Binnen de nieuwe robotica-race: data, modellen en fabricage

Innovatie ontstaat zelden in isolement. Meestal wordt het geboren in gesprekken tussen ingenieurs, oprichters, onderzoekers en investeerders die proberen te begrijpen waar de technologie naartoe gaat.

Gedurende een jaar bezocht ik tientallen conferenties over de hele wereld. Zakenreizen duren soms maanden en ontmoetingen met partners en klanten vinden plaats van Azië tot Noord-Amerika. Maar een van mijn recente reizen naar Zwitserland bleek bijzonder interessant – vooral vanwege de mensen en de gesprekken die daar plaatsvonden.

Zürich bleek een van de plaatsen te zijn waar de toekomst van robotica en Physical AI actief wordt besproken. En hoe dieper deze gesprekken gaan, des te duidelijker wordt dat de echte race in robotica zich afspeelt rondom data.

Europa’s Silicon Valley

Zürich wordt traditioneel geassocieerd met de financiële sector, maar in recente jaren is het steeds vaker Europa’s Silicon Valley genoemd. Een groot deel van deze reputatie is verbonden met de ETH Zürich, een van de meest gerespecteerde technische universiteiten in Europa. Het trekt onderzoekers, PhD-studenten, ondernemers en ingenieurs van over de hele wereld aan. Als gevolg hiervan is er een krachtig technologisch ecosysteem gevormd rond de universiteit, waar onderzoek, start-ups en industriële projecten bijna gelijktijdig evolueren.

Een van de redenen voor mijn reis was om een dieper begrip te krijgen van wat Introspector de robotica-markt te bieden heeft, die sinds het begin van 2025 een boom heeft doorgemaakt. Het is een industrie waarin een breed scala aan start-ups probeert binnen te komen, terwijl technologische doorbraken van grote technologiebedrijven de industrie actief herschikken. Toch roept de sector, ondanks alle momentum, nog meer vragen op dan antwoorden.

Zürich is ook de thuisbasis van onze partners Lightly, die me hebben geholpen om collega’s te ontmoeten die werken aan het snijvlak van robotica, computerzicht en AI. Er is één belangrijk aspect van het lokale technologie-ecosysteem dat ik wil benadrukken: mensen hier zijn opvallend open en gastvrij. Ze zijn niet bang om hun ideeën en hypothesen te delen, om te praten over de uitdagingen die ze proberen op te lossen en de experimenten die ze uitvoeren. Als gevolg daarvan begrijp je de echte context van de markt en waar de industrie naartoe gaat veel sneller.

Overigens, wanneer mensen me vragen hoe het Europese “Silicon Valley” verschilt van het Amerikaanse, verbaast het antwoord hen vaak. In Zürich voelt de balans tussen werk en leven veel sterker: sporten in de ochtend, gefocust werken overdag in een rustig maar productief ritme, en avonden doorgebracht in de bergen met familie of gewoon ontspannen. In San Francisco is er vaak een gevoel dat je constant moet bewijzen dat je harder werkt dan iedereen anders. In Zürich is het tempo anders – duurzamer. Toch is het niveau van technologische ambitie hier niet lager.

Beter data voor betere robots

Een van de belangrijkste conclusies uit deze reis was een vrij eenvoudige observatie: veel mensen willen vandaag de dag in de robotica werken. Maar ondanks het enorme interesse in de industrie, zijn veel teams nog steeds in een exploratiefase, proberen te begrijpen welke rol ze kunnen spelen in de nieuwe golf van robotica en Physical AI, en welke bijdrage ze kunnen leveren.

Veel gesprekken komen uiteindelijk samen op hetzelfde onderwerp: data. Vandaag de dag ontbreekt het de industrie aan data over dexteriteitstaken, d.w.z. fijne motorische vaardigheden. Op dit gebied blijven de mogelijkheden van robots extreem beperkt. Wat mensen met hun handen bijna automatisch doen – een object oppakken, draaien, zorgvuldig ergens neerzetten of een kleine manipulatie uitvoeren – blijft een van de moeilijkste taken voor robots.

De sleutel tot vooruitgang ligt voornamelijk in grote, goed verzamelde datasets. Vandaag de dag praten mensen vaak over egocentrische datasets, opgenomen vanuit een eerstepersoonsperspectief, waarin het systeem menselijke acties vastlegt alsof het ze zelf uitvoert. Maar in de praktijk blijkt dat het concept van een “egocentrische dataset” heel verschillende dingen kan betekenen en een aantal technische vragen oproept. Waar moet de camera worden geplaatst? Op het voorhoofd, op de borst of misschien op ooghoogte? Welke sensoren moeten de video-opname vergezellen? Als we handbewegingen vastleggen, moeten operators speciale handschoenen gebruiken? En als dat zo is, moeten die handschoenen tactiele sensoren, gyroscopen of andere bewegingstrackingsystemen bevatten?

