Belichaamde intelligentie: waarom AI misschien een lichaam nodig heeft
Stel je een kind voor dat leert een bal te vangen. Niemand geeft het kind een wiskundige formule voor de baan van het object; het kind leert door te vallen, te missen, opnieuw te proberen en voortdurend zijn handen, ogen en evenwichtsgevoel op elkaar af te stemmen. Die manier van leren — via een lichaam dat continu met de wereld in aanraking komt — staat centraal in het onderzoeksveld belichaamde intelligentie (in het Engels: embodied intelligence of embodied AI).
Het idee is dat intelligentie niet alleen in een brein of een rekenmodel zit, maar mede ontstaat uit de wisselwerking tussen een lichaam, zijn sensoren, zijn spieren of motoren, en de fysieke omgeving. Een tekst-AI zoals een chatbot kent geen zwaartekracht, geen wrijving en geen gewicht; die kent alleen taal. Belichaamde intelligentie draait om systemen — meestal robots — die moeten leren bewegen, grijpen, balanceren en handelen in de echte, rommelige wereld. Dat blijkt verrassend veel lastiger dan knappe teksten of plaatjes genereren.
Wat is het precies?
Klassieke kunstmatige intelligentie, zoals grote taalmodellen, werkt met patronen in tekst of beeld die al bestaan: het model leert van miljarden voorbeelden die mensen al hebben vastgelegd. Een belichaamd systeem heeft dat voordeel niet. Het moet zelf ervaring opdoen door te bewegen, te voelen wat er gebeurt, en daarop te reageren. Onderzoekers noemen dit een sensomotorische lus: sensoren (camera's, aanraaksensoren, gyroscopen) leveren informatie, een besturingssysteem beslist wat te doen, motoren voeren die beslissing uit, en het resultaat verandert opnieuw wat de sensoren waarnemen. Die lus draait continu en razendsnel.
Een tweede kernidee is morfologische computatie: het lichaam zelf neemt een deel van het denkwerk over. De veerkrachtige pezen in een robotbeen kunnen bijvoorbeeld vanzelf schokken opvangen, zonder dat een processor daar expliciet voor hoeft te rekenen. De vorm en het materiaal van een lichaam bepalen dus mede hoe ‘slim’ een systeem zich kan gedragen, nog voordat er een enkele berekening is gedaan.
Om te leren, gebruiken onderzoekers vaak reinforcement learning (leren door beloning en straf, vergelijkbaar met het trainen van een hond): een robot probeert iets, krijgt een score voor hoe goed dat ging, en past zijn gedrag geleidelijk aan. Omdat het in de echte wereld oefenen traag, duur en soms gevaarlijk is, trainen de meeste teams eerst in een simulatie — een digitale nabootsing van de fysica — waarna de aangeleerde vaardigheden worden overgezet naar een echte robot. Die overstap heet sim-to-real transfer en blijft een van de grootste technische knelpunten, omdat een simulatie nooit alle wrijving, slijtage en onvoorspelbaarheid van de echte wereld precies nabootst.
Sinds 2023 combineren onderzoekers dit met zogeheten vision-language-action-modellen: AI-systemen die, net als een taalmodel, getraind zijn op enorme hoeveelheden tekst en beeld, maar die daarnaast leren om die kennis te vertalen naar concrete bewegingen. Zo'n model kan bijvoorbeeld de gesproken opdracht ‘pak de rode beker’ combineren met camerabeelden en dat omzetten in een reeks motorcommando's.
Wat wil men ermee bereiken?
De belangrijkste belofte is generalisatie: robots die niet slechts één vooraf geprogrammeerde taak op één vaste plek uitvoeren — zoals de klassieke lasrobot in een autofabriek — maar die zich kunnen aanpassen aan wisselende omgevingen, voorwerpen en opdrachten. Denk aan een huishoudrobot die met een onbekende keuken moet omgaan, of een magazijnrobot die tussen duizenden verschillende, nooit eerder geziene producten moet kiezen.
Er is ook een wetenschappelijke motivatie. Sommige onderzoekers, zoals de Amerikaanse robotica-pionier Rodney Brooks, betoogden al in de jaren negentig dat ‘echte’ intelligentie waarschijnlijk niet los te maken is van een fysiek lichaam dat in de wereld staat: denken zonder lichaam zou volgens hen een beperkte, misschien zelfs misleidende vorm van intelligentie opleveren. Deze gedachte staat in contrast met decennia AI-onderzoek dat zich vooral richtte op abstract redeneren, schaken of taal, los van elke fysieke context.
