# XDOF, Pionier der physischen KI, strebt in Serie B eine Bewertung von 1,2 Milliarden US-Dollar an, um Roboterdatenpipelines zu skalieren

Source: TechNewsList (https://technewslist.com)
Canonical URL: https://technewslist.com/de/article/xdof-physical-ai-series-b-robot-training-data-2026-09-05-night-de
Section: Drones & Robots (https://technewslist.com/de/drones-robotics)
Author: TechNewsList
Language: de
Published: 2026-09-05T17:44:55.844+00:00
Updated: 2026-09-05T17:44:56.004863+00:00

> Das Datenunternehmen der Robotics Foundation, XDOF, verhandelt nur wenige Monate nach dem Ausstieg aus dem Stealth-Programm über eine Serie-B-Runde im Wert von 1,2 Milliarden US-Dollar, was den kritischen Engpass bei Datensätzen zum realen körperlichen Training verdeutlicht.

## TL;DR
- Das Startup für physische KI-Robotik XDOF nimmt eine Finanzierungsrunde der Serie B mit einem Wert von rund 1,2 Milliarden US-Dollar auf.
- Die Venture-Finanzierung erfolgt nur drei Monate, nachdem das Unternehmen offiziell aus dem Stealth-Geschäft ausgestiegen ist.
- XDOF betreibt spezialisierte Teleoperationsnetzwerke, die hochpräzise menschliche Demonstrationsmanipulationsdaten erfassen.
- Mit dem Kapital werden große Datenerfassungszentren finanziert, die für die Schulung verallgemeinerter physikalischer Grundlagenmodelle erforderlich sind.

## Key points
- XDOF wurde von den UC Berkeley-Forschern Philipp Wu und Fred Shentu, den Entwicklern des offenen GELLO-Teleoperationssystems, mitbegründet.
- Das Startup sicherte sich zuvor 20 Millionen US-Dollar an Startkapital und eine Serie-A-Finanzierung unter der Leitung des Venture-Unternehmens 8VC.
- Robotik-Grundlagenmodelle erfordern Millionen von Stunden geschickter Manipulationsdaten, die nicht synthetisch generiert werden können.
- Die proprietären Teleoperationsgeräte von XDOF erfassen 6-DoF-Endeffektorbahnen, Gelenkdrehmomente und RGB-D-Videos mit mehreren Ansichten.
- Entwickler humanoider Roboter verlassen sich auf externe Datenanbieter, um allgemeine Manipulationsrichtlinien in verschiedenen Umgebungen zu trainieren.
- Mit der Finanzierung werden erweiterte Roboter-Sammelzentren in Nordamerika, Europa und Asien unterstützt.

## Was passiert ist

Nur drei Monate, nachdem XDOF mit einer Venture-Unterstützung in Höhe von 20 Millionen Dollar aus der Tarnung herausgekommen ist, befindet er sich in fortgeschrittenen Verhandlungen, um sich eine Finanzierungsrunde der Serie B zu sichern, die das Unternehmen mit etwa 1,2 Milliarden US-Dollar bewertet. Mit der Transaktion vertraute Risikokapitalquellen gaben an, dass hochkarätige Investmentsyndikate aus dem Silicon Valley in der Runde aggressiv um Zuteilungen konkurrieren. Die dramatische Bewertungssteigerung unterstreicht die starke branchenweite Erkenntnis, dass physische Trainingsdaten und nicht Modellparameterskalen oder Rechencluster die bestimmende Einschränkung in der Robotik darstellen.

XDOF wurde von den bekannten Berkeley-Forschern Philipp Wu und Fred Shentu von der University of California gegründet, die nach der Entwicklung von GELLO, einer zugänglichen Open-Source-Teleoperationsschnittstelle, große Anerkennung in der Robotik-Forschungsgemeinschaft erlangten. Aufbauend auf dieser akademischen Grundlage baute XDOF ein Kraftwerk für die industrielle Datenerfassung auf, das Hunderte von physischen Teleoperationsstationen betreibt. Menschliche Bediener manipulieren physische Objekte in Tausenden von häuslichen, kommerziellen und industriellen Szenarien und erstellen die Hochfrequenzdatensätze, die zum Trainieren verallgemeinerter Robotik-Grundlagenmodelle erforderlich sind.

