Humanoider Roboter in 40 Minuten angelernt: Bleu Robotics wettet gegen die Milliardenmodelle

Am 29. Oktober hat das Pariser Startup Bleu Robotics fünf Millionen Euro Pre-Seed-Kapital bekanntgegeben, und die Rechnung dazu klingt fast beleidigend einfach: rund vierzig Minuten von der ersten Vorführung bis zum arbeitenden Roboter, und etwa zehn gezeigte Durchgänge genügen dort, wo andere mit Millionen Datenpunkten kalkulieren.

Zwei Tage vorher wurde bekannt, dass Physical Intelligence in Kalifornien über eine Milliarde Dollar einsammeln will, ohne Umsatz und für die genau entgegengesetzte Wette. Damit stehen zwei Antworten auf dieselbe Frage nebeneinander, ob Roboter aus riesigen Datenmengen lernen müssen oder aus wenigen vorgemachten Handgriffen. Die Pariser Zahlen stammen bisher aus dem Simulator, nicht aus einer laufenden Fabrik.

Angelernt wird am Arbeitsplatz selbst, mit einem Handgreifer, den der Mitarbeiter in die Hand nimmt und mit dem er die Aufgabe einmal vormacht, ohne dass dabei jemand eine Zeile Code schreibt. Die Software versucht anschliessend nicht, die Bewegung nachzuzeichnen, sondern die Absicht dahinter zu erschliessen, also Ziel und Randbedingungen des Arbeitsschritts, und daraus eine eigene Ausführung zu bauen. Bleu nennt das abduktives Lernen und stellt es ausdrücklich gegen die verbreiteten Ende-zu-Ende-Modelle, die aus Bildern direkt Bewegungen ableiten. Gerechnet wird laut Firmenblog auf dem Roboter selbst und nicht in der Cloud, und das Training einer Aufgabe soll auf einem Laptop in weniger als zwei Minuten durch sein, wo eine Diffusion Policy ein bis drei Stunden braucht.

Hinter der Firma stehen drei Leute mit ungewöhnlich gut passenden Biografien. Benoît Berkoukchi hat jahrelang grosse Teams an Montagelinien bei Renault geführt, Jean-Baptiste Mouret und Serena Ivaldi sind Forschungsdirektoren am französischen Institut Inria und arbeiten seit rund fünfzehn Jahren an KI und Robotik, mit Veröffentlichungen bis hin zu Nature. Gegründet wurde Bleu erst im Dezember 2025, angeführt wird die Runde von Contrarian Ventures und OVNI Capital, mit dabei sind Kvanted, WEPA Ventures, Motier Ventures und Charlie Songhurst, der im Verwaltungsrat von Meta sitzt.

Wer nachrechnet, findet zwischen Werbung und Beleg allerdings eine Lücke. Die Mitteilung zur Finanzierung spricht von einer bis zu hundertfach besseren Dateneffizienz gegenüber dem Stand der Technik, die eigenen Messungen im Firmenblog stützen das nicht. Dort steht, dass in der Simulationsumgebung ManiSkill3 mit weniger als zehn Vorführungen eine Erfolgsquote von 98 Prozent erreicht wird, während eine Diffusion Policy dafür mindestens hundert Vorführungen braucht. Das ist eine Zehnerpotenz und nicht das Hundertfache, und es ist Simulation. Eine zweite Aufgabe im Labor, bei der ein Roboter eine Tür öffnet und einen Knopf drückt, kommt auf 99 Prozent gegenüber null für das Vergleichsverfahren, was beeindruckt, aber eben nicht in einer Werkhalle gemessen wurde.

Die Grenzen schreibt die Firma selbst hin, und das ist angenehm ungewohnt in dieser Branche. Im Blick sind starre Teile, Textilien liegen ausserhalb des Umfangs, und das selbständige Wechseln zwischen zwei Arbeitsplätzen gilt noch als künftige Arbeit. Getestet wurde unter anderem auf einem Unitree G1 und einem Franka Research 3, laufen soll die Software im Prinzip auf jedem Roboter, der die ROS-Schnittstelle spricht. Zwei grosse Industriekunden gibt es laut Firma schon, Namen nennt sie nicht, und die Vierzig-Minuten-Angabe stammt aus einem Interview des Gründers und nicht aus einem veröffentlichten Fabrikprotokoll.

Warum diese Wette überhaupt Geld findet, zeigt eine Zahl von Interact Analysis, die in der Branche herumgeht: Von den mehr als 20'000 Humanoiden, die im vergangenen Jahr gebaut wurden, kamen nur rund zehn Prozent in einer echten Anwendung an. Der Engpass ist also nicht der Roboter, sondern das Anlernen, und genau dort setzen gerade mehrere europäische Projekte an. Audi testet seit der Ankündigung vom 21. Oktober im Production Lab in Ingolstadt mobile Humanoide von Agile Robots für die Teilesequenzierung, zusammen mit einem digitalen Zwilling von Dassault Systèmes und Bibliotheken von Nvidia. Ausdrücklich handelt es sich dabei um einen Machbarkeitsnachweis, ohne Leistungszahlen und ohne Termin für einen Rollout.

Für die Schweiz ist das die interessantere Baustelle. Wer hier fertigt, macht das in kleinen Serien mit vielen Varianten, und ein Roboter, der für jede neue Variante Hunderte Stunden Trainingsdaten braucht, ist in so einem Betrieb unbrauchbar, egal wie günstig die Hardware inzwischen geworden ist. Die Rechnung entscheidet sich an der Anlernzeit und nicht am Preisschild, nur reden bisher fast alle Anbieter über das Preisschild. Ein Werkstattchef in Zürich oder Biel braucht keinen Humanoiden für 20'000 Franken, dessen Integration drei Monate dauert, sondern einen, den der Vorarbeiter am Freitagnachmittag auf die neue Serie umstellt.

Berkoukchi formuliert den Grund für den Umweg nüchtern. Es gebe nicht genug Daten über Fabrikarbeit, sagt er, und für Roboter werde es noch lange keine Datenmengen im Internetmassstab geben, wie sie die Sprachmodelle gross gemacht haben. Ob daraus ein Geschäft wird, entscheidet sich bei den beiden ungenannten Industriekunden, und zwar daran, ob die vierzig Minuten auch dann halten, wenn die Teile verkantet im Behälter liegen. Im Firmenblog steht ein Satz, der über den Stand der Technik mehr verrät als jede Erfolgsquote: Erkennt der Roboter die Situation nicht, hält er an und bittet um Hilfe.