft, die Daten von vornherein.

Antwort Nr. 3: sie verordnen

Am 12. März verabschiedet der Nationale Volkskongress formell den 15. chinesischen Fünfjahresplan (2026-2030). Erstmals wird darin die verkörperte künstliche Intelligenz als eigenständige strategische Industriekategorie eingestuft, auf einer Stufe mit Quantentechnologie, Gehirn-Computer-Schnittstellen und 6G; humanoide Roboter zählen zu den acht ausgewiesenen nationalen strategischen Industrien – eine Statusaufwertung gegenüber dem 14. Plan.

Das entscheidende Detail ist hier nicht der allgemeine Anspruch, sondern die Liste. Der Plan zählt fünf Stoßrichtungen für die verkörperte KI auf, und zwei davon benennen die Daten ausdrücklich als staatliche Infrastruktur: die Koordination der Trainingsgelände und die Virtuell-Real-Fusion für kollaboratives Training – also die beiden ersten Antworten, Einsammeln und Synthese, von oben geplant. Unterlegt ist das Ganze mit einem staatlichen Wagniskapitalfonds von 1 000 Milliarden Yuan (rund 138 Milliarden Dollar) für KI, Robotik und aufkommende Technologien.

Und damit Daten überhaupt entstehen, braucht es Körper, die sie produzieren. Im März unterzeichnet UBTech Robotics eine strategische Kooperationsvereinbarung mit Siemens Digital Industries Software, um die Produktion des Walker S2 auf 10 000 Einheiten pro Jahr zu bringen, indem die Siemens-Software für Konstruktion, Simulation und Planung in den gesamten Fertigungszyklus integriert wird. Jene Maschinen in Masse herstellen, die nach ihrem Einsatz ihrerseits Daten erzeugen: Der Kreis schließt sich auf Ebene eines Staates.

Die „geopolitische Aufspaltung“ hält nicht stand

Die einfache Erzählung dieser Woche war die eines Bruchs: ein europäisches Gegengewicht – das RoboGym positioniert sich denn auch ausdrücklich gegenüber den vierzig chinesischen Sammelzentren und den amerikanischen Initiativen – gegen rivalisierende Blöcke. Das Geflecht dieser Woche zerlegt diese Erzählung.

Die einzige real vorgeführte Autonomie, ohne Teleoperator, gab es auf der GTC: RealSense und LimX Dynamics realisieren die weltweit erste Demonstration autonomer 3D-Navigation für einen Humanoiden, indem sie RealSense-Tiefenkameras und cuVSLAM von NVIDIA kombinieren; der Roboter bewegt sich dabei in mit Menschen geteilten Räumen, ohne jeglichen Eingriff eines Operators. Nun ist dieser Roboter chinesisch – LimX sitzt in Shenzhen – und er wurde per Reinforcement Learning in NVIDIA Isaac Lab trainiert, um die Sim-to-Real-Lücke zu verringern.

In derselben Woche kündigen NEURA (Europa), Figure AI (USA), Agility Robotics (USA) und AgiBot (China) allesamt die Übernahme der Isaac-GR00T-N-Modelle an – während NVIDIA die Newton-Engine der Linux Foundation übergibt und sie als Open Source unter Apache-2.0-Lizenz veröffentlicht, gemeinsam entwickelt mit Disney Research und Google DeepMind. Die „Lager“ streiten sich vielleicht geografisch um die Daten. Doch sie trainieren sie alle auf demselben Simulator, mit demselben Foundation-Model, auf derselben Physik-Engine. Der Bruch liegt in der Erhebung, nicht im Werkzeug: Auf Ebene des Stacks gibt es nicht zwei Blöcke, es gibt einen Zulieferer.

Eine Etage tiefer

Dieser rote Faden steigt Schicht für Schicht in den Stack hinab, Woche für Woche. Im Dezember war die Demo das Produkt; auf der CES im Januar wurde die Teleoperation zum Datengeschäft; im Februar erwies sich der Körper als Verbrauchsgut, der Wert saß im Gehirn; am 9. März lautete die Frage: Wem gehört das Gehirn? Diese Woche geht eine Stufe tiefer, unter das Gehirn: Wem gehört die Datenfabrik, die es nährt? Der Gegenstand ist neu – die Trainingsdaten und ihre Produktionsweise – und er ist in derselben Woche gleich dreifach belegt: durch ein physisches Zentrum (das RoboGym), einen Synthese-Stack (die Data Factory und Olaf) und einen Staatsplan (den 15. Plan).

Fragen Sie also nicht, welcher Roboter diese Woche am besten gelaufen ist. Fragen Sie, woher seine Trainingsdaten kommen. Die drei Antworten – von Hand einsammeln, simulieren, verordnen – zeichnen die wahre Kräftekarte. Und während sich alle drei abmühen, arbeitet NVIDIA daran, dass am Ende nur noch eine einzige Frage zu stellen bleibt: Wie viele GPUs?