Neuracore, ein Londoner Startup mit Wurzeln am Imperial College London, Google DeepMind und Meta, hat angekündigt, seine Cloud-native Datenplattform für akademische Forscher kostenlos zur Verfügung zu stellen. Diese Initiative soll die Entwicklung von Robotern mit künstlicher Intelligenz beschleunigen, indem sie eine zentrale Lösung für das oft mühsame Datenmanagement bietet. Die Ankündigung fällt mit einer Pre-Seed-Finanzierungsrunde von 3 Millionen US-Dollar zusammen, die von Earlybird Venture Capital angeführt wird.
Wichtige Punkte
- Neuracore bietet seine Cloud-native Datenplattform akademischen Einrichtungen kostenlos an.
- Die Plattform soll das Datenmanagement für Robotik-Forschung vereinfachen und beschleunigen.
- Eine Pre-Seed-Finanzierungsrunde von 3 Millionen US-Dollar wurde von Earlybird Venture Capital geleitet.
- Das Ziel ist, Forscher von der Infrastrukturarbeit zu entlasten, damit sie sich auf Innovation konzentrieren können.
- Die Lösung unterstützt multimodale Datenerfassung und webbasierte Visualisierung.
Das Problem der Datenverwaltung in der Robotik
Die Entwicklung von Robotern mit allgemeiner Intelligenz wird oft als Wettlauf um die besten Algorithmen und Modelle beschrieben. Doch in der Praxis stoßen Forscher häufig auf grundlegende Probleme: die Verwaltung riesiger Mengen unstrukturierter Sensordaten, die Synchronisierung von Zeitstempeln und der Unterhalt der notwendigen Speicherinfrastruktur. Diese Aufgaben binden wertvolle Zeit und Ressourcen.
Stephen James, Gründer von Neuracore und Assistenzprofessor am Imperial College London, beschreibt diesen Engpass als die „Rohrleitungen“. Er betont, dass sowohl in der Industrie als auch in der Wissenschaft monatelange Infrastrukturarbeiten nötig sind, bevor die eigentliche Innovation beginnen kann. Dies verzögert den Fortschritt erheblich und frustriert viele Teams.
Fakten zur Robotik-Daten
- Robotik-Forschung generiert Terabytes an multimodalen Sensordaten.
- Die manuelle Synchronisierung von Daten wie RGB-Videos und Gelenkpositionen ist komplex.
- Infrastruktur-Setup kann Forschungsprojekte um Monate verzögern.
Neuracores Lösung: Eine Cloud-native Datenbasis
Neuracore schlägt eine Cloud-native „Datenbasis“ vor, um diese Herausforderungen zu bewältigen. Statt lokale ROS-Bags (Robot Operating System) zu nutzen oder Videostreams manuell mit Gelenkstatus abzugleichen, bietet Neuracore einen Python-Client. Dieser Client streamt asynchrone Daten direkt in die Cloud. Dies soll den Prozess erheblich vereinfachen und beschleunigen.
Die Plattform verspricht, die Erfassung multimodaler Daten zu vereinfachen. Dazu gehören RGB-Videos, Gelenkpositionen und benutzerdefinierte Sensordaten. Dies geschieht in nativer Geschwindigkeit, ohne dass komplexe Zeitabgleichscodes erforderlich sind. Eine webbasierte Visualisierung ermöglicht es Forschern zudem, Robotik-Telemetrie und Videostreams von jedem Ort aus zu überwachen.
„Die Frustration, die wir in der Industrie sehen, sehen wir auch in der Wissenschaft“, sagte Stephen James. „Zu oft werden Forscher durch monatelange Infrastrukturarbeiten zurückgehalten, bevor sie überhaupt mit der Innovation beginnen können.“
Effiziente Trainingsinfrastruktur
Neben der Datenerfassung bietet Neuracore auch eine Open-Source-Infrastruktur für das Training von Modellen. Diese nutzt Hydra-Konfigurationen und ermöglicht das Training von Modellen sowohl lokal als auch in der Cloud. Dieser Ansatz zielt darauf ab, den sogenannten „Physical AI Bottleneck“ zu beheben, den große Akteure derzeit mit Millioneninvestitionen zu lösen versuchen.
Während Unternehmen wie Generalist AI massive proprietäre Datensätze intern aufbauen, stellt Neuracore Werkzeuge bereit, mit denen andere ihre eigenen Daten in großem Umfang verwalten können. Dies positioniert das Startup als einen neutralen Anbieter in der schnell wachsenden Landschaft der Robotik-Tools.
Hintergrund: Der „Middle Layer“ in der Robotik
Die Robotik-Branche erlebt eine Verschiebung. Während Hardware zunehmend standardisiert wird, etwa durch Plattformen wie den Unitree G1, konzentrieren sich Softwareunternehmen darauf, die Lücke zwischen der physischen Maschine und ihrer Intelligenz zu schließen. Einige Firmen wie Flexion versuchen, den gesamten „Autonomie-Stack“ zu entwickeln, während andere sich auf Simulation und synthetische Daten konzentrieren. Neuracore positioniert sich als „Nervensystem“, das Signale überträgt, statt das „Gehirn“ zu sein.
Strategie und Finanzierung
Die 3 Millionen US-Dollar Pre-Seed-Finanzierung, angeführt von Earlybird, verschafft Neuracore die nötige Startrampe. Die Strategie, sich an die akademische Welt zu wenden, ist ein klassischer „Bottom-up“-Ansatz. Indem Doktoranden und Universitätslabore frühzeitig mit dem Workflow von Neuracore vertraut gemacht werden, hofft das Unternehmen, einen Industriestandard zu etablieren. Diese Studenten könnten die Plattform später in kommerzielle Robotik-Rollen mitnehmen.
Der Zugang zur Plattform wird zunächst ausgewählten Institutionen gewährt, andere können sich auf eine Warteliste setzen lassen. Die Verlagerung der Robotik in die Cloud hat jedoch auch Skeptiker. Echtzeitsteuerung erfordert oft geringe Latenzzeiten und lokale Rechenleistung. Einige Forscher könnten Bedenken haben, sensible Labordaten an eine Drittanbieter-Cloud zu streamen.
Cloud-Komfort trifft Edge-Performance
Neuracores Dokumentation betont, dass die Datenverwaltung zwar Cloud-basiert ist, das Unternehmen aber die lokale Bereitstellung und das Training von Modellen unterstützt. Dies soll die Lücke zwischen dem Komfort der Cloud und der Leistung am Edge schließen. Das Ziel ist es, die „unordentliche Realität“ der physischen KI in einen sauberen, API-zugänglichen Dienst zu verwandeln.
Sollte Neuracore erfolgreich sein, könnte es sich als eine Art „GitHub der physischen Welt“ etablieren. Dies würde einen wichtigen Schritt in der Standardisierung und Beschleunigung der Robotik-Forschung und -Entwicklung bedeuten.
- Die Pre-Seed-Finanzierung beträgt 3 Millionen US-Dollar.
- Earlybird Venture Capital ist der führende Investor.
- Die Strategie zielt auf eine breite Akzeptanz in der akademischen Welt ab.
- Unterstützung für Standardformate wie URDF und MuJoCo MJCF ist gegeben.
- Die Plattform bietet die Möglichkeit, Modelle lokal oder in der Cloud zu trainieren.
