Fysieke AI: wanneer kunstmatige intelligentie een lichaam krijgt
Stel je een lasrobot in een autofabriek voor: die herhaalt precies dezelfde beweging, duizenden keren per dag, en kan niets anders. Fysieke AI is het tegenovergestelde idee. Het is kunstmatige intelligentie die, net als ChatGPT met taal, leert om de fysieke wereld te begrijpen en er zelfstandig in te handelen: objecten herkennen, inschatten hoe zwaar iets is, een deur openduwen die net iets klemt, of een net iets andere kop koffie inschenken dan de vorige keer. Waar een gewone robot een vast script volgt, probeert fysieke AI te improviseren op basis van wat ze ziet en voelt.
De term is de afgelopen jaren vooral bekend geworden dankzij chipmaker NVIDIA, die fysieke AI presenteert als de "volgende golf" na de taalmodellen die chatbots aandrijven. Het onderliggende idee: net zoals een taalmodel taal leert door miljarden zinnen te lezen, moet een fysiek AI-systeem "gezond verstand" over de fysieke wereld leren — zwaartekracht, wrijving, dat een glas breekt als het valt — door te bewegen, te proberen en te falen, vaak eerst in een computersimulatie voordat het echte robots aanstuurt.
Wat is het precies?
Fysieke AI is geen los product, maar een combinatie van drie onderdelen die samen een robot, drone of zelfrijdende auto "intelligent" maken.
Ten eerste is er perceptie: sensoren zoals camera's, lidar (een soort laserradar) en tastsensoren leveren ruwe data over de omgeving. Een AI-model zet die data om in begrip: dit is een kopje, dat staat op een tafel, de tafel is stabiel.
Ten tweede is er een wereldmodel, oftewel een intern "begrip" van hoe de fysieke wereld werkt: wat er gebeurt als je duwt, tilt of loslaat. Dit wordt vaak eerst getraind in simulatiesoftware, waarin duizenden variaties van een taak razendsnel en veilig geoefend kunnen worden, voordat het model op een echte robot wordt losgelaten. Dit heet sim-to-real: van simulatie naar realiteit. Het is lastig omdat een simulatie nooit perfect overeenkomt met de echte wereld, waar vloeren gladder zijn dan verwacht of materialen net anders buigen.
Ten derde is er actie en besturing: het model moet zijn begrip omzetten in concrete motorbewegingen, in een fractie van een seconde, en blijven bijsturen als iets niet gaat zoals gepland. Dit noemen onderzoekers wel een "vision-language-action"-model (VLA): het ziet een beeld, begrijpt een gesproken of geschreven opdracht, en zet dat om in een reeks bewegingen.
Wat wil men ermee bereiken?
De belofte is een generatie robots die niet langer geprogrammeerd hoeft te worden voor elke afzonderlijke taak, maar die net als een mens nieuwe klussen kan leren door te kijken en te oefenen. Dat zou robots bruikbaar maken buiten de strak gecontroleerde fabriekshal: in magazijnen met wisselende dozen, in ziekenhuizen, of uiteindelijk in huishoudens.
Een tweede drijfveer is economisch. Veel landen kampen met krapte op de arbeidsmarkt in fysiek werk zoals magazijnwerk, verzorging en logistiek. Bedrijven en overheden zien fysieke AI als een manier om dat gat te dichten, al is het maar gedeeltelijk.
Een derde motief komt van de chip- en softwareindustrie zelf: na de razendsnelle groei van taalmodellen zoeken bedrijven als NVIDIA een volgend groot toepassingsgebied voor hun rekenkracht, en robotica wordt daarbij expliciet genoemd als groeimarkt.
Voorbeelden uit de praktijk
Verschillende bedrijven experimenteren al met concrete systemen, meestal nog in beperkte, gecontroleerde omgevingen.
Figure AI toonde in 2023 zijn eerste mensvormige robot Figure 01 en werkte korte tijd samen met OpenAI om taal- en visiemodellen te koppelen aan de robot. In 2024 volgde Figure 02, met testtaken bij autofabrikant BMW in de Verenigde Staten. Het bedrijf ontwikkelde daarna een eigen actiemodel, Helix, om minder afhankelijk te zijn van externe AI-leveranciers.