## Warum es wichtig ist

Während Labore für künstliche Intelligenz große Sprachmodelle skaliert haben, indem sie Billionen von Token aus dem öffentlichen Internet aufgenommen haben, sind physische Roboter mit einer grundlegenden Datenknappheit konfrontiert. Text und statische 2D-Bilder können einem humanoiden Roboter nicht beibringen, wie man zerbrechliche Glaswaren greift, Stoffe faltet oder schwere Werkzeuge unter dynamischer physikalischer Reibung und taktilem Widerstand manövriert. Simulationsumgebungen sind zwar für das grundlegende kinematische Training nützlich, leiden jedoch unter der berüchtigten Lücke zwischen Simulation und Realität, da sie subtile physikalische Aspekte der realen Welt und chaotische Umgebungsvariablen nicht erfassen können.

Um eine echte Autonomie für allgemeine Zwecke zu erreichen, erfordern Robotikmodelle multimodale physische Demonstrationen, bei denen synchronisierte Gelenkdrehmomente, taktile Sensorrückmeldungen und visuelle Mehrwinkel-Telemetrie aufgezeichnet werden. Durch die Behandlung physischer Manipulationsdaten als institutionelle Infrastrukturware möchte XDOF zum unverzichtbaren Datendienstprogramm für jeden Hersteller humanoider und industrieller Robotik weltweit werden. Der schnelle Aufstieg des Startups zum Einhornstatus signalisiert, dass die Kapitalmärkte spezialisierte physische Daten als den am besten zu verteidigenden Schutzwall der verkörperten KI betrachten.

## Technische Details

![Fließband für die Entwicklung und Fertigung humanoider Robotik, das die Anforderungen an den physischen KI-Einsatz hervorhebt.](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1788628753733-g4dfzb-xdof-physical-ai-series-b-robot-training-data-2026-09-05-night-inside-1-183d3358cf.webp)

Die Kerntechnologie, die die Dateninfrastruktur von XDOF antreibt, ist eine proprietäre Hardware-Software-Teleoperationsarchitektur, die aus dem ursprünglichen GELLO-Design hervorgegangen ist. Die Teleoperationsgeräte nutzen passive Gelenkarme, die mit hochauflösenden digitalen Encodern ausgestattet sind, die menschliche Armbewegungen mit einer Präzision im Submillimeterbereich nachbilden. Da der Bediener physisch eine kinematische Miniaturnachbildung des Endeffektors des Zielroboters hält, eliminiert das System die Latenz und Kalibrierungsdrift, die für kamerabasierte Bewegungserfassungsaufbauten typisch sind.

Bei jeder Datenerfassungssitzung werden multimodale Streams aufgezeichnet, die mit bis zu 1.000 Hertz abgetastet werden. Diese Telemetrie umfasst räumliche Posen mit sechs Freiheitsgraden, Schätzungen des Antriebsdrehmoments, Daten von Kontaktakustiksensoren und synchronisierte stereoskopische RGB-D-Videostreams. Die gesammelten Trajektorien werden durch automatisierte Kurationspipelines verarbeitet, die menschliches Zögern herausfiltern, zeitliche Varianz normalisieren und räumliche Kontaktgrenzen mit Anmerkungen versehen. Diese makellosen Daten werden direkt in Tensordatensätze formatiert, die für das Training von Diffusionsrichtlinienmodellen und Vision-Sprach-Aktionsarchitekturen optimiert sind.

## Auswirkungen auf Markt und Branche

![Industrielle Roboterarme, die hochpräzise Manipulationsaufgaben in automatisierten Montageumgebungen ausführen.](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1788628755941-w1xxox-xdof-physical-ai-series-b-robot-training-data-2026-09-05-night-inside-2-1d0f615044.webp)

Die milliardenschweren Bewertungsgespräche von XDOF verändern die kommerzielle Dynamik in der gesamten Robotiklandschaft. Große Hersteller humanoider Robotik, darunter Figure AI, Boston Dynamics und Automobilhersteller, die Fabrikroboter entwickeln, überdenken aktiv ihre internen Datenerfassungsstrategien. Der Aufbau und die Verwaltung interner Armeen von Teleoperatoren ist kapitalintensiv und eine logistische Herausforderung, was viele Robotikentwickler dazu veranlasst, die Erfassung grundlegender Manipulationsdatensätze an spezialisierte Plattformen wie XDOF auszulagern.