Een nog complexere vraag doemt op: hoe moet de diepte van de beweging goed worden vastgelegd? Het is immers belangrijk om niet alleen de positie van een hand in een tweedimensionaal vlak te begrijpen, maar ook hoe het zich door de driedimensionale ruimte beweegt – naar voren, naar achteren, omhoog of omlaag.

Tot nu toe heeft de industrie nog geen eenduidig antwoord bereikt. Daarom experimenteren veel teams vandaag de dag met verschillende sensorkonfiguratie, opname-methoden en datasetformaten.

Multimodale systemen

Zodra het gesprek over dataverzameling voor robotica begint, komt een ander onderwerp snel naar voren – additionele sensoren en multimodaliteit, die het vastleggen van lichaamsbewegingen, handacties en objectinteracties met grotere precisie mogelijk maken. Ze helpen ook om fouten tijdens de dataverzameling te verminderen.

Wanneer iemand zijn acties op camera vastlegt, is er altijd een risico dat een deel van het materiaal onbruikbaar is. De camera kan een beetje verschuiven, het schietangle kan onjuist zijn, de operator kan per ongeluk de verkeerde kant op draaien of de operator kan een beweging te snel uitvoeren. Als gevolg daarvan wordt een aanzienlijk deel van het opgenomen materiaal weggegooid. Een eenvoudig voorbeeld: om één uur echt bruikbare video te krijgen, moet een operator vaak ongeveer twee uur aan ruwe beelden opnemen.

Additional sensoren helpen om enkele van deze problemen te compenseren. Zelfs als de camera een beetje verschuift, kan sensordata het nog steeds mogelijk maken om de beweging van de hand of de positie van het lichaam in de ruimte te reconstrueren. Als gevolg daarvan kan in plaats van twee uur opname ongeveer één uur en twintig minuten nodig zijn om dezelfde hoeveelheid bruikbare data te verkrijgen. Dit verhoogt de efficiëntie van de dataverzameling en vermindert de kosten van het creëren ervan.

Daarom is het geen toeval dat veel teams ook een groeiende interesse opmerken in multimodale datannotatie. Dit is een van de meer zichtbare trends die rechtstreeks verbonden zijn met de ontwikkeling van robotica en geïncorporeerde AI.

Het volgende punt is het labelen van dergelijke datasets. We hebben soortgelijke vragen ontmoet bij Keymakr bij het werken met client-datasets voor robotica-gevallen: hoe moet een dergelijke annotatie er in de praktijk uitzien? Moet het skeletachtig zijn? Tweedimensionaal of driedimensionaal? Moeten elementen van versterkingsleren in de pipeline worden opgenomen? Er zijn tientallen van dergelijke vragen. Ingenieurs geven zelf toe dat niemand nog met zekerheid kan zeggen welke specifieke datconfiguratie uiteindelijk tot een echte technologische doorbraak zal leiden.

Deze zorgen zijn begrijpelijk. Het opbouwen van complexe datasets is een dure procedure. Elke fout in de datstructuur kan duizenden of zelfs miljoenen dollars kosten. Het is mogelijk om de “verkeerde” dataset te verzamelen of op te nemen onder omstandigheden die moeilijk te reproduceren zijn in de echte wereld, waardoor uiteindelijk het hele project wordt ondermijnd. Daarom wordt vandaag de dag steeds meer aandacht besteed aan zowel de modellen zelf als de kwaliteit en architectuur van de data waarop die modellen worden getraind.

Wat voor soort robots heeft de markt nodig?

Klassieke industriële robots, die al decennialang op automontagelijnen werken, hebben eigenlijk weinig computerzicht of complexe AI-modellen nodig. Hun taak is extreem specifiek: strikt herhalende bewegingen uitvoeren – links, rechts, omhoog, omlaag – met hoge precisie en consistentie. Op dit gebied hebben ze de mens allang overtroffen.

Een totaal andere categorie zijn humanoïde robots. Deze systemen vereisen “hersenen”: de mogelijkheid om door de ruimte te navigeren, de omgeving waar te nemen, de context van een situatie te begrijpen en manipulators te controleren, niet door vooraf geprogrammeerde trajecten, maar door aan te passen aan de echte wereld.

Selfs met het hoge niveau van automatisering op moderne fabrieksvloeren worden veel taken nog steeds door mensen uitgevoerd. Een object verplaatsen, een doos oppakken, onderdelen sorteren, een onderdeel vastmaken of materialen organiseren – dit zijn kleine acties die flexibiliteit en coördinatie vereisen. Dit gebied blijft een van de moeilijkste om te automatiseren, en het is precies hier dat humanoïde systemen hun rol kunnen vinden.

