Flexion Robotics: Simulering først – startup, der bygger en universel hjerne til enhver humanoid robot

Mens de fleste humanoide robotvirksomheder kappes om at bygge bedre kroppe, tager Flexion Robotics en modsatrettet tilgang. Den Zürich-baserede startup, der kom ud af stealth i slutningen af 2025, satser på, at den vindende fordel inden for humanoide robotter ikke vil være hardwaren – men hjernen, der kan køre på enhver krop. Med i alt $57,35 millioner i finansiering og en live-demonstration ved ICRA 2026, der opnåede over 95 % autonom succes på tværs af 300 forsøg, er Flexions simulerings-første tilgang en af de mest markante strategier i feltet .

Flexions Kerne-tese: Software-Only, Hardware-Agnostisk

Flexion Robotics producerer ikke robotter. I stedet bygger de en universel autonomisoftware-stak – hvad virksomheden beskriver som "Android for humanoider" – der kan licenseres af enhver producent af humanoide robotter . Stakken er designet til at fungere på 14 forskellige humanoide platforme samtidigt, med målet om at reducere indsatsen for at bringe en ny robot til en ny opgave fra år til en enkelt uge .

"Vi skaber en virtuel verden, hvor vi kan placere disse robotter," siger virksomheden. "Trænet i simulation, skaleret til den virkelige verden med minimal menneskelig involvering" .

Træningsmetoden: Sim-to-Real i Stor Skala

Flexions tekniske tilgang kredser om tre sammenhængende valg:

1. Simulering-først (sim-to-real) træning. Alle robotpolitikker trænes udelukkende inde i en virtuel fysiksimulering i massiv skala – op til 4.000 virtuelle robotter, der kører samtidigt – og overføres derefter til fysisk hardware med nul-shot implementering i den virkelige verden . Virksomheden bruger reinforcement learning (RL), hvor robotter lærer gennem prøven og fejlen: de handler, sanser resultater og justerer, indtil de lykkes . Resultatet er ikke et script, men en neural netværkspolitik, der kortlægger perception til handling .

2. Kombination af imitation learning og reinforcement learning. Flexion bruger residual reinforcement learning oven på imitation learning-baselines. Det betyder, at robotten lærer fundamentale manipulations- og bevægelsesfærdigheder fra menneskelige demonstrationsdata og derefter bruger RL til at tilpasse disse færdigheder til virkelige forhold, som simulatoren ikke perfekt kan modellere . Virksomheden bruger også en "real-to-sim" feedback-loop, hvor data fra den virkelige verden forfiner simuleringsparametre for mere nøjagtig fremtidig træning .

3. En modulær trelagsarkitektur. Autonomi-stakken adskiller højniveautænkning fra bevægelsesplanlægning og lavniveaustyring :

• Kommandolaget (Ræsonnement): En stor sprogmodel (LLM) eller vision-sprog-model (VLM) agent, der fortolker opgavebeskrivelser i naturligt sprog – som "ryd op på kontoret" – opdeler dem i delopgaver og planlægger flertrinsarbejdsgange .
• Bevægelsesgenereringslag (Planlægning): En diffusionsbaseret model, der kortlægger robotten tilsigtede bane og undgår forhindringer i 3D-rum .
• Udførelseslag (Reflekser): En RL-baseret helkrops-tracker, der udfører robust, adaptiv bevægelse på den fysiske robot .

Dette design "adskiller hensigt (drevet af sprog) fra gennemførlighed (håndhævet af fysik) og udnytter simulation til motoriske færdigheder og reelle data selektivt" .

Autonome Kontoropgaver: Fra Prompt til Handling

I november 2025 offentliggjorde Flexion en video, der demonstrerer en humanoid robot, der autonomt rydder et kontor startende fra en simpel brugerprompt – uden scripts, uden forudberegnede baner og uden menneskelig teleoperation . Den VLM-baserede agent opfattede scenen, ræsonnerede om opgaven og planlagde en end-to-end-strategi for objektopsamling og -omorganisering . Det samme underliggende system er også blevet vist navigere udendørsmiljøer for autonomt at indsamle og bortskaffe affald .

