Figure AI sichert sich 3,5 Milliarden Dollar Compute, bevor es ein Produkt zu verkaufen gibt

Auf der IROS 2026 in Pittsburgh, die vom 27. September bis 2. Oktober lief, stach eine Ankündigung aus der üblichen Reihe von Forschungsdemos hervor. Figure AI gab bekannt, eine mehrjährige Partnerschaft mit dem KI-Cloud-Anbieter Nscale unterzeichnet zu haben, mit einer anfänglichen Verpflichtung von 3,5 Milliarden Dollar für Compute, Plänen, auf über 6 Milliarden Dollar zu skalieren, und dem Ziel, ab der zweiten Hälfte des Jahres 2027 bis zu 100.000 Nvidia-GPUs einzusetzen.

Der Aufbau ist in Barstow, Texas, geplant. Das Training soll auf Nvidias Vera-Rubin-Plattform laufen, die Validierung in Isaac Sim erfolgen, und dieselben GPUs sollen schließlich in den Robotern selbst laufen.

Eine Wette vor dem Beweis

Humanoide Unternehmen haben viel Geld eingesammelt, und die meisten haben es für Hardware und Pilotprojekte ausgegeben. So viel in Compute zu investieren, bevor ein Roboter in großem Umfang bezahlte Arbeit verrichtet, ist eine andere Art von Wette. Sie besagt, dass das Unternehmen glaubt, die entscheidende Einschränkung für Humanoide werde Trainings-Compute und Modellqualität sein, nicht mechanische Teile.

Diese Überzeugung ist überprüfbar, und die bisherige Evidenz ist gemischt. Das weltweit am meisten beachtete Programm für humanoide Roboter, Teslas Optimus, steigerte Ende September die Produktion an seiner Fertigungslinie in Fremont auf mehrere hundert Einheiten pro Woche, etwa das Zehnfache der Rate im zweiten Quartal, und Lieferanten wurden Berichten zufolge um Teile für rund 15.000 Einheiten über das Jahr 2026 hinweg gebeten. Der berichtete Engpass ist nicht die Zahl der Gehäuse pro Woche. Es sind die Hände und die Unfähigkeit der KI, über Aufgaben hinweg zu generalisieren. Eine Fabrik, die den Körper bauen kann, hat das Problem, den Körper nützlich zu machen, nicht gelöst.

Figures Compute-Verpflichtung ist faktisch eine Wette darauf, dass es der richtige Schritt ist, deutlich mehr Trainingskapazität auf dieses Generalisierungsproblem zu werfen. Wenn das stimmt, hat das Unternehmen, das sich das Compute zuerst sichert, einen Vorteil. Wenn nicht, kauft das Geld eine große Rechnung und viele ungenutzte GPUs.

Warum die Zahl von 100.000 GPUs die eigentliche Geschichte ist

Der Einsatz von GPUs in den Robotern ist der Teil, der Beachtung verdient. Trainings-Compute ist eine bekannte Größe. Bordeigene Rechenleistung, die ein großes Modell in Echtzeit ausführt, innerhalb eines Energie- und Wärmebudgets, das eine fahrende Maschine tragen kann, ist ein schwierigeres Engineering-Ziel. Wenn Figure plant, Nvidia-GPUs in großem Maßstab in die Roboter einzubauen, signalisiert es, dass die Modelle, die es ausführen will, groß genug sind, dass Edge-Beschleuniger nicht ausreichen.

Das hat Konsequenzen weit über Figure hinaus. Es stellt Anforderungen an Stromversorgung, Kühlung und Kosten pro Einheit, die verändern, was ein Humanoide einem Käufer wert ist. Ein Roboter, der eine ernsthafte GPU zum Betrieb braucht, ist ein anderes Produkt als einer, der ein kleines Modell auf einem Chip der Telefonklasse ausführt.

Wo der Rest des Feldes steht

Die IROS-Ausstellungsfläche bot eine nützliche Vergleichsgruppe. Agility Robotics enthüllte Digit 5, die nächste Version seines zweibeinigen Roboters, und nannte mehr als 65.000 Betriebsstunden für Digit 4 an nordamerikanischen Kundenstandorten, darunter Amazon, GXO, Schaeffler und Toyota Motor Manufacturing Canada. Agility kündigte außerdem eine Partnerschaft mit FORT Robotics an, die auf funktionale Sicherheit für Humanoide abzielt. Diese beiden Dinge – Betriebsstunden und ein Sicherheitsnachweis – sind es, wonach ein Fabrikkäufer vor der Unterschrift fragt.

