Machenta sammelt in einer Seed-Runde 40 Millionen US-Dollar ein, um Robotern anhand einer einzigen Demonstration neue Aufgaben beizubringen

Einem Roboter eine neue Aufgabe beizubringen, kann wesentlich länger dauern, als die Aufgabe selbst auszuführen. Demonstrationen zu sammeln, Trainingsdaten aufzubereiten und ein Modell zu aktualisieren, kann aus einer kleinen Änderung im Arbeitsablauf ein umfangreiches Entwicklungsprojekt machen. Machenta hat in einer Seed-Runde 40 Millionen US-Dollar eingesammelt, um diesen Prozess zu verkürzen. Das Unternehmen entwickelt ein Basismodell für Roboter, das eine physische Aufgabe anhand einer einzigen Demonstration erlernen soll – ohne zusätzliches aufgabenspezifisches Training.

Das Londoner Unternehmen gab die Finanzierung am 27. Oktober bekannt. Creandum und Union Square Ventures führten die Finanzierungsrunde gemeinsam an. Das Kapital will es nutzen, um sein Modell zu skalieren und das Team in seinem neuen Büro und Labor in King’s Cross zu vergrößern.

Machenta nennt seinen Ansatz „Instant Robot Learning“. Nach Angaben des Unternehmens wurde die Technologie bereits bei Verpackungs-, Montage- und Aufräumaufgaben demonstriert. Dabei passten sich die Roboter an Variationen an, nachdem ihnen einmal gezeigt worden war, was zu tun ist. Die Ambitionen sind weitreichend. Die vorliegenden Ergebnisse sollten jedoch als Demonstrationen einer sich entwickelnden Technologie verstanden werden und nicht als Beleg dafür, dass ein Roboter bereits jede denkbare Aufgabe ausführen kann.

Eine neue Aufgabe lernen, ohne einen neuen Trainingslauf zu starten

Entscheidend ist der Unterschied zwischen dem Training eines Modells und dem Beibringen einer bestimmten Aufgabe an ein bereits trainiertes Modell. Machenta trainiert sein Basismodell weiterhin. Das Unternehmen will jedoch überflüssig machen, für jede neue Aufgabe, auf die der Roboter stößt, einen großen neuen Datensatz zu sammeln und einen weiteren Trainingsdurchlauf zu starten.

„Intelligenz zeigt sich weniger darin, was man bereits kann, sondern vielmehr darin, wie schnell man lernen kann, etwas Neues zu tun“, sagte Professor Edward Johns, Mitgründer und CEO von Machenta, in der Mitteilung.

Der vorgeschlagene Ablauf ist bewusst einfach gehalten: Das gewünschte Verhalten wird demonstriert, der Roboter beobachtet es und führt die Aufgabe anschließend aus. In der Praxis würde die Demonstration damit zu einer Anweisung für ein bestehendes Modell – statt den Beginn eines separaten Entwicklungsprojekts für ein neues Modell zu markieren.

Das ist besonders relevant, wenn die Aufgabe im Wesentlichen gleich bleibt, sich aber die Objekte oder ihre Anordnung ändern. Ein Roboter, der lediglich eine festgelegte Abfolge wiederholen kann, ist darauf angewiesen, dass die Umgebung seinem Programm entspricht. Ein lernfähiger Roboter muss erkennen, was er laut Demonstration erreichen soll, und seine Handlungen an die jeweilige Situation anpassen.

Simulation trainiert die Lernfähigkeit

Machentas Trainingsstrategie verlagert einen Großteil der Datenerzeugung in die Simulation. Laut Mitteilung geht es nicht darum, jede Aufgabe aufzulisten, der sich der Roboter irgendwann stellen könnte. Vielmehr soll das Modell mit ausreichend vielen unterschiedlichen Szenarien konfrontiert werden, damit es eine wiederverwendbare Fähigkeit entwickelt, aus einem neuen Beispiel zu lernen.

Dadurch verändert sich auch die Frage, woher das Unternehmen die nötige Skalierbarkeit erwartet. Viele Ansätze zum Roboterlernen sind stark darauf angewiesen, physische Demonstrationen durch Fernsteuerung oder Aufzeichnungen menschlicher Tätigkeiten zu sammeln. Machenta setzt darauf, dass simulierte Erfahrungen die nötige Vielfalt für das Erlernen neuer Aufgaben bieten können und eine reale Demonstration dem Roboter beim Einsatz die Anweisung gibt.

In seiner technischen Einführung bezeichnet das Unternehmen das System als Vision-Demonstrations-Aktionsmodell, kurz VDA. Als Eingaben dienen eine Demonstration und fortlaufende Kameraaufnahmen; das Modell sagt Aktionen in einem geschlossenen Regelkreis voraus. Nach Angaben des Unternehmens erfolgt das Vortraining ausschließlich in der Simulation. Das Lehrbeispiel und die Live-Beobachtungen sind dagegen reale Eingaben, die zum Zeitpunkt der Inferenz verwendet werden.

Dieser Unterschied ist wichtig: Vortraining ausschließlich in der Simulation bedeutet nicht, dass der eingesetzte Roboter ohne Informationen aus der realen Welt arbeitet. Er muss weiterhin die Demonstration interpretieren, seine Umgebung beobachten und seine Aktionen an veränderte Bedingungen anpassen.

Die Forschung hinter dem kontextbezogenen Lernen von Robotern

Das Unternehmen baut auf der Arbeit von Johns und dem Mitgründer und CTO Vitalis Vosylius am Imperial College London auf. Johns ist dort Professor für Roboterlernen. Gemeinsam entwickelten die beiden frühere Methoden, mit denen sich physisches Verhalten anhand weniger Beispiele erlernen lässt.