ICRA 2026: Live-valideringen

Ved International Conference on Robotics and Automation (ICRA 2026), afholdt den 9.–11. juni 2026, gennemførte Flexion en live autonom humanoid demonstration. På tværs af 300 forsøg over tre dage opererede robotterne fuldt autonomt med over 95 % succes og ingen menneskelig indgriben . Resultatet bekræftede, at sim-to-real-overførselstilgangen fungerer i skala i et ukontrolleret konference-miljø – et berygtet svært setup for robotdemonstrationer.

Hvordan Flexion Adskiller sig fra Feltet

Dimension	Flexion Robotics	Typiske konkurrenter (Tesla Optimus, Boston Dynamics, Figure, 1X)
Kerneprodukt	Universel autonomisoftware – ingen egen robothardware	Vertikalt integreret hardware + software; hver bygger sin egen robotkrop
Platformstrategi	Kører på enhver humanoid hardware; aktuelt 14 platforme parallelt	Knyttet til en proprietær hardwareplatform
Træningsparadigme	Simulering-først (sim-to-real); politikker trænet i simulation og nul-shot overført	Blanding af teleoperationsdata fra den virkelige verden, RL i den virkelige verden og simulation; de fleste er stærkt afhængige af indsamling af reelle data
Hardwarekompatibilitetsmål	Reducer opsætning for en ny robot + ny opgave fra år til én uge	Hver ny opgave kræver måneder med hardwarespecifik ingeniørarbejde
Finansiering	$57,35M totalt ($50M Series A + $7,35M seed)	Konkurrenter rejser ofte større runder til hardwareproduktion (f.eks. rejste Figure AI over $675M)
Nøgleinvestorer	DST Global, NVIDIA NVentures, Prosus Ventures, Moonfire, Redalpine	Blanding af VC, strategiske og virksomhedsinvestorer

Vigtigste strategiske differentiatorer:

• Software-only / platformlicensmodel. Flexion placerer sig som et horisontalt intelligenslag, som enhver producent af humanoide robotter kan licensere, og undgår dermed bevidst den "vertikale integrationsfælde", hvor virksomheder som Tesla eller Figure både skal bygge hjernen og kroppen .
• Hardware-agnostisk generalisering. Træning af én stak på tværs af 14 forskellige humanoide platforme parallelt skal gøre Flexions hjerne bærbar på tværs af morfologier – i kontrast til industrinormen med én-robot-én-stak .
• Fuldstændig simuleringsbaseret træningsloop. Mens de fleste konkurrenter bruger teleoperationsdata fra den virkelige verden til imitation learning, træner Flexion politikker i simulation i skala og overfører dem nul-shot til den virkelige verden, hvilket kræver minimal indsamling af data fra den virkelige verden .

Forbehold og Åbne Spørgsmål

En dedikeret Wired-artikel fra juni 2026, der specifikt profilerer Flexions kontoropgaveautonomi, blev ikke fundet i de tilgængelige søgeresultater. Det mest detaljerede bevis for kontoropgavedemonstrationen kommer fra Flexions eget LinkedIn-opslag (november 2025) og ICRA 2026-resultatrapporten . Virksomhedens påstande om at reducere opsætningstiden til "én uge" og at køre på 14 platforme mangler endnu at blive verificeret i kommerciel skala. Og selvom ICRA 2026-resultaterne er imponerende, mangler feltet stadig tredjepartsbenchmarks, der sammenligner Flexion-drevne robotter direkte med vertikalt integrerede konkurrenter i virkelige implementeringer.

Flexions væddemål er, at fremtiden for humanoide robotter vil ligne mindre iPhone – en tæt integreret hardware-softwarepakke – og mere Android: et universelt operativsystem, som enhver producent kan tage i brug. Hvis deres simulerings-første træningsmetodologi fortsætter med at levere resultater i den virkelige verden, kan det væddemål meget vel betale sig.