Microduck ist ein kleiner Zweibeiner mit großem Anspruch: embodied AI so zugänglich zu machen, dass man sie kaufen, trainieren und zuhause sinnvoll verbessern kann. Das $399 Kit kombiniert einen 25 cm großen, ca. 800 g schweren Roboter (15 Motoren, Kamera, LiDAR, zwei IMUs) mit einem offenen SDK und einem Verstärkungslern-Stack. Es wird mit sieben gelernten Verhaltensweisen geliefert – Gehen, Sitzen/Stehen, Treten, Greifen, Rollschuh-Lokomotion und Selbstwiederherstellung – die in einer 50 Hz Onboard-Policy-Schleife laufen. Vorbestellungen starten mit vier Farbvarianten und optionalen Paketen (Ladegerät, Zubehör, Entwickler). Der entscheidende Wandel ist nicht nur der Preis, sondern die Entscheidung, eine Sim‑to‑Real-Pipeline zu kommerzialisieren, an der Studenten, Indie-Entwickler und Frühphasen-Teams tatsächlich ohne eigenes Robotiklabor arbeiten können.

Der Trainingsablauf ist so gestaltet, dass er ML-Praktikern vertraut ist: Policies werden in einem MuJoCo-Physiksimulator auf dem eigenen Rechner oder über gehostete Jobs gelernt, mit einem Schritt auf die Hardware übertragen, die Simulation verfeinert und der Prozess wiederholt. Da Verhaltensweisen erstklassige Policies sind, können Sie diese abzweigen, neu trainieren und Ihre Verbesserungen zurück an die Community veröffentlichen. So wird aus einer früher fragilen, laborspezifischen Pipeline ein standardisierter Kreislauf, bei dem Reproduzierbarkeit, Umgebungsrandomisierung und Belohnungsgestaltung bewusste Hebel sind – keine versteckte Kunst. Für Teams, die Lokomotion, einfache Greifbewegungen oder Curriculum Learning erforschen, bietet Microduck eine gemeinsame Basis, um Ansätze zu vergleichen, ohne die Hardware neu erfinden zu müssen.

Warum das jetzt wichtig ist: Embodied AI wandelt sich von einer Vision zur Praxis. Mit Microduck kann ein einzelner Entwickler kurze RL-Experimente durchführen, sie am selben Tag auf die Hardware bringen und reale Fehlersignale – Rutschen, Drift, Nachgiebigkeit, Sensorsignalrauschen – ohne Laboraufwand erhalten. Das beschleunigt Lernzyklen, verbessert Talentpools und macht Leistungsengpässe (Policy-Stabilität, Geländetauglichkeit, Energieverbrauch) früher im Projekt sichtbar. Für die Ausbildung ermöglicht es praxisnahe Module zu Steuerung, Wahrnehmung, Belohnungsgestaltung und Überbrückung der Sim‑to‑Real-Lücke. Für Gründer verbessert sich die Kalkulation: moderates Kapital, OSS-Lizenzierung, Ersatzteilverfügbarkeit und eine Community-Policy-Bibliothek, auf der man aufbauen kann, nicht nur lesen.

Käufer sollten dennoch wie Ingenieure planen. Erwarten Sie Iterationszyklen, die Belohnungsanpassungen, Domain-Randomisierung und mechanische Wartung umfassen. Oberflächen, Schuhwerk (Roller vs. Füße) und Nutzlasten beeinflussen Stabilität und Akkulaufzeit. Die gute Nachricht: Das Entwicklerpaket ist auf Basteln mit Ersatzmotoren, Kabeln, Batterien und Werkzeugen ausgelegt, während NFC-Tags und Controller-Eingaben das Verhaltenwechseln vereinfachen. Betrachten Sie Microduck als Testplattform – protokollieren Sie Policies, verfolgen Sie Episoden-Renditen und Sturzraten und achten Sie bewusst auf Sicherheitsbereiche. Mit dieser Einstellung wird die Plattform zu einer langlebigen Einstiegsmöglichkeit für robustes Sim‑to‑Real-Praktizieren statt nur einem weiteren Desktop-Gadget.