Veel van de teams die ik sprak, gebruiken een soortgelijk bedrijfsmodel. Ze benaderen een fabriek en stellen voor om een specifiek productiegeval op te lossen. Bijvoorbeeld, een werknemer kan de hele dag dozen verplaatsen tussen opslagzones. Ingenieurs stellen een relatief eenvoudig experiment voor: de werknemer uitrusten met een camera en een set sensoren, duizenden uren van hun acties opnemen en deze data gebruiken om een model te trainen dat een humanoïde robot zal controleren. Op deze manier leert de robot precies de taken uit te voeren die door de menselijke werknemer worden uitgevoerd.

In wezen koopt het bedrijf een humanoïde platform, terwijl het ontwikkelteam een aangepast model bouwt dat het gedrag van een specifieke operator nabootst. Dit is geen universele intelligentie die elke taak kan oplossen. Het is een set vaardigheden getraind voor een specifiek scenario of een groep productietaken. Voor veel ingenieurs lijkt deze aanpak veel realistischer. In plaats van meteen een universele robot te proberen te creëren, richten teams zich op smalle maar economisch haalbare automatiseringsscenario’s.

De zakelijke dimensie

Als de toekomst in aangepaste modellen ligt, is het belangrijk om te begrijpen dat, vanuit een economisch perspectief, dit een vrij lange ontwikkelingsweg is.

Elke industrie is eigenlijk zijn eigen wereld. Elke productieomgeving heeft zijn eigen processen, workflows en uitzonderingen. Een robot getraind om te werken in een autofabriek kan niet zomaar worden overgeplaatst naar voedselproductie of warehouse-logistiek. In elk geval moet het systeem opnieuw worden getraind vanaf het begin.

Dit leidt tot de volgende logische vraag: wie zullen de eerste klanten van deze technologie zijn?

Op dit moment zijn de primaire adoptanten waarschijnlijk grote ondernemingen – die met de budgetten en voor wie automatisering een significante economische impact kan genereren. Vandaag de dag kost een humanoïde robot ongeveer $60.000-$90.000 voor de hardware alleen. Dit is alleen de basisconfiguratie. Bovenop dat komen onderhoudskosten, batterijen, oplaadstations, infrastructuur en software.

Als gevolg daarvan zijn de bedrijven die het meest in staat zijn om te experimenteren met dergelijke systemen, grote organisaties, autofabrikanten, voedselbedrijven en grote industriële ondernemingen.

Natuurlijk kunnen kleinere sectoren ook enkele vroege adoptanten zien. Sommige bedrijven kunnen één of twee robots kopen voor specifieke taken. Maar in de meeste gevallen zijn deze bedrijven simpelweg niet klaar om honderdduizenden euro’s te investeren in het verzamelen en annoteren van aangepaste datasets die nodig zijn om systemen te trainen voor hooggespecialiseerde operationele scenario’s. Voor hen is menselijke arbeid nog steeds de goedkoopste optie.

Het lange spel van robotica-innovatie

We komen uiteindelijk bij een fundamentele economische vraag: wat is efficiënter – een mens of een robot? Als we naar de huidige economie kijken, is het antwoord duidelijk: menselijke arbeid is goedkoper, past zich sneller aan aan nieuwe omstandigheden en heeft geen complexe infrastructuur nodig.

Waarom investeert de industrie dan nog steeds in robotica vandaag de dag? Het antwoord is grotendeels strategisch.

Veel bedrijven begrijpen dat er een soort race voor technologisch leiderschap gaande is. Ze ontwikkelen al oplossingen, ondanks de hoge kosten, om voorop te lopen wanneer de economie van de robotica verandert.

Naarmate de elektronica vordert, dalen de componentkosten, verbetert de computerefficiëntie en zal robotica onvermijdelijk goedkoper worden. En wanneer dat gebeurt, zal het voordeel toebehoren aan de bedrijven die al modellen hebben gebouwd, data hebben verzameld en de noodzakelijke technologische infrastructuur hebben opgebouwd.

Stel je bijvoorbeeld voor dat nieuwe regelgeving ontstaat die het grootschalige gebruik van humanoïde robots in de productie toestaat. Of dat regeringen beginnen met het subsidiëren van de robotisering van industrieën. In een dergelijk scenario kan de markt binnen enkele jaren dramatisch groeien. En degenen die van tevoren hebben voorbereid, degenen met bestaande modellen, onderzoek, datasets en een klaar technologisch stack, zullen degenen zijn die het meest profiteren.

Daarom gaat de ontwikkeling door, zelfs nu de business-economie misschien nog niet ideaal lijkt. Voor veel bedrijven is het een investering in de toekomst – in het moment wanneer technologieën toegankelijker worden en de vraag scherp toeneemt.

En in deze race, net als in veel technologische revoluties, blijkt één factor vaak beslissend: wie eerder begon. In deze zin lijkt de robotica van vandaag de dag sterk op de vroege stadia van kunstmatige intelligentie. Toen waren er ook meer vragen dan antwoorden. Toch waren het de teams die eerder met data en infrastructuur begonnen dan anderen die uiteindelijk de richting van de hele industrie vormden.