Daarnaast spelen economische belangen een grote rol. Vergrijzing, personeelstekorten in de zorg en logistiek, en de wens om gevaarlijk of zwaar werk te automatiseren, maken bruikbare, flexibele robots aantrekkelijk voor bedrijven en overheden. Belichaamde AI wordt daarom vaak gepresenteerd als de brug tussen de taal- en beeldrevolutie van de afgelopen jaren en een volgende golf: AI die ook fysiek iets voor je doet.
Voorbeelden uit de praktijk
Een bekend voorbeeld is Atlas van het Amerikaanse bedrijf Boston Dynamics, een tweebenige humanoïde robot die al jaren dient als demonstratieplatform voor balans en behendigheid; in 2024 presenteerde het bedrijf een volledig elektrische, sterk vernieuwde versie die de oudere, hydraulische uitvoering moet opvolgen.
Het Amerikaanse start-up Figure AI ontwikkelt sinds 2023 humanoïde robots (Figure 01 en later Figure 02) gericht op magazijn- en fabriekswerk, en werkte samen met OpenAI om spraak- en taalvaardigheden aan de robot te koppelen.
Het Noorse bedrijf 1X Technologies, met steun van onder meer OpenAI, ontwikkelt een humanoïde robot genaamd NEO, bedoeld voor gebruik in en om het huis; het bedrijf benadrukt dat dit voorlopig vooral experimenteel en kleinschalig is.
Chipmaker NVIDIA introduceerde in maart 2024 het initiatief Project GR00T, een zogeheten foundation model (een breed voorgetraind basismodel) speciaal voor humanoïde robots, samen met simulatiesoftware waarin robotmakers hun ontwerpen virtueel kunnen trainen voordat ze fysiek gebouwd worden.
Ook Google DeepMind publiceerde in 2023 onderzoek naar modellen als RT-2, die laten zien hoe een robot geschreven of gesproken instructies kan combineren met camerabeelden om nieuwe, nooit eerder getrainde handelingen uit te voeren.
Hoe ver is de techniek?
Belichaamde AI bevindt zich duidelijk in een vroeg, experimenteel stadium. De meeste getoonde robots zijn demonstraties of kleine pilots bij een handvol klanten, geen grootschalige, betrouwbare inzet. Vergeleken met taal- en beeldmodellen loopt de robotica achter, vooral omdat er veel minder trainingsdata beschikbaar is: het internet staat vol tekst en foto's, maar er bestaat geen vergelijkbare berg aan opgenomen, gelabelde robotbewegingen.
Sinds 2023-2024 is wel een duidelijke versnelling zichtbaar, doordat onderzoekers de aanpak van grote taalmodellen — eerst breed voortrainen, dan verfijnen voor specifieke taken — overzetten naar robotbesturing. Dat heeft geleid tot robots die iets beter omgaan met onbekende voorwerpen en omgevingen dan de sterk beperkte, vooraf geprogrammeerde systemen van tien jaar geleden.
De obstakels blijven echter fors: batterijen die snel leeg raken, motoren en actuatoren die duur zijn en slijten, veiligheidsrisico's bij robots die rond mensen bewegen, en het onopgeloste probleem van betrouwbare generalisatie — een robot die in het ene magazijn goed werkt, faalt vaak zodra de verlichting, vloer of producten net anders zijn. Experts binnen het veld zijn het erover eens dat het nog jaren, en volgens sommigen eerder tientallen jaren, kan duren voordat humanoïde robots op grote schaal en zonder toezicht inzetbaar zijn; harde voorspellingen daarover moeten met de nodige scepsis worden bekeken, omdat de sector een geschiedenis heeft van te optimistische tijdlijnen.
Wie werken eraan?
Naast de eerder genoemde bedrijven — Boston Dynamics (eigendom van het Zuid-Koreaanse Hyundai), Figure AI, 1X Technologies, NVIDIA en Google DeepMind — investeert ook Tesla in een eigen humanoïde robot, Optimus, en werkt het Amerikaanse Agility Robotics aan de robot Digit voor magazijntoepassingen. In China ontwikkelt Unitree relatief betaalbare humanoïde en viervoetige robots, en groeit de belangstelling vanuit de Chinese overheid voor robotica als strategische sector.
Op onderzoeksgebied spelen universiteiten een grote rol: het MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) in de Verenigde Staten bouwt voort op het werk van pionier Rodney Brooks, terwijl UC Berkeley en Stanford University bekendstaan om onderzoek naar robotleren en simulatie. In Europa doet de ETH Zürich in Zwitserland gerenommeerd onderzoek naar looprobots en balans. Landen als de Verenigde Staten, China, Japan en Zuid-Korea investeren het meest zichtbaar in deze technologie, mede via samenwerkingen tussen grote industriële bedrijven (zoals Hyundai) en gespecialiseerde robotica-start-ups.