Roboter lernen zu lernen: Tutor Intelligences 75-Millionen-Dollar-Wette und die Datenmauer hinter der physischen KI

Tutor Intelligence hat am 2. November bekannt gegeben, 75 Millionen Dollar in einer Series-B-Finanzierung eingesammelt zu haben. Angeführt wurde die Runde von Andreessen Horowitz. Das Geld soll die Pipeline für Trainingsdaten hinter den Industrierobotern ausbauen. Das Unternehmen aus Watertown, Massachusetts, ging 2021 aus dem MIT CSAIL hervor. Es bewirbt ein Modell, bei dem Menschen im Prozess bleiben. Fernbediener, die es "Tutoren" nennt, überwachen Flotten von internetverbundenen Robotern, die echte Arbeit verrichten. Die dabei entstehenden Daten trainieren die Modelle, die die Maschinen mit der Zeit leistungsfähiger machen.

Das Angebot ist einfach. Physische Arbeit erzeugt die Daten, und die Daten verbessern die Roboter.

Laut The Robot Report arbeitet Tutor zufolge heute doppelt so viele seiner Roboter in fast viermal so vielen Einrichtungen wie vor einem Jahr. Bis Ende 2027 erwartet das Unternehmen mehr als 1.000 Roboter unter Vertrag, alle in den USA gebaut und eingesetzt, auch wenn die Tutoren im Ausland sitzen können. Fast ein Drittel der Organisationen, die in den vergangenen 12 Monaten Tutor-Roboter erhalten haben, waren bestehende Kunden, die weitere Einheiten installierten. Kunden zahlen pro Stunde oder pro Griff, statt Hardware zu kaufen. Damit trägt das Unternehmen den Einsatz und die Wartung, und die Roboter erscheinen als Posten in den Personalkosten.

Daten sind der Engpass, und das Geld weiß es

Die Finanzierung fällt in eine Woche voller Robotik-Nachrichten. Der rote Faden sind Daten und die Ökonomie des Einsatzes, nicht ein weiteres Demo-Video. Agility Robotics hat laut The Robot Report am 2. November eine Aktionärsabstimmung bestanden. Mehr als 84% der abgegebenen Stimmen bei der Sonderversammlung von Churchill Capital Corp XI unterstützten die SPAC-Fusion. Der Abschluss wird am 4. November erwartet, der Handel an der Nasdaq unter dem Kürzel AGLT soll am 5. November beginnen. Agility soll damit rund 465.000.000 Dollar Bruttokapital vor Kosten erhalten, weniger als die mehr als 620.000.000 Dollar, die bei der Ankündigung der Fusion im Juni erwartet worden waren. Die ursprüngliche Transaktion bewertete Agility mit einem Pre-Money-Eigenkapitalwert von 2.500.000.000 Dollar.

Agilitys kommerzielle Reichweite ist die Zahl, auf die es zu achten gilt. Digit-Roboter sind in 9 Kundenumgebungen im Einsatz. Die Beziehung zu GXO Logistics wurde im Oktober um zwei weitere Standorte erweitert, in Statesville, North Carolina, und Lebanon, Tennessee, mit Einsätzen, die Anfang 2027 mit Digit 4 beginnen sollen. Agility hat mehr als 300.000.000 Dollar an verbindlichen Mehrjahresaufträgen für Digit 5 angegeben. Diese Zahl ist ein Mehrjahreswert, der an vertragliche Meilensteine gebunden ist, kein aktueller Umsatz.

Beide Unternehmen verkaufen dieselbe Lektion: Der Roboter ist der leichte Teil, und die Betriebsdaten sind das Kapital.

Das Kostenargument für offene Gewichte

Gartner hat am 3. November eine schärfere Zahl zu den Kosten geliefert. In einem Dokument mit dem Titel "Open-Weight Models Will Run 90% of Enterprise Agentic Workflow Steps" schreiben Senior Director Mark Petty und Group Vice President Raymond Paquet, dass neun von zehn Schritten in Agenten-Workflows Routine sind. Offene Modelle erledigen sie gleichwertig für ein Viertel des Preises des günstigsten geschlossenen Modells, so die Autoren. Gegen ein Frontier-Modell, das bei jedem Schritt läuft, beziffern sie die Kosten auf nur ein Zwanzigstel. Sie räumen ein, dass offene Modelle weitschweifiger sein und häufiger neu ansetzen können, sodass die tatsächliche Ersparnis pro Aufgabe eher bei fünf- oder sechsmal liegt. Die Planungsannahme der Analysten: Bis 2030 werden 90% der operativen Agenten-Workflow-Schritte in Unternehmen auf Modellen mit offenen Gewichten laufen.

Das Argument zählt für die Robotik, weil dieselbe Trennung zwischen dem Modell für das Schlussfolgern und dem Modell für die repetitive Arbeit entsteht. Gartners Analysten rahmen die Ersparnis als Bonus ein und die Kontrolle als den eigentlichen Punkt. Jeder Routineschritt, der an eine Frontier-API geht, verschiebt ein Stück der eigenen Workflow-Historie außerhalb des eigenen Perimeters.