Der Kapitalzufluss entfacht auch einen erbitterten Talentkampf zwischen traditionellen Software-KI-Laboren und Forschungszentren für verkörperte Robotik. Forscher des maschinellen Lernens, die sich zuvor auf generatives Sehen oder Sprache konzentrierten, wenden sich der physischen KI zu, deren kommerzielle Anwendungen Hunderte Milliarden Dollar in den Bereichen Fertigung, Logistik und Automatisierung der Altenpflege umfassen. Investoren gehen davon aus, dass die physische Datenwirtschaft die Entwicklung des Cloud-Computing widerspiegeln wird, wobei spezialisierte Anbieter weltweit riesige Datenerfassungsanlagen betreiben.

## Worauf man als Nächstes achten sollte

Der Abschluss und formelle Abschluss der Serie-B-Finanzierungsrunde von XDOF wird in den kommenden Wochen erwartet, vorbehaltlich der endgültigen Syndizierungszuteilungen und der üblichen behördlichen Einreichungen. Nach der Kapitalzuführung plant das Unternehmen die Eröffnung neuer Hyperscale-Datenerfassungsanlagen in Nordamerika und Westeuropa und die Erweiterung seiner Teleoperator-Belegschaft, um in den nächsten achtzehn Monaten Millionen von Stunden unterschiedlicher physischer Manipulationsverläufe zu erfassen.

Unternehmenstechnologiestrategen sollten bevorstehende technische Benchmarks überwachen, die von auf XDOF-Datensätzen geschulten Foundation-Modellentwicklern veröffentlicht werden. Die entscheidende Messgröße, die es zu verfolgen gilt, sind Null-Schuss-Erfolgsraten, wenn Roboter ohne Feinabstimmung auf neuartige Objekte und Umgebungen treffen. Wenn Basismodelle dramatische Verbesserungen bei der Generalisierbarkeit skalierter Teleoperationsdaten zeigen, wird dies die Hypothese der physischen Daten validieren und den kommerziellen Zeitplan für den Einsatz autonomer humanoider Arbeitskräfte in kommerziellen Unternehmensumgebungen beschleunigen.

## Quellen

- [Kommerzielle XDOF-Veröffentlichung](https://xdof.ai/news/series-b-growth-pipeline-robot-teleoperation) – Unternehmensmitteilung, die die Erweiterung der physischen KI-Datenpipeline und den Betrieb der verteilten Teleoperatorflotte beschreibt.

- [TechCrunch Robotics Desk](https://techcrunch.com/2026/09/04/xdof-just-three-months-out-of-stealth-is-in-talks-for-a-series-b-at-a-1-2b-valuation/ three-months-out-of-stealth-is-in-talks-for-a-series-b-at-a-1-2b-valuation/) – Exklusive Risikoberichte, die Termsheets, Bewertungsbenchmarks und Investorensyndikate offenlegen, die die Serie-B-Runde von XDOF unterstützen.

– [8VC Research Insights](https://8vc.com/insights/scaling-physical-ai-xdof-data-revolution) – Venture-Perspektive, die darlegt, warum reale physische Interaktionsdaten den größten Engpass für die Kommerzialisierung humanoider Roboter darstellen.

Mentions: XDOF, 8VC, Philipp Wu, Fred Shentu, Universität von Kalifornien Berkeley

## Sources
- [Kommerzielle XDOF-Veröffentlichung](https://xdof.ai/news/series-b-growth-pipeline-robot-teleoperation)
- [TechCrunch Robotics Desk](https://techcrunch.com/2026/09/04/xdof-just-three-months-out-of-stealth-is-in-talks-for-a-series-b-at-a-1-2b-valuation/)
- [8VC-Forschungseinblicke](https://8vc.com/insights/scaling-physical-ai-xdof-data-revolution)