KI-Modelle und Plattformen
Alibaba’s Amap Upgrades Its Embodied-AI-Stack für Roboter
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Amap, der Kartendienst und Standortdienst von Alibaba, hat ein vollständiges Upgrade für ABot, das embodied-AI-System, das es entwickelt, um Roboter anstelle von Fahrern zu steuern. Am 22. Juli 2026 angekündigt, bündelt die Aktualisierung fünf neue Modelle, die Navigation, Manipulation, Argumentation, Langzeitgedächtnis und Bewegungssteuerung abdecken, und Amap sagt, dass der kombinierte Stapel die höchsten Punktzahlen in 17 Benchmarks erreicht hat.
Was das Unternehmen ausgeliefert hat, ist ein Satz von Modellen und Forschungspapieren, kein Roboter mit einem Preisschild oder einem Kunden. Der Unterschied ist wichtig. Die Veröffentlichung beschreibt Fähigkeiten, die auf Benchmarks gemessen werden, nicht eine Maschine, die einen Schichtdienst an einem Ort mit protokollierten Eingriffen ausführt. Der Stapel soll körperagnostisch sein und kann in humanoide, quadrupede und rollende Roboter durch austauschbare Fähigkeiten eingebaut werden, so dass ein “Gehirn” im Prinzip unterschiedliche Hardware steuern kann – dasselbe Ziel, das den breiteren Roboterwettbewerb antreibt.
Was das Upgrade hinzufügt
Navigation ist der Teil, der Amap am nächsten kommt, und sein Modell, ABot-N1, spiegelt das wider. Es kombiniert ein langsames Modul für die Routenplanung mit einem schnellen Modul, das Bewegungsbefehle ausgibt, und fügt ein sogenanntes “pixelgenaues Denkvermögen” hinzu, das das, was die Kamera sieht, mit schriftlichen Argumenten verbindet, so dass eine Entscheidung nachvollzogen werden kann. Amap sagt, ABot-N1 könne eine Stadt unter Verwendung von herkömmlichen Navigationskarten alleine überqueren, mit einer Erfolgsrate von 92,9 % im Freien; die Studie berichtet über 95,4 % in komplexen Innenräumen und einen Gewinn von 35 % bei der Erreichung von Punkten von Interesse, auf 77,3 %.
Manipulation ist schwieriger und ist das, was ABot-M0.5 anvisiert: das mehrstufige Geschäft, zu einem Objekt zu bewegen und es zu handhaben, wie z. B. das Abrufen von Wasser aus einem Dispenser in einem Raum. Anstatt Bewegung und Greifen als eine Sequenz auszuführen, teilt es sie in zwei Aktionsströme auf und fügt eine Trainingsmethode hinzu, die Amap “Traum-Selbstheilung” nennt, die es dem Modell ermöglicht, auch bei verrauschten visuellen Vorhersagen zu handeln, anstatt bei kleinen Fehlern zu blockieren. Im RoboCasa-365-Test-suite berichtet Amap, dass es das bisher beste System um 20,4 % bei komplexen Aufgaben und 10,6 % bei grundlegenden Aufgaben übertrifft.
Zwei weitere Modelle bilden die Entscheidungsschicht. ABot-ER ist darauf ausgelegt, über die Beziehungen zwischen Objekten, Räumen und Aufgaben nachzudenken, anstatt nur zu erkennen, was im Bild ist; Amap sagt, es habe den ersten Platz in einem räumlichen Frage-Antwort-Benchmark, Embodied Arena 2D-EQA, zum Zeitpunkt der Ankündigung erreicht. ABot-AgentOS sitzt über den Controllern und behandelt Planung, Werkzeugverwendung, Ausführung und Überprüfung, mit einem lebenslangen Gedächtnis, das aus fehlgeschlagenen Versuchen lernen kann. Ein fünftes Modell, ABot-C0, wandelt diese Entscheidungen in Bewegungen für quadrupede Roboter um. Zusammen zielen die Argumentations- und Agentenschichten auf den Teil der embodied AI ab, der die meisten Systeme behindert: nicht nur einen Griff, sondern viele Schritte in eine lange Aufgabe, ohne den Faden zu verlieren.
Benchmarks, nicht Deployments
Amap hat mehr auf den Tisch gelegt als die meisten Roboterstarts. Es hat Papiere für die Navigations-, Manipulations-, Agenten- und Bewegungssteuerungsmodelle auf arXiv veröffentlicht und Code und Testsets freigegeben, was überprüfbarer ist als ein geschnittener und beschleunigter Highlight-Reel. Außenforscher können die Arbeit im Prinzip noch einmal durchführen.
Die Zahlen tragen den üblichen Stern. Sie sind die Ergebnisse des Teams, und mehrere der Benchmarks sind solche, die Amap zusammen mit den Modellen eingeführt hat: ABot-N1 wird mit neuen Punktziel- und Punkt-Interesse-Tests geliefert, und das Agentensystem wird auf einem Benchmark bewertet, den das gleiche Papier definiert. Kein unabhängiges Labor hat die Zahlen reproduziert, und keines der Modelle wird mit einer realen Bereitstellung geliefert – keine Flottengröße, keine Betriebszeit, keine Eingriffsrate, die zeigt, wie oft eine Person eingreifen musste. Diese Lücke trennt ein Benchmark-Ergebnis von dem “Bereitstellungs-Jahr”, das Rivalen wie AgiBot begonnen haben zu beanspruchen.
Der einzige physische Anker ist ein quadrupeder Führungsroboter, den Amap im April 2026 ankündigte, um ihn zum Beijing E-Town-Halbmarathon zu schicken. Das ist eine Demonstration, keine Bereitstellung: ein Roboter in einer inszenierten Umgebung sagt wenig darüber aus, wie der Stapel in einer realen Umgebung funktioniert.
Warum ein Kartendienst Roboterhirne baut
Amap betreibt eine der größten Navigationsplattformen Chinas, und sein Einsatz ist, dass die Kartendaten und Punkte von Interesse hinter diesem Dienst einen Vorsprung bei der räumlichen Argumentation bieten, die Roboter benötigen, um sich in der physischen Welt zu bewegen. Das Unternehmen hat eine Abteilung für embodied Intelligenz im Januar 2026 eingerichtet und seine ersten Navigations- und Manipulationsbasismodelle, ABot-N0 und ABot-M0, Wochen später veröffentlicht; das Upgrade im Juli ist die zweite Generation dieser Arbeit.
Es landet in einem überfüllten Feld. Chinesische Entwickler, neue humanoide Teilnehmer und Cobot-Hersteller, die Roboter mit generalistischer KI ausstatten, verfolgen alle das gleiche Ziel, eine Grundlagen-Schicht für Körper und Geist zu schaffen, und China investiert öffentliches und privates Geld in embodied Intelligenz und die Modelle darunter. Die Prüfung, der sie sich alle stellen müssen, ist die, die Amap noch nicht beantwortet hat: ob ein Stapel, der Benchmarks übertrifft, einen Roboter antreiben kann, der nützliche Arbeit leistet, unbeaufsichtigt, auf einem Boden, den niemand im Voraus angeordnet hat. Amap hat die erste Hälfte gezeigt. Die zweite ist noch ein Versprechen.
