Alibaba’s Amap Upgrades Zijn Embodied-AI-Stack voor Robots

Amap, de kaart- en locatiedienstenarm van Alibaba, heeft een volledige stack-upgrade voor ABot, het embodied-AI-systeem dat het bouwt om robots te laten navigeren in plaats van bestuurders. Aangekondigd op 22 juli 2026, bevat de update vijf nieuwe modellen die navigatie, manipulatie, redenering, langetermijngeheugen en bewegingscontrole omvatten, en Amap zegt dat de gecombineerde stack de hoogste scores behaalt op 17 benchmarks.

Wat het bedrijf heeft geleverd, is een set modellen en onderzoeksartikelen, niet een robot met een prijskaartje of een klant. Het onderscheid is belangrijk. De release beschrijft capaciteiten die worden gemeten op benchmarks, niet een machine die een dienst uitvoert op een bepaalde locatie met zijn interventies geregistreerd. De stack is bedoeld om lichaamsagnostisch te zijn, waardoor deze in humanoid-, quadruped- en wielenrobots kan worden geplaatst via uitwisselbare vaardigheden, zodat één “brein” in principe verschillende hardware kan besturen — hetzelfde cross-body-ambitie dat door de hele roboticawedstrijd heen loopt.

Wat de upgrade toevoegt

Navigatie is het onderdeel dat het dichtst bij de dagelijkse activiteiten van Amap ligt, en het model, ABot-N1, weerspiegelt dat. Het combineert een langzame module voor routeplanning met een snelle module die bewegingsopdrachten uitgeeft, en voegt een zogenaamde “pixel-level chain-of-thought” toe die wat de camera ziet koppelt aan geschreven redenering, zodat een beslissing kan worden getraceerd. Amap zegt dat ABot-N1 een stad kan doorkruisen met behulp van gewone navigatiekaarten alleen, met een succespercentage van 92,9% buitenshuis; het artikel rapporteert 95,4% in complexe binnenomgevingen en een toename van 35% in het bereiken van punten van interesse, tot 77,3%.

Manipulatie is moeilijker, en dat is waar ABot-M0.5 op gericht is: het multi-stap-proces van bewegen naar een object en het hanteren ervan, zoals het ophalen van water uit een dispenser in een kamer. In plaats van beweging en grijpen als één sequentie uit te voeren, splitst het ze op in twee actiestromen, en voegt het een trainingsmethode toe die Amap “dream self-healing” noemt, waardoor het model kan blijven acteren vanuit lawaaierige visuele voorspellingen in plaats van stil te staan bij kleine fouten. Op de RoboCasa-365-testsuite rapporteert Amap een verbetering van 20,4% op complexe taken en 10,6% op basis taken ten opzichte van het vorige beste systeem.

Twee extra modellen vormen de beslissingslaag. ABot-ER is gebouwd om te redeneren over hoe objecten, ruimtes en taken met elkaar in verband staan, in plaats van alleen te herkennen wat er in beeld is; Amap zegt dat het eerste stond op een ruimtelijke vraagbeantwoordingsbenchmark, Embodied Arena 2D-EQA, op het moment van de aankondiging. ABot-AgentOS zit boven de controllers en behandelt planning, gereedschapsgebruik, uitvoering en verificatie, met een langetermijngeheugen dat kan leren van mislukte pogingen. Een vijfde model, ABot-C0, zet die beslissingen om in beweging voor quadruped-robots. Samen richten de redenerings- en agentlagen zich op het deel van embodied AI dat de meeste systemen parten speelt: niet één enkele greep, maar het combineren van veel stappen in een lange taak zonder de draad kwijt te raken.

Benchmarks, niet implementaties

Amap heeft meer op tafel gelegd dan de meeste robotlanceringen. Het heeft artikelen voor de navigatie-, manipulatie-, agent- en bewegingscontrolemodellen op arXiv gepubliceerd en code en testsets vrijgegeven, wat controleerbaarder is dan een gemonteerde hoogtepuntenreeks. Buitenstaanders kunnen in principe het werk opnieuw uitvoeren.

De cijfers dragen nog steeds het gebruikelijke asterisk. Ze zijn de resultaten van het team, en verschillende van de benchmarks zijn door Amap geïntroduceerd samen met de modellen: ABot-N1 wordt geleverd met nieuwe punt-doel- en punt-van-interesse-tests, en het agentsysteem wordt gescoord op een benchmark die in hetzelfde artikel wordt gedefinieerd. Geen onafhankelijk laboratorium heeft de cijfers gereproduceerd, en geen van de modellen wordt geleverd met een implementatie in de praktijk — geen vlootgrootte, geen uptime, geen interventieratio die aangeeft hoe vaak een persoon moest overnemen. Die kloof scheidt een benchmarkresultaat van het “implementatiejaar” dat rivalen zoals AgiBot zijn begonnen te claimen.

Het enige fysieke anker is een quadruped-gidsrobot waarover Amap in april 2026 zei dat het deze zou sturen naar de Beijing E-Town Half Marathon. Dat is een demonstratie, niet een implementatie: één robot in een geënsceneerde omgeving zegt weinig over hoe de stack het doet in de lange staart van een echte omgeving.

Waarom een kaartbedrijf robotbreinen bouwt

Amap draait een van de grootste navigatieplatforms van China, en de inzet is dat de kaart- en punten-van-interessedata achter die dienst een voorsprong zijn op de spatiale redenering die robots nodig hebben om door de fysieke wereld te navigeren. Het bedrijf heeft een afdeling voor geïncarneerde intelligentie opgericht in januari 2026 en bracht zijn eerste navigatie- en manipulatiebasismodellen, ABot-N0 en ABot-M0, enkele weken later uit; de upgrade van juli is de tweede generatie van dat werk.

Het landt in een druk bezochte markt. Chinese ontwikkelaars, nieuwe humanoid-deelnemers en cobot-fabrikanten die robots uitrusten met generalistische AI jagen allemaal hetzelfde cross-body-fundamentenlaag, en China stort publieke en particuliere gelden in geïncarneerde intelligentie en de modellen eronder. De test die zij allemaal moeten doorstaan, is de test die Amap nog niet heeft beantwoord: of een stack die benchmarks wint, een robot kan laten werken die nuttig werk doet, onbeheerd, op een vloer die niemand van tevoren heeft ingericht. Amap heeft het eerste deel getoond. Het tweede deel is nog een claim.