Der Davos Tech Summit 2026 stand unter dem Motto „Touching Intelligence“ — und meinte das wörtlich. Statt nur über KI zu reden, verwandelte sich die Stadt vier Tage lang in eine „Robot City“ mit über 55 Systemen zwischen Humanoiden, Vierbeinern und autonomen Fahrzeugen. Der chinesische Hersteller Pudu Robotics hat dabei etwas gemacht, das interessanter ist als jede Keynote: Er hat vier seiner Serviceroboter einfach in den echten Alltag gestellt. Ein CC1 Pro putzte den Boden im SPAR-Supermarkt, FlashBot Max und BellaBot Pro kümmerten sich im Hilton um Zimmerservice und Gästebetreuung, ein MT1 Max wischte den Bahnhofsvorplatz. Kein Demo-Bühnenbild, sondern Schichtbetrieb. Das Spannende daran ist aber nicht die Hardware.
Pudu Robotics hat im Juni ein „Foundation Model“ für Roboter plus die passende Agenten-Plattform als sozusagen Betriebssystem für Roboterflotten vorgestellt. Es besteht aus PuduFM und PuduAgent.
PuduFM kombiniert ein „Physical Intuition Model“ (sagt physikalische Konsequenzen voraus, bevor sie passieren — kippt eine Tasse, reagiert der Roboter, bevor sie fällt) mit einem klassischen Vision-Language-Action-Modell, beide in einem gemeinsamen latenten Raum. Sprich: Sprache, Bild und Handlung laufen nicht mehr getrennt nebeneinander her, sondern durch dieselbe „Denkstruktur“.
PuduAgent ist die Softwareschicht darüber — mit Gedächtnis (drei Ebenen: Arbeits-, episodisches und komprimiertes Erfahrungsgedächtnis) und Aufgabenplanung, die laut Pudu bei Aufgaben über 30 Minuten Dauer die Fehlerquote deutlich unter die früheren ~40 % drückt.
Der Clou: Dasselbe „Gehirn“ steuert Lieferroboter, Reinigungsroboter, Industrie-AMRs und den humanoiden D9 — ein Trainingsfortschritt bei einem Robotertyp fließt direkt in alle anderen zurück. Genau das Muster, das man von LLM-Foundation-Models kennt, nur eben für Körper statt für Text.
Das ist im Kern dieselbe Wette, die auch OpenAI, Google DeepMind (mit Gemini Robotics) und Figure gerade eingehen: Ein generalisierendes Modell schlägt am Ende hunderte spezialisierter Einzellösungen — nur dass Pudu bereits über 130.000 ausgelieferte Einheiten in 85+ Ländern als Trainingsdatenquelle hat. Das ist der eigentliche Vorsprung: nicht das Modell an sich, sondern die Flotte, die es tagtäglich füttert.
Der Markt zieht entsprechend an: Der Markt für Hospitality-Roboter soll von rund 0,76 Mrd. US$ (2026) auf 2,23 Mrd. bis 2031 wachsen (CAGR ~24 %), der US-Markt für kommerzielle Reinigungsroboter von 657 Mio. auf über 5 Mrd. US$ bis 2035. Getrieben wird das nicht in erster Linie von Science-Fiction-Ambitionen, sondern von ziemlich banalen Problemen: Personalmangel in Reinigung und Gastgewerbe, steigende Lohnkosten, Hygieneanforderungen. Pudu selbst positioniert sich hier klar als Marktführer mit ~23 % Anteil am globalen Servicerobotik-Markt. Während alle auf humanoide Roboter beim Fußball, Marathon oder Parcour sehen, und sich amüsieren über deren (noch) Unbeholfenheit bei solche Spitzenanforderungen, geht es im Aufmerksamkeitsschatten längst um echte Wertschöpfung im Bereich einfacher Arbeiten.
Doch so beeindruckend das alles ist, die „physische KI“-Erzählung hat dieselben blinden Flecken wie die Sprachmodell-Debatte. Wie belastbar sind Pudus eigene Fehlerquoten-Angaben ohne unabhängige Prüfung? Was passiert, wenn ein „Foundation Model“ für Roboter in einer Umgebung versagt, die nicht in den Trainingsdaten war — ein Sturz mit 40 kg Metall ist etwas anderes als eine halluzinierte Textantwort. Und: Skaliert dieses Geschäftsmodell wirklich, oder bleibt es wie bei vielen „AI-in-everything“-Wellen bei beeindruckenden Pilotprojekten in Davos, während der Rollout in der Fläche zäh bleibt? Das sollte man unserer Meinung nach gut recherchieren, bevor es in die nächste Investorenpräsentation mit „physical AI“ im Titel geht.