Machenta haalt 40 miljoen dollar op in seedronde om robots met één demonstratie nieuwe taken te leren

Een robot een nieuwe taak leren kan veel langer duren dan de taak zelf uitvoeren. Demonstraties verzamelen, trainingsgegevens voorbereiden en een model bijwerken kunnen van een kleine verandering in de workflow een omvangrijk engineeringproject maken. Machenta heeft in een seedronde 40 miljoen dollar opgehaald om dat proces te verkorten. Het bedrijf ontwikkelt een basismodel voor robots dat een fysieke taak moet kunnen aanleren op basis van één demonstratie, zonder aanvullende taakspecifieke training.

Het in Londen gevestigde bedrijf maakte de financiering op 27 oktober bekend. Creandum en Union Square Ventures leidden de ronde gezamenlijk. Machenta gebruikt het kapitaal om zijn model op te schalen en het team uit te breiden op de nieuwe kantoor- en laboratoriumlocatie in King’s Cross.

Machenta noemt zijn aanpak „direct leren door robots”. Het bedrijf zegt de technologie te hebben gedemonstreerd bij taken rond verpakken, assemblage en opruimen. Daarbij pasten robots zich aan variaties aan nadat ze één keer hadden gezien wat ze moesten doen. De ambitie is breed, maar het bewijs moet worden opgevat als demonstraties van een technologie in ontwikkeling, niet als bewijs dat een robot al elke denkbare taak kan uitvoeren.

Een nieuwe taak aanleren zonder een nieuwe trainingsronde

Het belangrijkste onderscheid is dat tussen een model trainen en een reeds getraind model een specifieke taak leren. Machenta traint zijn basismodel nog steeds. Het bedrijf wil voorkomen dat er telkens een grote nieuwe dataset moet worden verzameld en een nieuwe trainingscyclus moet worden doorlopen wanneer de robot een nieuwe taak tegenkomt.

„Intelligentie draait niet zozeer om wat je al kunt, maar om hoe snel je iets nieuws kunt leren”, zei professor Edward Johns, medeoprichter en CEO van Machenta, in de aankondiging.

De voorgestelde werkwijze is bewust eenvoudig: demonstreer het gewenste gedrag, laat de robot het observeren en laat hem de taak vervolgens uitvoeren. In de praktijk zou de demonstratie daarmee deel uitmaken van de instructie aan een bestaand model, in plaats van het begin te zijn van een afzonderlijk modelontwikkelingsproject.

Dit is vooral relevant wanneer de taak in grote lijnen hetzelfde blijft, maar de objecten of hun opstelling veranderen. Een robot die alleen een vaste reeks handelingen kan herhalen, vereist dat de omgeving zich aan zijn programma aanpast. Een bruikbare lerende robot moet begrijpen wat de demonstratie hem vraagt te bereiken en zijn handelingen aanpassen aan de situatie voor hem.

Simulatie wordt gebruikt om het leervermogen te trainen

Machenta’s trainingsstrategie verplaatst een groot deel van de inspanning om gegevens te genereren naar simulaties. Volgens het persbericht is het doel niet om elke taak op te sommen waarmee de robot ooit te maken kan krijgen. Het model moet juist aan voldoende uiteenlopende scenario’s worden blootgesteld om een herbruikbaar vermogen te ontwikkelen: leren van een nieuw voorbeeld.

Daardoor verandert de manier waarop het bedrijf verwacht op te schalen. Veel initiatieven op het gebied van robotleren zijn sterk afhankelijk van het verzamelen van fysieke demonstraties via teleoperatie of opnames van menselijke activiteiten. Machenta gokt erop dat ervaring in simulaties de diversiteit kan bieden die nodig is om nieuwe taken te leren, terwijl een demonstratie uit de echte wereld bij de inzet de instructie geeft.

In de technische introductie noemt het bedrijf het systeem een vision-demo-action-model, of VDA. Het model krijgt een demonstratie en doorlopende camerawaarnemingen als invoer en voorspelt handelingen in een gesloten regelkring. Volgens het bedrijf vindt de pretraining uitsluitend in simulaties plaats; het voorbeeld dat de robot iets leert en de livewaarnemingen zijn bij inferentie invoer uit de echte wereld.

Dat onderscheid is belangrijk: pretraining die uitsluitend op simulaties is gebaseerd, betekent niet dat de robot bij inzet zonder informatie uit de echte wereld werkt. De robot moet de demonstratie nog steeds interpreteren, zijn omgeving observeren en zijn handelingen aanpassen wanneer de omstandigheden veranderen.

Het onderzoek achter robotleren in context

Het bedrijf bouwt voort op onderzoek van Johns en medeoprichter en CTO Vitalis Vosylius aan Imperial College London. Johns is daar hoogleraar robotleren. Samen ontwikkelden zij eerder methoden om fysiek gedrag te leren op basis van een klein aantal voorbeelden.