Frontier-Modelle bewegen sich ebenfalls weiter

Googles Gemini 4 Carbon, vergangene Woche veröffentlicht, führt nun den Intelligence Index V5 von Artificial Analysis mit einem Wert von 59 an, laut Tom's Hardware. Das ist ein Punkt vor Claude Opus 5.5 und zwei vor GPT-6 Astra von OpenAI. Es führt auch den Halluzinations- und Erinnerungstest AA-Omniscience v1.1 des Unternehmens an. Der beste Wert auf dieser Skala von -100 bis +100 lag bei nur 54, eine nützliche Erinnerung daran, wie weit die Modelle noch von verlässlicher Faktenwiedergabe entfernt sind. Die Kosten pro Aufgabe im Intelligence Index liegen bei 7,76 Dollar, etwas günstiger als Gemini 3.8 Flash und deutlich unter Claude Opus 5.5 oder Sonnet 5.5. Google gibt Cyber-Verteidigern über sein Fairwind-Programm zuerst Zugang.

Für Roboterbauer ist der relevante Punkt der Preis, nicht die Rangliste. Ein Modell, das einen Punkt vorne liegt, ist interessant. Eines, das pro Aufgabe mehrere Dollar günstiger ist, verändert, was man sich in einer Schleife leisten kann.

Sicherheit kommt mit dem Trainings-Stack

KI-gestützte Schwachstellenforschung verkürzt auch die Zeit zwischen dem Finden eines Fehlers und dem Zwang, ihn zu beheben. VicOne hat mit KI-gestützter Recherche in weniger als zwei Tagen 28 Zero-Day-Funde identifiziert, schrieb The Robot Report am 1. November. Die Arbeit umfasste Software und Werkzeuge, die das Ökosystem der physischen KI stützen, darunter Projekte, die von Google, NVIDIA und Meta entwickelt oder gepflegt werden. Das Unternehmen erklärte, die erste Validierung ordne alle 28 als Zero-Day-Schwachstellen ein. Die Zahl kann sich nach Prüfung durch Hersteller und Schwachstellenbehörden ändern, und einige Funde haben noch keine CVE-Nummern.

Drei Viertel der Funde betrafen Werkzeuge für Entwicklung, Training, Simulation oder Validierung. Das ist der Teil, der jeden beunruhigen sollte, der Modelle in Fabriken bringt. Ein kompromittiertes vortrainiertes Modell kann sich in Routinetests normal verhalten. Nach dem Einsatz kann es dann auf ein bestimmtes Objekt, eine Szene oder einen Befehl falsch reagieren. Eine kompromittierte Simulationsumgebung kann einen Roboter Tests bestehen lassen, die er hätte verfehlen müssen. Keines der beiden Szenarien verlangt, dass ein Angreifer den Roboter berührt.

Die Forschung nagt am selben Problem

Auf der Forschungsseite greift die neueste Arbeit das Problem der Variabilität an, nicht die Modellarchitektur. QUAL wurde am 30. Oktober bei arXiv eingereicht und beim NeurIPS 2026 Workshop on Foundation Models for Temporal Systems angenommen. Es nutzt einen Pool von Zeitreihen-Foundation-Modellen als Wahrscheinlichkeitsreferenz, um die Quantile jedes Mitglieds vor der Kombination auszurichten, ohne Labels und ohne Neutraining. Auf GIFT-Eval berichten die Autoren, dass die Quantil-Ausrichtung den durchschnittlichen MASE und CRPS der Mitglieder um 7,4% und 9,8% senkt. Das Framework bleibt stabil, wenn schwache Prognosemodelle in einen Pool kommen, dessen Qualität sich vorab nicht prüfen lässt. Diese letzte Eigenschaft ist die praktische: Im Feld weiß man selten, welches Modell gut ist, bevor man es ausprobiert hat.

Getrennt davon erhebt ein 67-seitiges arXiv-Papier, am 29. Oktober von Yuda Song und neun Mitautoren eingereicht, einen breiteren Anspruch. Vortraining, Mittraining, überwachtes Feintuning und Reinforcement Learning lassen sich alle als Maximum-Likelihood-Anpassung an modellgenerierte Zielverteilungen ausdrücken, argumentieren sie. Das fasst den gestuften Lebenszyklus in einen einzigen Trainer zusammen, der statische Daten und RL-Generationen mischt. Der Anspruch ist ein besserer Kompromiss zwischen Genauigkeit und Rechenaufwand sowie eine breitere Aufgabenabdeckung. Wenn er hält, wäre das für die Kostenkurven wichtiger als für die Schlagzeilen-Benchmarks.

Nichts davon schließt die Lücke, gegen die Tutor verkauft. Roboter lernen weiterhin aus einer dünnen Datenlage, verglichen mit den Texten und Bildern, mit denen Sprachmodelle trainiert wurden. Die Unternehmen, die der Fabrikhalle am nächsten stehen, sind diejenigen, die dafür zahlen, diese Datenlage von Hand aufzubauen, ein Griff nach dem anderen.