Ik drink door robots gemaakte koffie in San Francisco. Niets bijzonders, toch. Machines serveren bonen sinds begin 2010. Maar het ding dat de mok vasthoudt, is niet alleen een koffiezetapparaat. Het is een generalist. Een brein.
Deze specifieke eenheid vouwt ook kleding. Schilt wortels. Ook keukens schrobben. Het leert deze trucjes sneller dan de meeste peuters kunnen lopen.
Maak kennis met fysieke intelligentie. Opgericht in 2024. De pitch is simpel: bouw een brein, geen lichaam.
Andere reuzen zoals Tesla en Boston Dynamics jagen op mensachtigen. Amazon automatiseert magazijnen met single-task bots. Fysieke Intelligentie wil het besturingssysteem waarop ze allemaal draaien. Eén aanpasbare geest. Oneindige machinevormen.
In de meeste domeinen maakt het oplossen van meer problemen de zaken moeilijker. Bij AI wordt het eenvoudiger. Je beschikt over meer diverse bronnen van kennis.
Sergey Levine, een van de oprichters, zei het botweg. Hij geeft les aan Berkeley. Hij gelooft dat variatie de intelligentie voedt.
Het is hetzelfde draaiboek als de chatbot-boom. Grote Taalmodellen (LLM’s) explodeerden omdat rekenkracht en data eindelijk met goede algoritmen werden gecombineerd. Levine hoopt dat de robotica dezelfde curve zal zien. Gewoon steiler.
De geheime saus hier is het VLA -model. Visie-Taal-Actie.
Ouderwetse robotica? Leer een taak. Herhalen. Saai. Duur.
VLA’s nemen het brede gezond verstand van een LLM en zetten woorden om in spierbewegingen.
- Mens zegt: “Maak deze rotzooi schoon.”
- Robot ziet: vuile vaat, kapot speelgoed.
- Robothandelingen: grijpt de spons. Speelgoed oppakken.
Ingmar Posner uit Oxford noemt het de meest directe vertaling van LLM-opwinding. In plaats van het volgende woord te raden, raadt de robot de volgende zet.
Maar wacht.
Robots falen omdat de echte wereld rommelig is. Oneindige variaties. Niet genoeg gegevens om op te trainen. Ontwikkelaars vermijden meestal zelfstudie, omdat het verzamelen van die gegevens een hel is.
Levine is het daar niet mee eens.
Zijn team geeft les aan bots in nepomgevingen. Magazijnen veranderden in nepkeukens en slaapkamers. Ze resetten de kamers elke week. Ze sturen robots naar echte huizen.
Het doel? Generalisatie.
Het model π0.7 heeft onlangs zoete aardappelen gekookt in een airfryer. Hij had dat apparaat nog nooit eerder gezien. Mensen gaven alleen stapsgewijze gesproken instructies. Het werkte.
Levine is geschokt door de snelheid. Hij is nu twee jaar actief en de vooruitgang overtrof zijn eigen voorspellingen.
Het geld volgt de hype. Startups halen miljarden op. Amazon en Google DeepMind bouwen hun eigen vloten. Iedereen wil nu een robot voor algemeen gebruik.
Loop echter niet op de zaken vooruit.
De paradox van Moravec bestaat niet voor niets. Hans Moravec merkte in 1988 op wat nog steeds geldt: een robot logica op PhD-niveau geven is eenvoudig. Het is bijna onmogelijk om het de perceptievaardigheden van een baby te geven. Schaken? Klaar. Door een menigte lopen? Moeilijk.
Posner denkt dat we slechts de eerste tekenen zien. Implementatie in de echte wereld? Sceptisch.
Waarom?
Mensen zijn vijandig. Wij houden ervan om met robots te rommelen. Het is leuk om dingen kapot te maken.
Hij gelooft niet dat er binnenkort een schaalbaar, winstgevend bedrijfsmodel zal verschijnen.
Daniel Susskind schrijft er al over. Hoe moeten we leren wanneer AI met de logica omgaat? Welke vaardigheden overleven de verschuiving? Het antwoord staat niet in de code. Het zit in de chaos die we achterlaten zodat deze machines kunnen opruimen.
Misschien is dat de enige taak die ze als eerste echt onder de knie zullen krijgen. Omgaan met ons.
