Physical Intelligence åpner Pi API-beta for grunnmodeller for roboter

Physical Intelligence kunngjorde betaversjonen av Pi API 13. oktober 2026 og gjorde dermed sine nyeste grunnmodeller for roboter tilgjengelige for eksterne utviklere, for vertsbasert finjustering og inferens. Tilgang til betaversjonen gis via en venteliste, og de som søker, blir bedt om å beskrive hva de ønsker å bygge.

Ifølge arbeidsflyten som beskrives i kunngjøringen, laster en utvikler opp robotdata, starter finjustering på datakraft og infrastruktur som Physical Intelligence administrerer, og får tilgang til den finjusterte modellen gjennom en driftet inngangsport for å kjøre inferens på roboten sin. Evalueringsdata legger deretter grunnlaget for neste iterasjon. Selskapet sa at den nyeste modellen som er tilgjengelig via API-et, allerede gir mer dataeffektiv finjustering og bedre ytelse for partnerne, og at det planlegger å fortsette å gi tilgang til sine nyeste og mest kapable modeller fordi det raskt kan oppdatere modellene som ligger til grunn for API-et. Physical Intelligence beskrev lanseringen som det første steget mot å tilby et grunnlag for fysisk intelligens som fellesskapet kan bygge videre på, og legge til rette for autonomi fra ende til ende.

Modellene bak API-et

I kunngjøringen beskrives generelle grunnmodeller for robotikk som π0 og π0.5 som en lovende måte å møte utfordringen med å ta i bruk roboter på: I tillegg til å identifisere riktig bruksområde og bygge riktig maskinvare trenger utviklerne modeller som er intelligente nok til å utføre den aktuelle oppgaven. Ifølge selskapet gir disse modellene et solid grunnlag av fysisk kunnskap og evner som reduserer mengden data og arbeidet som trengs for å tilpasse dem til nye oppgaver, omgivelser eller roboter, betydelig. Tilpasning krever likevel infrastruktur for maskinlæring, datakraft og komplekse datapipelines.

Physical Intelligence publiserer åpen kildekode-versjoner av disse modellene i openpi-repositoriet. Repositoriet inneholder tre typer modeller: π0, en flytbasert syn–språk–handlingsmodell; π0-FAST, en autoregressiv syn–språk–handlingsmodell basert på FAST-handlingstokenizeren; og π0.5, en oppgradert versjon av π0 med bedre generalisering i åpne omgivelser, trent med en metode selskapet kaller kunnskapsisolering. Grunnsjekkpunktene for alle tre er forhåndstrent på mer enn 10 000 timer med robotdata, og repositoriet er utgitt under Apache-2.0-lisensen. Physical Intelligence utga π0.5 og støtte for PyTorch i repositoriet i september 2025, etter at selskapet i juni 2025 la til instruksjoner for å trene syn–språk–handlingsmodeller på hele DROID-datasettet.

For å kjøre modellene med åpen kildekode lokalt kreves et NVIDIA-grafikkort med mer enn 8 GB minne for inferens; RTX 4090 er oppgitt som eksempel. Full finjustering krever mer enn 70 GB minne på maskinvare som A100 eller H100. Repositoriet er testet på Ubuntu 22.04 og støtter foreløpig ikke andre operativsystemer. Det støtter også ekstern inferens, der en modell kjører på en separat server og strømmer handlinger til roboten via en WebSocket-tilkobling. Repositoriet opplyser at π0 ble utviklet for selskapets egne roboter, som skiller seg fra mye brukte plattformer som ALOHA og DROID, og at teamet ikke forventer at alle tilpasningsforsøk skal lykkes. API-et overtar denne prosessen som en driftet tjeneste: Brukerne leverer dataene, mens Physical Intelligence administrerer datakraften for treningen og gjør den ferdige modellen tilgjengelig via sin inngangsport.

Implementeringer hos partnere på tvers av bransjer

Physical Intelligence sa at selskapet med API-et ønsket å få svar på to spørsmål: om modellene støtter et bredt spekter av bruksområder og roboter på tvers av ulike bransjer, og hvor enkelt API-et gjør det for utviklere å iterere seg frem til nyttig og praktisk autonomi. For å teste bredden samarbeider selskapet tett med virksomheter som tar i bruk roboter. Gjennom disse samarbeidene validerer det hvor godt modellene fungerer på tvers av ulike oppgaver, maskinvare og driftsmiljøer.

Kunngjøringen omtaler Actor, et selskap i Utah som tar i bruk autonome anleggsmaskiner. I opptak som selskapet beskrev som en reell kommersiell implementering, skuffer Actors autonome hjullaster opp materiale og laster det inn i en dumper uten at det sitter en operatør i maskinen. Andre samarbeid som nevnes i kunngjøringen, omfatter AgRobotics, CloudChef, en meieripartner, Ultra og Weave.

Ifølge selskapet viste det seg å være et gjennomgående mønster i disse første samarbeidene. Utfordringene varierte fra oppgave til oppgave – fra et plagg med vrangen ut, via en ingrediens som ikke ville bli liggende i en øse, til en produksjonsdel som havnet i feil posisjon – men prosessen for å forbedre resultatene var stort sett den samme: samle inn demonstrasjoner, trene en modell, teste den på roboten og bruke feilene til å avgjøre hvilke data som skulle samles inn neste gang. Physical Intelligence sa at selskapet utviklet API-et for at utviklere selv skulle kunne gjennomføre denne iterasjonsprosessen med de nyeste modellene.

Resultater fra tidlig tilgang og neste steg

For å teste om virksomheter kunne iterere på egen hånd ga Physical Intelligence et lite antall selskaper tidlig tilgang til API-et. Selskapet sa at det var imponert over hvor raskt de kom i gang og begynte å gjøre fremskritt. Kunngjøringen fremhever Almond, med base i San Francisco i California, som bygger Axol, en robot med to armer for utviklere av fysisk KI. Målet som selskapet selv oppgir, er at Axol skal bygge seg selv. Ifølge selskapet avgradet Axol avstandsstykker som ble brukt i robotens egen montering, mens den kjørte en modell teamet hadde fått tilgang til etter fire dagers iterering med Pi API.

Andre brukere med tidlig tilgang som vises, er Argon Robotics, Chef Robotics, Deft, Dream Machines, Formic, Foundry, Frontier Machines, General Instinct, Intuition.dev, Omakase, robot.com, Ultra og Yondu, i tillegg til et hackathonprosjekt. De fleste av applikasjonene som vises, brukte inferens via API-et med drift i skyen, med utrullinger fra Japan til Sveits og steder over hele USA. Selskapet sa at disse tidlige utrullingene omfattet en rekke ulike miljøer og oppgaver, og trakk fram områder som kan forbedres, blant annet utfordringer med nettverkstilkobling enkelte steder.

Physical Intelligence sa at eksemplene viser at modellene selskapet utvikler, kan brukes i reelle og nyttige applikasjoner, og at partnerne kan bruke API-et til å iterere selvstendig på styringsstrategier og forbedre autonomien i oppgavene sine. Samtidig beskrev selskapet arbeidet som fortsatt i en tidlig fase, og sa at tilbakemeldinger fra utviklere skal bidra til å forme framtidige versjoner. Selskapet sa at det ansetter innen forskning, infrastruktur, maskinvare, HR og drift.