Tesla werkt sinds 2021 aan de mensvormige robot Optimus. Elon Musk toonde in december 2023 een tweede generatie met verbeterde handen en balans. Tesla noemt Optimus herhaaldelijk als toekomstig speerpunt, maar grootschalige productie is meermaals uitgesteld; een deel van de gedemonstreerde bewegingen bleek achteraf (deels) op afstand bestuurd, wat laat zien hoe voorzichtig je demo's moet interpreteren.
Agility Robotics zette zijn tweebenige robot Digit vanaf 2023 daadwerkelijk aan het werk in een distributiecentrum van logistiek bedrijf GXO in de VS, waar Digit dozen verplaatst. Dit is een van de weinige gevallen waarin een mensvormige robot buiten een lab commercieel wordt ingezet, zij het op beperkte schaal.
NVIDIA presenteerde in 2024 het open robot-basismodel GR00T en in 2025 het wereldmodel Cosmos, dat bedoeld is om robots te trainen op synthetische video van fysieke situaties. Deze modellen worden niet zelf als robot verkocht, maar als bouwstenen die andere robotbedrijven kunnen gebruiken.
Google DeepMind presenteerde in 2023 RT-2 en bouwde dat verder uit tot Gemini Robotics, gepresenteerd in 2025: een versie van het Gemini-taalmodel die direct robotarmen kan aansturen op basis van camerabeelden en gesproken instructies.
Hoe ver is de techniek?
Fysieke AI bevindt zich duidelijk in een vroege, experimentele fase, ook al suggereren gelikte productvideo's soms anders. Taken die voor mensen triviaal zijn — een vaatwasser inruimen, een onbekende deurklink openen, in een rommelige kamer iets terugvinden — blijven voor robots lastig omdat de wereld buiten het lab enorm variabel is.
De grootste knelpunten zijn technisch van aard. Er is veel minder bruikbare trainingsdata over fysieke interacties dan er tekst op internet staat voor taalmodellen; robots moeten die data vaak zelf genereren door te oefenen, wat traag en duur is. De sim-to-real-kloof blijft een probleem: wat in simulatie werkt, faalt soms onverwacht in de praktijk. Daarnaast zijn veiligheid en betrouwbaarheid cruciaal zodra robots naast mensen werken, wat de toelating tot bijvoorbeeld zorg of woonhuizen vertraagt. Ten slotte zijn mensvormige robots nog duur, met kosten die per exemplaar vaak in de tientallen- tot honderdduizenden dollars lopen.
Het duidelijkste succes tot nu toe zit in afgebakende, voorspelbare omgevingen zoals magazijnen, waar robots als Digit al draaien. Inzet in echt onvoorspelbare omgevingen, zoals privéwoningen, staat nog grotendeels in de testfase. Sommige onderzoekers vergelijken de huidige staat van robotica-AI met de allervroegste jaren van taalmodellen: veelbelovend, snel verbeterend, maar nog ver van algemene inzetbaarheid.
Wie werken eraan?
De ontwikkeling wordt aangedreven door een mix van chipmakers, techbedrijven, gespecialiseerde robotstartups en universiteiten.
NVIDIA levert met platforms als Isaac, Omniverse, GR00T en de robot-chip Jetson Thor de rekeninfrastructuur en basismodellen die veel andere spelers gebruiken. Google DeepMind en OpenAI (dat investeerde in onder meer Figure AI en 1X Technologies) brengen hun ervaring met taalmodellen mee naar robotbesturing.
Onder de robotbouwers vallen Boston Dynamics (VS, eigendom van het Zuid-Koreaanse Hyundai, bekend van de Atlas-robot), Tesla, Figure AI en het Noorse 1X Technologies (met thuisrobot NEO) op. In China ontwikkelt Unitree relatief goedkope mensvormige robots, en investeert de overheid actief in robotica als strategische sector.
Op onderzoeksgebied spelen Amerikaanse universiteiten als Stanford, Carnegie Mellon en UC Berkeley een grote rol in robot-leren, vaak in nauwe samenwerking met de genoemde bedrijven. Europa loopt hier vooralsnog minder voorop, al investeren onder meer Duitsland en de Europese Unie in robotica-onderzoeksprogramma's.