Wie betaalt voor de 'data-basis' van humanoïde robots? Een herstructurering in Peking laat zien wat er echt toe doet.

Gesloten centrum - is dit het einde?

Het trainingscentrum voor humanoïde robots in Shougang Park, Peking, dat sinds maart 2025 als een van de eerste in China functioneerde, is gesloten. Volgens lokale media was de reden hiervoor het terugtrekken van Realman - de leverancier van hardware en technologie. Dit was geen mislukking van het project, maar een herstructurering. Het district Shijingshan legde uit dat na het vertrek van de partner in fase I, het centrum overgaat naar een nieuwe fase: de ontwikkeling van 4D Gaussian light fields en wereldmodellen. In plaats van meer projecten te bouwen, verandert de werkwijze - van het verzamelen van gegevens onder gecontroleerde omstandigheden tot het gebruik ervan in realistische scenario's.

Dit is niet de eerste keer dat een trainingscentrum van richting verandert. In de afgelopen twee jaar hebben veel regio's in China geïnvesteerd in dergelijke faciliteiten als onderdeel van hun strategie voor de ontwikkeling van embodied intelligence. Maar het bouwen van infrastructuur is slechts het begin. De belangrijkste vraag is wie er op lange termijn zal betalen voor de data - en of die data daadwerkelijk nuttig zullen zijn.

In mei van dit jaar verzamelde fase III van het centrum in Shijingshan bijna 270 robots en had het een jaarlijkse productiecapaciteit van ongeveer 20 miljoen datapoints. Aanvankelijk was er in maart 2025 gepland dat fase I meer dan een miljoen datapoints per jaar zou produceren. Dit tempo van ontwikkeling laat zien hoe intensief de regio's in China investeren in infrastructuur voor humanoïde robots.

Data zijn geen 'grondstoffen' - ze zijn een hulpmiddel.

De eerdere logica was eenvoudig: hoe meer data, hoe beter. Het centrum in Peking zou meer dan 20 miljoen datapoints per jaar verzamelen, voornamelijk uit gesimuleerde scenario's - van huishoudelijke taken tot elektronica-assemblage. Maar zoals bleek, zijn gegevens uit stabiele laboratoriumomstandigheden moeilijk te gebruiken in de echte wereld. Robots stuiten op veranderend licht, oneffen vloeren en onvoorziene verstoringen - situaties die niet gemakkelijk kunnen worden gesimuleerd.

Realman begreep dit en veranderde zijn strategie. In plaats van gegevens te verzamelen onder gecontroleerde omstandigheden, voert het nu op afstand robotoperaties uit in fabrieken, magazijnen en huizen. Dit werkt als een 'gesloten lus': de data ontstaat tijdens het daadwerkelijke werk, wordt onmiddellijk gebruikt om het model te verbeteren, en dat model kan vervolgens beter omgaan met volgende situaties. Het is niet langer alleen maar het verzamelen van gegevens - het is een continue iteratie.

Gegevens uit stabiele laboratoriumomstandigheden zijn moeilijk te gebruiken in de echte wereld, waar er sprake is van veranderend licht, oneffen vloeren en onvoorziene verstoringen. Realman stelt dat gegevens uit reële operaties in ongecontroleerde omgevingen waardevoller zijn voor het model dan gegevens uit stabiele laboratoriumomstandigheden.

Wie gaat er in de toekomst betalen voor data?

Het probleem is dat de data voor humanoïde robots een sterk 'privé-domein'-karakter hebben. Elk bedrijf gebruikt andere robotlichamen, sensoren, besturingssystemen en modelarchitecturen. Daarom zijn gegevens uit één systeem moeilijk te gebruiken door een ander. Dit betekent dat zelfs als een trainingscentrum miljoenen datapunt verzamelt, een bedrijf er mogelijk niet in geïnteresseerd is om deze te kopen - tenzij het directe verbetering van het model oplevert.

Daarom ontstaat er een conflict: lokale overheden willen openbare centra bouwen als infrastructuur ter ondersteuning van de ontwikkeling van de sector, terwijl bedrijven zich richten op de vraag of de data kosteneffectief zijn en of ze daadwerkelijke waarde opleveren. Dit is geen tegenstrijdigheid - maar wel een verschil in doelen. Daarom wordt de vraag cruciaal: wie zal deze cyclus financieren? Zullen het de bedrijven zijn die de data gebruiken, of de overheid als investeerder in de toekomst?

De waarde van data ligt niet in de hoeveelheid, maar in hun bruikbaarheid. Daarom wordt de vraag cruciaal: wie zal deze cyclus financieren? Zullen het de bedrijven zijn die de data gebruiken, of de overheid als investeerder in de toekomst?

Een nieuw tijdperk van data - van verzameling tot toepassing

Dit laat zien dat de regering begrijpt dat er geen 'juiste' methode is. Data kunnen afkomstig zijn van simulaties, video's, internet of reële operaties - maar hun waarde hangt af van hoe ze worden gebruikt.

De toekomst ligt niet in het bouwen van meer trainingscentra, maar in het creëren van gesloten cycli: scenario → data → model → verbetering. Dit betekent dat een centrum niet 'precies hetzelfde' hoeft te zijn - het kan veranderen, zoals Peking heeft gedaan. Het is cruciaal dat het op een manier werkt die aansluit bij de werkelijke behoeften van het model, en niet alleen bij het investeringsplan.

Realman stelt dat data uit reële operaties in ongecontroleerde omgevingen waardevoller zijn voor het model dan data uit stabiele laboratoriumomstandigheden. Dit laat zien dat de toekomst niet ligt in de hoeveelheid data, maar in hun kwaliteit en bruikbaarheid.

Wat betekent dit voor de toekomst van robotica?

Het sluiten van het trainingscentrum in Peking is geen einde, maar een doorbraak. Het laat zien dat het bouwen van infrastructuur zonder een duidelijk financieringsmodel en toepassing riskant is. Maar het laat ook zien dat de toekomst niet ligt in de hoeveelheid data, maar in hun kwaliteit en bruikbaarheid.

Voor bedrijven is dit een uitdaging: ze moeten denken aan data als een hulpmiddel voor modelontwikkeling, en niet alleen als een kostenpost. Voor overheden is er een nieuwe rol: niet het bouwen van centra, maar het ondersteunen van geïntegreerde systemen die data koppelen aan reële scenario's en toepassingen. Het gaat nu niet meer om 'wie betaalt voor de grondstoffen', maar om 'hoe transformeren we data in waarde'.

Deze transformatie laat zien dat de toekomst van robotica niet ligt in het bouwen van steeds grotere datacentra, maar in het creëren van dynamische, geïntegreerde systemen die echte operationele omstandigheden combineren met continue verbetering van modellen. Het wordt cruciaal: niet wie er betaalt voor de data, maar hoe deze data in de praktijk worden gebruikt - of ze leiden tot betere beslissingen, snellere reacties en betrouwbaardere robotacties. Voor bedrijven betekent dit dat ze moeten overstappen van het denken aan data als een kostenpost naar het zien ervan als een sleutel tot concurrentievoordeel. Voor regeringen betekent dit een nieuwe rol: niet het bouwen van infrastructuur, maar het ondersteunen van ecosystemen die gesloten datalussen mogelijk maken.