Suochen Keji und Memo stellen physikalisches Weltmodell für Roboter vor

Modelle

Suochen Keji (688507.SH), nach eigenen Angaben ein führendes Unternehmen für physical AI, hat gemeinsam mit dem Startup Memo (Hangzhou Meimeng Kongjian Keji) am 26. September auf der 5. China International Digital Trade Expo zwei neue Produkte vorgestellt: das Weltmodell Physical-WAM und den Testbenchmark RoboTwin-Phys. Vorgestellt wurden beide von Memo-CEO Li Minghao auf der Hauptbühne der Messe. Suochen Keji hatte im August 2026 eine exklusive strategische Seed-Investition in Memo abgeschlossen; beide Unternehmen arbeiten seither laut der Meldung bei Daten, Rechenleistung und physical AI zusammen.

Physical-WAM wird als erstes Weltmodell der Branche mit physikalischer Wahrnehmungsfähigkeit beschrieben. Es besteht aus drei Modulen: PhysLens extrahiert aus multimodalen Signalen physikalische Eigenschaften wie Reibung, Gewicht, Schwerpunkt und Kontaktzustand und wandelt sie in einen einheitlichen „Physik-Token“ um. PhysDream sagt daraus künftige physikalische Zustände voraus, etwa Rutschen oder Abgleiten, und gibt eine Unsicherheitsbewertung aus. PhysAct nutzt diese Vorhersagen, um die Aktionsgenerierung des Roboters laufend an physikalische Veränderungen anzupassen. RoboTwin-Phys wird als erster Branchenbenchmark bezeichnet, der gezielt physikalische Störfaktoren als Testgröße nutzt. Er baut auf dem bestehenden RoboTwin-Framework auf und ergänzt 13 Kategorien realer physikalischer Störungen aus fünf Bereichen: Objekteigenschaften, Kontakteigenschaften, Dämpfung, Aufgabenumgebung und Kamerakonfiguration. Der Benchmark wurde laut der Meldung zusammen mit Code, Datensatz und Rangliste als Open Source veröffentlicht.

Memo wurde nach eigenen Angaben aus dem AVS-Forschungszentrum für fortgeschrittene visuelle Systeme am Institute for Advanced Technology der Peking-Universität ausgegründet, das von Akademiker Gao Wen geleitet wird. Das Kernteam bringe laut der Meldung Erfahrung in verkörperter Intelligenz, Videokodierung und räumlichem Computing mit. Als Hintergrund nennt die Meldung den BeTTER-Benchmark von Peking-Universität und BeingBeyond (ECCV 2026) sowie eine Stanford-Studie, die bei VLA-Modellen zwei unabhängige Fehlermuster identifiziert habe: „Präzisionsversagen“ und „Kraftversagen“ bei kontaktreichen Aufgaben. Li Minghao kündigte laut der Meldung an, das Modell mit den Schwerpunkten visuelle Wahrnehmung sowie Kraft-, Tast- und Schallsignale weiterzuentwickeln, den Datensatz zu physikalischen Interaktionen auszubauen und die Anpassung an mehrere Roboterkörper zu verbessern.

Offen bleibt: Der Artikel wurde laut Quellenangabe von Memo selbst bereitgestellt und von Quantum Bit mit Genehmigung übernommen; unabhängige Bestätigung der Angaben liegt nicht vor.

Quelle: Quantum Bit RSSHub