Warum Haushaltsvideos nicht auf Facharbeit übertragen lassen sich

Die dominante Quelle menschlicher Manipulationsdaten ist 2025 nach wie vor crowdgesourctes Haushaltsvideo: jemand hebt eine Tasse hoch, stapelt Teller, faltet Wäsche. Es ist günstig zu erheben, skaliert gut und sieht plausibel aus. Auf professionelle Handwerksaufgaben überträgt es sich trotzdem schlecht — und die Gründe sind aufschlussreich.

Das Verteilungsproblem

Haushaltsaufgaben belegen nur einen schmalen Ausschnitt des Manipulationsraums. Objekte sind leicht und verzeihend; Fehler sind korrigierbar; die Aufgabenumgebung ist weitgehend unstrukturiert. Qualifizierte Facharbeit lebt in einem ganz anderen Teil der Verteilung. Ein ausgebildeter Elektriker, der Kabel durch ein Rohr führt, wendet kalibrierten Kraftschluss an, hält eine präzise Werkzeugausrichtung unter Last und trifft Einschätzungen zum Materialzustand, die für einen ungeschulten Beobachter nicht sichtbar sind.

Die Lücke betrifft nicht nur Domänenlabels. Es ist ein Unterschied im zugrundeliegenden Physikregime. Haushaltliche Manipulationen liegen überwiegend im Bereich niedriger Kraft, geringer Geschwindigkeit und unkontaktierter Führung. Elektro- und Sanitärarbeiten umfassen erzwungenen Kontakt, hohe Kraft-Gewicht-Verhältnisse und Werkzeuge, die kleine Positionsfehler in große Ausfälle übersetzen. Ein Modell, das vorwiegend auf der ersten Verteilung trainiert wurde, generalisiert nicht auf die zweite, weil die Vorhersageziele strukturell verschieden sind.

Warum Skalierung das nicht behebt

Die Intuition, dass "mehr Daten Verteilungsshift beheben", hat eine Grenze. Sie gilt, wenn die Zielverteilung eine schwerere Version derselben Verteilung ist — nicht, wenn es eine andere Verteilung ist. Zehn Millionen weitere Haushaltsepisoden fügen keinen einzigen Beleg dafür hinzu, wie eine Kabelverschraubung auf einen vorgeschriebenen Wert angezogen wird, weil diese Aktion in Haushaltsvideo schlicht nicht vorkommt.

Die analoge Fehlerform in der Bildverarbeitung war das Training allgemeiner Klassifikatoren auf ImageNet mit der Erwartung, Mikroskopiebilder klassifizieren zu können. Mehr ImageNet half nicht — es wurden andere Daten benötigt.

Was die Verteilung tatsächlich erfordert

Training auf professionellen Facharbeitsdemonstationen erfordert Aufnahmen, die das richtige Kraftregime, die richtigen Werkzeug-Objekt-Kontaktgeometrien und vor allem die Fehler- und Korrekturfälle erfassen, die Kompetenz in der Domäne ausmachen.

Ein Elektrogeselle macht Fehler und korrigiert sie. Diese Korrektursequenz — der verify-Abschnitt, der ein Fehler-Ergebnis zurückgibt, gefolgt von dem recover-Abschnitt, der den Versuch in einen bestandenen Zustand überführt — ist die aufwändigste Demonstration und die wertvollste für das Lernen. In Haushaltsvideo kommt sie nicht vor, weil Haushaltaufgaben keine formalen Erfolgskriterien haben.

Das Provenienzproblem

Es gibt ein Problem zweiter Ordnung, das Haushaltsvideo noch verschärft. Crowdgesourctes Video hat undurchsichtige Provenienz: unbekannte Aufnahmebedingungen, unbekanntes Fertigkeitsniveau der Demonstrierenden, unbekannte Aufgabenerfolgskriterien. Ein darauf trainiertes Modell lässt sich nicht befragen — Sie können nicht die Episoden herausfiltern, in denen eine bestimmte Teilaufgabe scheiterte, weil die Aufnahmen nie auf dieser Ebene annotiert wurden.

Professionelle Demonstrationen können mit expliziten Episodengrenzen, Teilaufgaben-Annotationen, Ergebnislabels und episodenweisen Provenienzeinträgen strukturiert werden. Diese Struktur macht aus Videomaterial einen Datensatz, über den ein Trainingsteam tatsächlich nachdenken kann: Sie können nach Ergebnis filtern, Fehlermodi isolieren und prüfen, dass Ihr Evaluierungssplit Demonstrierende enthält, die Ihr Trainingssplit nie gesehen hat.

Das Datenproblem in Physical AI ist nicht nur Volumen. Es sind Verteilung, Struktur und Provenienz — und diese drei Dinge erfordern von Anfang an einen anderen Erhebungsansatz.