NEURA Robotics lancerer grundmodellen Neuron AI til fysisk AI

NEURA Robotics præsenterede Neuron AI, sin multimodale grundmodel til fysisk AI, den 14. oktober 2026 i en meddelelse fra Metzingen i Tyskland. Ifølge virksomheden forbinder modellens Perception-Language-Action-arkitektur (PLA) robottens syn, hørelse og følesans med det, den allerede har gjort, og omsætter information fra flere sanser til fysiske handlinger.

Grundlægger og administrerende direktør David Reger sagde, at intelligente robotter har brug for en hjerne, der samler deres sanser og husker tidligere hændelser. »Med Neuron AI bygger vi den fysiske verdens hjerne,« sagde han og beskrev modellen som fysisk AI, der er udviklet i Tyskland og skabt til hele verden.

På produktsiden beskrives modellen som bestående af tre dele: et perceptionslag, hvor robotten ser, mærker og hører, kender sin egen krop og modtager brugerens kommando; en sprogmodel, der samler alle input i et fælles sprogligt rum og ræsonnerer over anmodningen; og en handlingsmodel, der omsætter beslutninger til præcise og sikre robotbevægelser. I denne proces kodes hver modalitet til en fælles, tidsmæssigt synkroniseret repræsentation, inden den indgår i én handlingsstrøm.

Perception med flere sanser og hukommelse

NEURAs argument for modellen tager udgangspunkt i kameraernes begrænsninger: De registrerer geometri, farver og position, men giver ingen oplysninger om berøring, kraft eller lyd. Som det fremgår af meddelelsen, arbejder mennesker ikke udelukkende ved hjælp af synet: De mærker, når en skrue sætter sig fast, og hører, når et stik klikker på plads. Neuron AI anvender samme princip på robotter.

Virksomheden sagde, at de ekstra sanser især er vigtige ved opgaver, som kameraer ikke kan løse alene. Når en robot åbner en lås, er det kun lyd og berøring, der kan bekræfte, at den faktisk er åben, og følesansen gør det muligt for robotten at gribe fat i genstande, der er skjult for dens blik. Sanserne forbedrer også opgaver, som synet allerede kan klare: Ved svejsning kan lyden af processen indikere kvaliteten af en svejsesøm.

Modellen har også en hukommelsesfunktion. NEURA fremhæver, at det at handle i den fysiske verden kræver en forståelse af årsag og virkning samt objektpermanens – evnen til at huske genstande, når de forsvinder ud af syne, som mennesker tilegner sig i løbet af deres første to leveår. Virksomheden sagde, at en robot i modsætning til rent digital AI handler i en sammenhængende fysisk verden og over tid skal holde styr på genstande og følgerne af sine egne handlinger, ofte uden at kunne se dem. NEURA sagde, at virksomheden ændrede arkitekturen specifikt for at indføre hukommelse og træner modellen på særlige datasæt, der er udviklet til at udnytte den.

På produktsiden sammenligner virksomheden modellen med synsbaserede vision-language-action-modeller (VLA), som ifølge virksomheden er optimeret til bevægelse og hovedsageligt ræsonnerer ud fra det aktuelle billede fra kameraet. Neuron AI dækker ifølge virksomheden det samme som en VLA-model, men tilføjer berøring, lyd og hukommelse, så den også kan håndtere det, kameraerne ikke opfanger.

Tre datagrundlag og fem robotudformninger

Neuron AI trænes på tre komplementære kilder til fysisk erfaring. Robotter med forskellige udformninger løser opgaver i NEURA Gyms, virksomhedens træningsinfrastruktur til kognitive robotter og fysisk AI, samt i virkelige miljøer. Det genererer synkroniserede datastrømme med oplysninger om syn, berøring, kraft, lyd og bevægelser. NEURAs Data Amplifier og simuleringssystem udvider disse data med simulerede variationer af opgaver og miljøer. Data fra menneskelige demonstrationer indsamles fra personer, der bærer dataindsamlingsdragter med sensorer; deres registrerede bevægelser og demonstrationer af opgaver tilfører træningen praktisk ekspertise.

De tre grundlag bidrager med fysisk interaktion i virkelige omgivelser, simulerede variationer og menneskelig ekspertise og bruges ifølge virksomheden til at træne én fælles grundmodel på tværs af fem NEURA-robotudformninger med forskellige gribere og hænder. På produktsiden nævnes de fem som 4NE-1 Gen 3, 4NE-1 Gen 4, en hjulbaseret 4NE-1 og yderligere to tohåndede platforme. Her opregnes også MAiRA, MiPA, MAV+ og 4NE1 som robotfamilien, hvor én model trænes og udrulles.

Udrulning på robotten og Neuraverse-platformen

Neuron AI kører lokalt på selve robotten, står der på produktsiden: Beslutninger træffes i realtid på robotten uden en tur frem og tilbage til en server; den fortsætter med at fungere, selv uden forbindelse til skyen; og produktionsdata forbliver under kundens kontrol. Siden fremhæver dette som et vigtigt punkt for producenter i Europa.

I NEURA Gyms er dataindsamling, færdighedstræning og benchmarking koblet sammen inden udrulning, og de data og færdigheder, der skabes dér, indgår i senere modelversioner. Derefter udruller og opdaterer Neuraverse-platformen disse funktioner på tværs af robotflåder og giver kunderne værktøjer til at finjustere modellen til deres egne opgaver, så kundernes procestekniske ekspertise bliver omsat til robotfærdigheder. Færdighederne kan forblive private for kunden. Hvis en kunde deler færdigheder eller data fra udrulningen, kan disse bidrag ifølge NEURA understøtte det bredere økosystem og den fremtidige modeludvikling.

Virksomheden gør Time-to-Skill – den tid, det tager for en robot at lære en ny opgave og udføre den pålideligt – til et centralt mål for fremskridt. For industrikunder er det ifølge NEURA afgørende at forkorte denne tid for at udbrede fysisk AI til flere processer og tilpasse den, når kravene ændrer sig.

Udvikling i Tyskland og demonstrationen på GTC Berlin

Udvikling og træning foregik internt på NEURAs anlæg i Metzingen, hvor virksomheden samler robotterne, hænderne, sensorteknologien, datainfrastrukturen og AI-udviklingen, som er nødvendige for at koble modeltræning til fysisk ydeevne. NEURA oplyste, at Tysklands industrielle grundlag med komplekse produktionsprocesser, specialiseret ekspertise og krævende driftsmiljøer udgør en vigtig ramme for dette arbejde, og at datapartnerskaber med industrivirksomheder, herunder Schaeffler og Bosch, supplerer den træning, der foregår i NEURA Gyms.

På NVIDIA GTC Berlin 2026 vil NEURA demonstrere sin humanoide robot 4NE1 (»for alle«), der kører den aktuelle version af Neuron AI gennem en elleve minutter lang sekvens med håndtering af vasketøj. I sekvensen sorterer 4NE1 vasketøj, lægger det i en vaskemaskine, lukker den og åbner den igen, tager vasketøjet ud og flytter det til en tørretumbler – alt sammen uden menneskelig indgriben. Ifølge virksomheden ligger udfordringen ud over hver enkelt bevægelse: Robotten skal fastholde den relevante kontekst gennem hele sekvensen, fuldføre hvert trin og gå videre til det næste. Demonstrationen finder sted i Station-Berlin, hal 3, stand nr. 3031, fra den 20. til den 22. oktober 2026.