De markt voor fysieke AI — kunstmatige intelligentie die in robots zit — groeit snel. Investeerders steken miljarden in bedrijven die taalmodellen en andere AI-tools willen toepassen op robots. Toch is er een groot probleem: robots worden steeds beter in bewegen, maar hebben nog te weinig verstand om echt nuttig werk te doen.

Hype, beursgang en terugval

Dat optimisme zorgde onlangs voor een grote beursgang van Unitree, een Chinese robotbouwer. Direct na de notering werd het bedrijf zeer hoog gewaardeerd, maar die waarde zakte deze week bijna gehalveerd. Analisten wijzen erop dat kopers enthousiast waren over de techniek, maar dat de robots nog niet goed genoeg zijn om waarde te creëren in echte taken.

Tegelijk groeide de belangstelling voor bijeenkomsten zoals de Actuate-conferentie, waar ontwikkelaars samenkomen om AI 'hersenen' voor robots te bouwen. De conferentie is sinds 2023 ruim drie keer zo groot geworden en trok dit jaar zo’n 1500 bezoekers. Dat laat zien hoeveel mensen en bedrijven aan dit onderwerp werken.

Het kernprobleem: te weinig goede data

Een terugkerend thema is de schaarste aan goede trainingsdata. Voor betrouwbare, algemene robots zijn veel verschillende en hoge kwaliteit voorbeelden nodig van hoe de wereld eruitziet en hoe objecten reageren. Die data bestaat nog niet in de benodigde omvang.

Ontwikkelaars proberen oplossingen die lijken op wat succesvolle AI-labs doen: ze zoeken bredere datasets, veranderen de manier van trainen en maken betere scenario’s voor beloningsgestuurd leren (reinforcement learning). Een startup die simulaties bouwt, noemt de sector in zijn huidige staat de ‘GPT‑2-fase’ — een verwijzing naar een vroege stap in taalmodellen, waarbij er nog een grote sprong nodig is naar echt gebruiksgemak.

Wat daarbij helpt, zijn realistische simulaties en zware rekenkracht, bijvoorbeeld speciale grafische chips die realistische omgevingen kunnen nabootsen. Met betere simulaties kan men meer en gevarieerdere trainingsvoorbeelden maken zonder eerst alles in de echte wereld te moeten uittesten.

Auto’s lopen voorop, maar gaan richting humanoids

De grootste koplopers zijn nog altijd autonome voertuigen. Daarbij helpt dat auto’s door echte chauffeurs veel relevante data kunnen verzamelen en dat de belangrijkste taak vaak botsingen vermijden is, in plaats van complexe manipulatie van voorwerpen.

Veel van de gereedschappen voor fysieke AI komen uit de zelfrijdende-autowereld. Sommige autobedrijven gebruiken hun investeringen in machine learning om ook aan humanoïde robots te werken. Voorbeelden zijn Tesla met zijn robot Optimus, en bedrijven als Wayve en Uber die onderzoeksafdelingen voor humanoïde vormen opzetten.

Er lopen twee opvattingen over hardware en software. Sommige ondernemers zeggen dat het nu te vroeg is om volledig op één hardwareontwerp te kiezen, omdat sensoren en onderdelen snel verbeteren. Anderen vinden dat je juist hardware en AI tegelijk moet ontwerpen om sneller tot praktische robots te komen.

Breed versus gespecialiseerd: waar zit de waarde?

Een belangrijk open punt is of robots algemeen moeten zijn of juist voor één taak. Bedrijven die zich richten op één sector zetten hun robots al buiten het lab neer. Voorbeelden:

• Gritt: robots voor zonneparken.

• Agility: robots in industriële omgevingen.

• Bedrock: autonoom graafmachines (excavators).

Die focus levert twee voordelen: je krijgt inkomsten en je verzamelt waardevolle praktijkdata. Die data is wellicht niet divers genoeg om universele robots vooruit te helpen, maar wel essentieel om een machine te maken die in één taak echt waarde toevoegt.

Tegelijk waarschuwen sommigen dat bouwen op verouderde modellen risico’s heeft: wie te smal inzet op oudere technologie kan later ingehaald worden door bedrijven die op nieuwere, krachtiger modellen bouwen.

Data-management en tools

Het verzamelen en organiseren van de enorme hoeveelheden beeld- en lidar-data is technisch uitdagend. Softwarebedrijven bouwen speciale platforms om die data doorzoekbaar te maken met natuurlijke taalzoekopdrachten, zodat ontwikkelaars sneller fouten kunnen vinden en modellen kunnen verbeteren. Dat versnelt het ontwikkelproces.

Conclusie

Fysieke AI staat duidelijk in de belangstelling en er wordt veel geld in gepompt. Maar de echte doorbraak — een robot die betrouwbaar algemene taken uitvoert zoals mensen verwachten — ontbreekt nog. Vooruitgang zal komen door twee dingen tegelijk: meer en betere trainingsdata (zowel uit simulaties als uit praktijktoepassingen) en slimme keuzes tussen algemeenheid en specialisatie. De verwachting is dat eerst sectorgerichte robots vaker in de praktijk verschijnen, en dat een bredere, consumentgerichte doorbraak later volgt, vergelijkbaar met het moment waarop consumenten echt enthousiast werden over toepassingen zoals ChatGPT.