De wedloop om een capabele humanoïde robot te bouwen, gaat steeds minder over hardware en steeds meer over een fundamentele filosofische kwestie: wat is de beste manier om een machine iets te leren? Aan de ene kant heb je bedrijven als Sunday, die vol inzetten op een leger van menselijke leermeesters. Aan de andere kant hopen giganten als Tesla en Nvidia dat hun robots kunnen leren door simpelweg naar YouTube te kijken. Deze strategische tweedeling definieert het hele veld, en de meningen over het juiste antwoord zijn nogal verdeeld.
Sunday zet vol in op imitatieleer en voorziet 500 ‘geheugenontwikkelaars’ van speciale handschoenen om minutieus hoogwaardige data vast te leggen voor elk denkbaar karwei. Het bedrijf beweert dat deze methode hen in staat stelt om elke één tot twee weken een nieuwe taak te trainen en te evalueren, waarmee ze naar eigen zeggen de “snelst lerende robot ter wereld” creëren. Het is een hands-on, ambachtelijke benadering van dataverzameling, waarbij kwaliteit prevaleert boven pure kwantiteit.
Dit mensgerichte model kent echter variaties. De Noorse firma 1X Technologies maakt ook gebruik van menselijke begeleiding, maar in plaats van handschoenen en zorgvuldig samengestelde sessies, zetten zij hun 1X Neo: Je AI-butler is hier, voor een prijs robots direct in in realistische scenario’s om te leren via teleoperatie. Het is minder een klaslokaal en meer een stage op de werkvloer. Ondertussen bouwt Figure aan fysieke ‘Neura Gyms’, gestructureerde omgevingen waar hun robots kunnen trainen op specifieke taken, soms in samenwerking met bedrijven als BMW.
Dan is er het kamp van de ‘kijk-en-leer’-methode. Tesla is openlijk over zijn doel dat de Optimus-bot taken moet leren door simpelweg video’s te observeren van mensen die ze uitvoeren. Nvidia maakt, met zijn NVIDIA bouwt Matrix voor robots met Cosmos platform, ook gebruik van simulatie en enorme, internetbrede videodata om zijn fundamentele modellen voor robotica te trainen. Deze methode belooft een immense schaal — er zijn meer uren aan ‘hoe-doe-je-dat’-video’s online dan welk team van geheugenontwikkelaars ooit zou kunnen produceren — maar het worstelt met context, belichaming en de pure ruis van ongestructureerde data.
Waarom is dit belangrijk?
De scheuring in de trainingsmethodologie vertegenwoordigt de grootste hindernis voor het creëren van een werkelijk algemeen inzetbare robot. De kern van het debat is een klassiek kwaliteits- versus kwantiteitsprobleem, versterkt door de complexiteit van fysieke interactie.
Is een minutieus samengestelde, hoogwaardige dataset van menselijke demonstranten — zoals die Sunday AI slaat robotpoppen over, leert klusjes met de hand aan het bouwen is — de sleutel tot betrouwbare taakuitvoering? Of zal de pure, chaotische massa aan internetdata uiteindelijk een robuustere en schaalbaardere weg naar intelligentie bieden, zoals Tesla en Nvidia geloven? Het bedrijf dat deze schaalbare leerpuzzel oplost, zal niet alleen een betere robot bouwen; het zal waarschijnlijk het komende decennium van kunstmatige intelligentie en automatisering definiëren.
