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

Innovatie komt zelden alleen. Vaker wordt het geboren in gesprekken tussen ingenieurs, oprichters, onderzoekers en investeerders die proberen te begrijpen waar de technologie heen 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. Toch bleek een van mijn recente reizen naar Zwitserland 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 rond 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 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 ontstaan rond de universiteit, waar onderzoek, startups en industriële projecten bijna gelijktijdig evolueren.

Een van de redenen voor mijn reis was om een dieper inzicht te krijgen in wat Introspector de robotica-markt te bieden heeft, die sinds het begin van 2025 bloeit. Het is een industrie waarin een breed scala aan startups probeert binnen te komen, terwijl technologische doorbraken van grote technologiebedrijven deze actief herschappen. Toch roept het veld, ondanks alle momentum, meer vragen op dan het beantwoordt.

Zürich is ook de thuisbasis van onze partners Lightly, die me hebben geholpen om in contact te komen met collega’s die werken op het snijvlak van robotica, computerzicht en AI. Er is één belangrijk aspect van het lokale technologie-ecosysteem dat ik graag 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 hiervan begrijp je de echte context van de markt en waar de industrie heen 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 kalm maar productief ritme, en avonden doorbrengen 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 – meer duurzaam. Toch is het niveau van technologische ambitie hier niet lager.

Beter data voordat betere robots

Een van de belangrijkste inzichten uit deze reis was een vrij eenvoudige observatie: veel mensen willen vandaag de dag in robotica werken. Maar ondanks de enorme interesse in de industrie, zijn veel teams nog steeds in een exploratiefase, waarin ze 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 op hetzelfde onderwerp uit: data. Vandaag de dag ontbreekt het de industrie aan data over dexteriteitstaken, d.w.z. fijne motorische vaardigheden. Op dit gebied zijn de mogelijkheden van robots nog steeds extreem beperkt. Wat mensen met hun handen bijna automatisch doen – een object oppakken, het 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 eerste-persoonsperspectief, waarin het systeem menselijke acties vastlegt alsof het ze zelf uitvoert. Toch blijkt in de praktijk 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 zo ja, moeten die handschoenen tactiele sensoren, gyroscoops of andere bewegingstrackingsystemen bevatten?

Een nog complexere vraag doet zich voor: hoe de diepte van de beweging goed vast te leggen? 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 – vooruit, achteruit, omhoog of omlaag.

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

Multimodale systemen

Zodra het gesprek over dataverzameling voor robotica begint, komt een ander onderwerp snel ter sprake – extra sensoren en multimodaliteit, die het mogelijk maken om lichaamsbewegingen, handacties en objectinteracties met grotere precisie vast te leggen. Ze helpen ook om fouten tijdens het verzamelen van datasets 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 schiethoek kan onjuist zijn, de operator kan per ongeluk de verkeerde kant op draaien of de operator kan een beweging te snel uitvoeren. Als gevolg hiervan 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.

Extra sensoren helpen om sommige 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 hiervan kan in plaats van twee uur opnemen, ongeveer één uur en twintig minuten nodig zijn om dezelfde hoeveelheid bruikbare data te verkrijgen. Dit verhoogt de efficiëntie van dataverzameling en vermindert de kosten van het creëren ervan.

Het is daarom geen toeval dat veel teams ook een groeiende interesse opmerken in multimodale datannotatie. Dit is een van de zichtbaardere trends die rechtstreeks verbonden is met de ontwikkeling van robotica en geïncorporeerde AI.

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

Deze zorgen zijn begrijpelijk. Het opbouwen van complexe datasets is een kostbaar proces. Elke fout in de gegevensstructuur 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. Dat is precies waarom vandaag de dag steeds meer aandacht wordt 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 repetitieve bewegingen uitvoeren – links, rechts, omhoog, omlaag – met hoge precisie en consistentie. Op dit gebied hebben ze de mens allang overtroffen.

Een heel andere categorie zijn humanoïde robots. Deze systemen hebben “hersenen” nodig: de mogelijkheid om ruimtes te navigeren, de omgevingsomgeving waar te nemen, de context van een situatie te begrijpen en manipulatoren te controleren, niet door vooraf geprogrammeerde trajecten, maar door aan te passen aan de echte wereld.

Zelfs 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 component 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 zakelijk model. Ze naderen 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 exact de taken uitvoeren 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 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 dit, vanuit economisch oogpunt, een vrij lange ontwikkelingsroute is.

Elke industrie is eigenlijk zijn eigen wereld. Elke productieomgeving heeft zijn eigen processen, workflows en uitzonderingen. Een robot getraind om in een automontagefabriek te werken, kan niet zomaar worden overgeplaatst naar voedselproductie of magazijnlogistiek. 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 waarvoor 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. Daarbovenop komen onderhoudskosten, batterijen, laadstations, infrastructuur en software.

Als gevolg hiervan zijn de bedrijven die het meest in staat zijn om met dergelijke systemen te experimenteren, grote organisaties, automobielfabrikanten, voedselconcerns en grote industriële ondernemingen.

Natuurlijk kunnen kleinere sectoren ook enkele vroege adoptanten zien. Sommige bedrijven kunnen één of twee robots kopen voor specifieke taken. Toch zijn de meeste van deze bedrijven gewoon 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 blijft menselijke arbeid nog steeds de goedkoopste optie.

Het lange spel van robotica-innovatie

We komen uiteindelijk uit bij een fundamentele economische vraag: wat is efficiënter – een mens of een robot? Als we naar de huidige economie kijken, is het antwoord overduidelijk: 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? Het antwoord is grotendeels strategisch.

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

Naarmate de elektronica vordert, dalen de componentkosten, verbetert de reken-efficiëntie en zal robotica onvermijdelijk goedkoper worden. En wanneer dat gebeurt, zal het voordeel toekomen 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 wordt ingevoerd die het grootschalig 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 zakelijke economie misschien nog niet ideaal lijkt. Voor veel bedrijven is het een investering in de toekomst – in het moment waarop technologieën toegankelijker worden en de vraag scherp toeneemt.

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