Sanctuary AI meldete eine Erfolgsquote von über 99,5 Prozent bei einer Zykluszeit von 2,54 Sekunden für eine Aufgabe zum Einstecken von Kabeln, validiert anhand der Live-Benchmarks eines Tier-1-Autozulieferers. Das ist eine eng umrissene Aufgabe, und genau dort ist die Technologie bereit. Unitree kündigte H2 Plus als Isaac-GR00T-Referenzplattform für die Wissenschaft an und setzte damit einen schnellen Veröffentlichungsrhythmus fort. Astribot nutzte die Konferenz, um seinen Humanoiden T1 in Nordamerika für rund 18.000 Dollar vorzustellen, positioniert als Forschungsplattform und nicht als Arbeitskraft.

Zusammen betrachtet spaltet sich das Feld. Einige Unternehmen wetteifern darum, allgemeine Fähigkeiten zu beweisen, und geben stark für Compute aus. Andere setzen enge, messbare Aufgaben um und bauen die Sicherheits- und Service-Nachweise auf, für die Kunden tatsächlich bezahlen.

Was die Konferenz insgesamt signalisierte

Die IROS ist ein Forschungstreffen, und die technischen Tracks spiegelten wider, worauf die Aufmerksamkeit liegt. Die Workshops konzentrierten sich auf agile Loko-Manipulation, auf die Bewertung von Policies für Vision-Language-Action-Controller in der realen Welt und darauf, simuliertes Training auf physische zweibeinige Maschinen zu übertragen. Das letzte Thema entscheidet darüber, ob in der Simulation verbrauchte Rechenleistung sich in Verhalten auf einem Fabrikboden niederschlägt.

Die Gastgeberstadt war Pittsburgh, was die Robotik-Kompetenz von Carnegie Mellon zur Schau stellte. Für ein Feld, das jahrelang beeindruckende Videos von Robotern beim Parkour produziert hat, ist die Verlagerung des Schwerpunkts hin zu kontaktintensiver Manipulation und Bewertung in der realen Welt eine bedeutsame Richtungsänderung. Es ist einfacher, einen springenden Roboter zu filmen, als einen zu zertifizieren, der einen unbekannten Gegenstand sicher aufnimmt.

Das Compute-Argument, nüchtern dargelegt

Figures Wette beruht auf einer konkreten Behauptung: dass die Lücke zwischen Humanoiden, die gut demonstrieren, und Humanoiden, die funktionieren, überwiegend ein Modellierungsproblem ist, und Modellierungsprobleme werden mit Daten und Compute gelöst. Diese Behauptung ist nicht verrückt. Die letzten Jahre haben gezeigt, dass das Hochskalieren von Training auf größere und vielfältigere Daten die Generalisierung in anderen Bereichen weiter verbessert, und es gibt keinen triftigen Grund anzunehmen, dass Manipulation davon ausgenommen ist.

Das Gegenargument lautet, dass Robotik ein Datenproblem hat, das Sprachmodelle nicht hatten. Text ist im Web reichlich vorhanden. Hochwertige Manipulationsdaten, wie sie eine Hand lehren, einen neuen Gegenstand in einer neuen Position zu greifen, sind teuer zu sammeln und schwer präzise zu simulieren. Mehr Compute hilft, wenn die Datenpipeline vorhanden ist. Wenn nicht, steht ein großer Trainingscluster größtenteils still.

Was Käufer daraus mitnehmen sollten

Zwei Metriken sind wichtiger als Roboterzahlen. Die erste ist Manipulationszuverlässigkeit, also ob eine Hand unterschiedliche Griffe ausführen kann, ohne zu versagen. Die zweite ist Generalisierung, also ob ein auf einem Objektsatz trainiertes Verhalten auf neue Objekte übertragen wird, unter neuer Beleuchtung, in einem neuen Layout. Eine wöchentliche Produktionszahl sagt über beides nichts aus.

Die Kosten, zu früh dran zu sein

Es gibt auch ein unmittelbares finanzielles Risiko. Compute-Deals sind mehrjährige Verpflichtungen, und die GPU-Generationen entwickeln sich schnell. Eine Verpflichtung, die auf die heutigen Trainingsläufe zugeschnitten ist, kann in achtzehn Monaten überdimensioniert oder unterdimensioniert wirken, je nachdem, wohin sich das Feld bewegt. Figure hat darauf gewettet, dass es mehr brauchen wird, nicht weniger.

Die Wette ist verteidigbar. Die Frontier in der Robotik bewegt sich in Richtung größerer Modelle, und größere Modelle brauchen mehr Compute. Die Frage ist das Timing. Wenn die Generalisierung nach dem Zeitplan eintritt, den Figure impliziert, wirkt die frühe Verpflichtung weitsichtig. Wenn es länger dauert, trägt das Unternehmen hohe Fixkosten, während es darauf wartet, dass das Problem gelöst wird.