Hun onderzoek naar Instant Policy, gepubliceerd op ICLR 2025, beschrijft imitatieleren in context op basis van één of twee demonstraties, zonder verdere training. Demonstraties, waarnemingen en handelingen worden weergegeven in een graaf. Vervolgens wordt een aangeleerd diffusieproces gebruikt om de graafstructuur te genereren die nodig is om handelingen te voorspellen.

Het artikel beschrijft ook training met pseudodemonstraties: trajecten die in simulaties zijn gegenereerd en een grote verzameling voorbeelden opleveren. De experimenten omvatten gesimuleerde taken en taken in de echte wereld, evenals aanvullend onderzoek naar overdracht tussen verschillende robotlichamen en naar instructies die in natuurlijke taal zijn geformuleerd.

Dit onderzoek helpt de wetenschappelijke basis te verduidelijken, maar bewijst niet dat het huidige commerciële model van Machenta precies dezelfde architectuur heeft. De startup omschrijft het nieuwere systeem als een basismodel dat voortbouwt op deze onderzoekslijn.

Leren in context is bekend uit taalmodellen, waarbij voorbeelden in een prompt het antwoord kunnen beïnvloeden zonder dat de modelgewichten worden aangepast. Die aanpak toepassen op robotica is veeleisender, omdat de uitvoer moet bestaan uit een reeks fysieke handelingen onder beperkingen uit de echte wereld, en niet slechts uit een aannemelijk antwoord.

Wat de demonstraties aantonen — en wat nog moet worden getest

In een technisch bericht meldt Machenta dat het gedurende een uur proeven uitvoerde met drie eenvoudige taken waarbij het systeem zichzelf reset: 74 succesvolle blokplaatsingen bij 74 pogingen, 78 keer een schroevendraaier aangeven bij 78 pogingen en 97 succesvolle pogingen om een fles rechtop te zetten bij 99 pogingen. Volgens het bedrijf waren de twee mislukte pogingen met de fles te wijten aan botsingsrisico en kinematische beperkingen.

Dat zijn nuttige eerste betrouwbaarheidscontroles, maar geen brede industriële benchmark. Het bericht noemt leren rechtstreeks van menselijke handen en werken met humanoïde handen ook als richtingen in een vroeg stadium. Het toont niet aan dat de technologie voor alle taken geschikt is of op elke werkplek betrouwbaar presteert.

Voor een potentiële gebruiker hangt het verschil tussen een overtuigende demonstratie en een inzetbaar systeem af van herhaalbaarheid, herstel na een mislukking, veilig gedrag in de buurt van mensen en de praktische beperkingen van de hardware van de robot. Een instructie snel leren kan niet ervoor zorgen dat een grijper een voorwerp vastpakt dat hij fysiek niet kan grijpen.

De commerciële kans is niettemin duidelijk. Als de tijd die nodig is om een robot iets aan te leren aanzienlijk korter wordt, komen robots eerder in aanmerking voor werk dat te vaak verandert om langdurig programmeren en integreren te rechtvaardigen. Dat kan gevolgen hebben voor zowel de inzet in fabrieken als kleinschaligere toepassingen waarvoor moeilijk specialistische ondersteuning op het gebied van robotica te vinden is.

Een seedronde om het model en het team op te schalen

Machenta maakt deel uit van een bredere investeringsgolf in aanpasbare robotintelligentie. De berichtgeving van Unite.AI over de financiering door Dream Labs van AI die op verschillende robots werkt laat een andere poging zien om aangeleerde vaardigheden bruikbaar te maken voor uiteenlopende machines. Machenta richt zich vooral op hoe snel een nieuwe fysieke instructie kan worden omgezet in bruikbaar gedrag.

Creandum-partner Kathi Wilhelm wees op de jarenlange research van het team voordat het bedrijf werd opgericht. Rebecca Kaden, beherend partner bij Union Square Ventures, benadrukte hoe waardevol robots zijn die snel een nieuwe taak kunnen leren, in plaats van voor elke klus een afzonderlijk trainingstraject te vereisen.

Voor Machenta is de volgende stap om die onderzoeksbasis om te zetten in bredere, betrouwbaardere mogelijkheden. De 40 miljoen dollar geeft het bedrijf de middelen om het model op te schalen en het team eromheen uit te breiden, terwijl het oprichtingsteam zes jaar werk aan robotleren op basis van één demonstratie meebrengt.

De centrale vraag is in hoeverre dit leervermogen kan worden opgeschaald naarmate taken uiteenlopender en veeleisender worden. Als de aanpak standhoudt, is de belangrijkste verandering praktisch van aard: mensen zouden minder tijd hoeven te besteden aan het opzetten van een trainingsproces en meer tijd kunnen besteden aan het voordoen van het werk dat ze daadwerkelijk door een robot willen laten uitvoeren.