Ihre Forschung zu Instant Policy, die auf der ICLR 2025 veröffentlicht wurde, beschreibt kontextbezogenes Imitationslernen anhand von ein oder zwei Demonstrationen, ohne dass ein weiteres Training erforderlich ist. Demonstrationen, Beobachtungen und Aktionen werden dabei als Graph dargestellt. Ein erlernter Diffusionsprozess erzeugt die Graphstruktur, die für die Vorhersage von Aktionen benötigt wird.

Die Arbeit beschreibt außerdem das Training mit Pseudo-Demonstrationen: in Simulation erzeugte Abläufe, die einen großen Vorrat an Beispielen liefern. Die Experimente umfassen simulierte und reale Aufgaben sowie zusätzliche Untersuchungen zum Transfer zwischen verschiedenen Roboterausführungen und zu sprachlich definierten Anweisungen.

Diese Forschung hilft, die wissenschaftlichen Grundlagen zu verstehen, belegt aber nicht, dass Machentas aktuelles kommerzielles Modell genau dieselbe Architektur besitzt. Das Start-up beschreibt das neuere System als ein Basismodell, das aus dieser Forschungslinie hervorgegangen ist.

Kontextbezogenes Lernen kennt man von Sprachmodellen: Beispiele in einer Eingabeaufforderung können die Antwort beeinflussen, ohne dass die Modellgewichte aktualisiert werden. Diese Idee auf die Robotik zu übertragen, ist anspruchsvoller, denn die Ausgabe muss unter realen Bedingungen eine Abfolge physischer Aktionen ergeben – nicht bloß eine plausible Antwort.

Was die Demonstrationen belegen – und was noch geprüft werden muss

In einem technischen Beitrag berichtet Machenta von einstündigen Versuchen mit drei einfachen Aufgaben, bei denen sich der Ausgangszustand jeweils selbst wiederherstellte: 74 erfolgreiche Blockplatzierungen bei 74 Versuchen, 78 Übergaben eines Schraubendrehers bei 78 Versuchen und 97 erfolgreiche Versuche, Flaschen aufzustellen, bei 99 Versuchen. Das Unternehmen führt die beiden fehlgeschlagenen Flaschenversuche auf Kollisionsrisiken und kinematische Einschränkungen zurück.

Das sind nützliche erste Zuverlässigkeitsprüfungen, aber kein umfassender Industrietest. Der Beitrag stellt auch das direkte Lernen an menschlichen Händen und den Betrieb mit humanoiden Händen als vorläufige Entwicklungsrichtungen dar. Er belegt weder eine universelle Aufgabenabdeckung noch zuverlässige Leistung an jedem Arbeitsplatz.

Für potenzielle Nutzerinnen und Nutzer umfasst der Unterschied zwischen einer überzeugenden Demonstration und einem einsatzfähigen System die Wiederholbarkeit, die Erholung nach Fehlern, sicheres Verhalten in der Nähe von Menschen und die praktischen Grenzen der Roboterhardware. Eine Anweisung schnell zu erlernen, versetzt einen Greifer nicht in die Lage, einen Gegenstand zu handhaben, den er physisch nicht greifen kann.

Die kommerzielle Chance ist dennoch klar. Sinkt der Zeitaufwand für das Anlernen deutlich, lassen sich Roboter leichter für Arbeiten in Betracht ziehen, die sich zu häufig ändern, als dass sich eine aufwendige Programmierung und Integration lohnen würde. Das könnte sich sowohl auf den Einsatz in Fabriken als auch auf kleinere Anwendungen auswirken, bei denen spezialisierte Unterstützung im Bereich Robotik schwer zu bekommen ist.

Eine Seed-Finanzierungsrunde, um das Modell und das Team auszubauen

Machenta reiht sich in eine größere Investitionswelle in anpassungsfähige Roboterintelligenz ein. Die Berichterstattung von Unite.AI über die KI-Finanzierung von Dream Labs für verschiedene Robotertypen veranschaulicht einen weiteren Versuch, erlernte Fähigkeiten für unterschiedliche Maschinen nutzbar zu machen. Machenta konzentriert sich darauf, wie schnell eine neue physische Anweisung in nutzbares Verhalten umgesetzt werden kann.

Creandum-Partnerin Kathi Wilhelm verwies auf die jahrelange Forschung des Teams vor der Gründung des Unternehmens. Rebecca Kaden, geschäftsführende Partnerin bei Union Square Ventures, betonte den Wert von Robotern, die eine neue Aufgabe schnell erlernen können, statt für jeden Job ein separates Training zu benötigen.

Für Machenta besteht der nächste Schritt darin, die Forschungsgrundlage in breitere und zuverlässigere Fähigkeiten zu überführen. Die 40 Millionen US-Dollar geben dem Unternehmen die Mittel, das Modell auszubauen und das Team dafür zu vergrößern. Das Gründungsteam bringt sechs Jahre Arbeit am One-Shot-Lernen für Roboter in das Unternehmen ein.

Die zentrale Frage ist, in welchem Umfang sich dieses Lernverhalten auf immer vielfältigere und anspruchsvollere Aufgaben übertragen lässt. Bewährt sich der Ansatz, zeigt sich die entscheidende Veränderung in der Praxis: Menschen könnten weniger Zeit mit dem Aufbau einer Trainingspipeline verbringen und mehr Zeit damit, einem Roboter die Arbeit zu zeigen, die tatsächlich erledigt werden muss.