Robotternes ChatGPT-øjeblik kan være tættere på – men masseudbredelsen ligger længere ude

Menneskelignende robotter kan nærme sig et gennembrud, der kan sammenlignes med ChatGPTs gennemslag. Men selv de mest optimistiske prognoser beskriver en længere vej fra imponerende demonstrationer til robotter, der fungerer stabilt i hjem, butikker og virksomheder.

På World Robot Conference 2026 i Beijing sagde ACE Robotics’ bestyrelsesformand Wang Xiaogang, at såkaldt legemliggjort intelligens – kunstig intelligens, der kan opfatte og handle i den fysiske verden – kan nå et teknisk vendepunkt ved udgangen af 2027. Unitree Robotics’ topchef Wang Xingxing pegede på et bedste scenarie på to-tre år, men advarede om, at gennembruddet ellers kan ligge fem til 10 år ude.

Forskellen handler derfor ikke så meget om, hvorvidt et gennembrud er muligt, men om hvad man kalder et gennembrud – og hvor lang tid det tager at gøre en lovende demonstration til et driftssikkert produkt.

Hvad vil et “ChatGPT-øjeblik” for robotter sige?

For de to direktører handler udtrykket ikke om en robot, der kan udføre én imponerende rutine. Det handler om et mere alsidigt system, der kan forstå ukendte omgivelser, overføre viden fra én opgave til en anden og handle i den fysiske verden uden at blive programmeret trin for trin.

Wang Xingxing beskrev den mest konkrete test: Placér robotten i et hjem, den aldrig har set før, giv den instruktioner via tale eller tekst, og se, om den kan løse omkring 80 procent af de ønskede opgaver. Testen måler altså, om robotten kan generalisere til nye miljøer – ikke bare om den kan præstere i en kontrolleret demonstration.

Kort sagt vil milepælen være overgangen fra robotter, der kan bestemte ting, til robotter, der selv kan finde ud af, hvad næste skridt bør være.

To meget forskellige tidsplaner

ACE: Et teknisk gennembrud ved udgangen af 2027

Wang Xiaogang sagde, at ACE forventer, at legemliggjort intelligens når sit “ChatGPT-øjeblik” inden udgangen af 2027. Han fremhævede bedre verdensmodeller – modeller, der forsøger at forstå og forudsige den fysiske verden – samt langt større mængder data fra virkelige omgivelser. Samtidig skelnede han mellem et teknisk gennembrud og bred kommerciel udbredelse. Den sidste del kan ifølge ham kræve yderligere fire-fem år.

Det er en vigtig forskel. En robot kan godt vise et stort fremskridt inden for ræsonnement eller bevægelsesstyring og stadig være for dyr, ustabil eller vanskelig at integrere i den daglige drift. Et forskningsgennembrud og en økonomisk pålidelig arbejdsstyrke er ikke nødvendigvis den samme begivenhed.

Unitree: To-tre år i bedste fald – op til 10 år ellers

Wang Xingxing beskrev to mulige udviklingsforløb. I det optimistiske scenarie kan legemliggjort intelligens nå sit vendepunkt om to-tre år. Hvis udviklingen inden for generalisering og præcis fysisk kontrol går langsommere, kan industrien i stedet få brug for fem-10 år.

Hans test med husholdningsopgaver gør desuden prognosen mere krævende end en almindelig teknologidemonstration. Robotten skal kunne fungere i et nyt miljø, forstå instruktioner i naturligt sprog og selv løse en bred vifte af opgaver.

Robotternes “hjerner” er den største flaskehals

Robotternes mekanik forbedres hurtigt, men softwaren har stadig svært ved at gå fra begrænset erfaring til den uforudsigelige variation, som findes i den virkelige verden. Begge direktører pegede på AI-modeller og træningsdata som den centrale begrænsning.

En robot har brug for data, der forbinder det, den ser, med det, den gør: Hvordan føles en genstand? Hvor hårdt skal den gribe? Hvad sker der, hvis overfladen er glat? Og hvordan retter den op på en handling, der mislykkes?

Simulationer og menneskelige demonstrationer kan hjælpe, men de kan ikke fuldt ud gengive uforudsigeligheden i hjem, fabrikker, butikker og andre fysiske miljøer.

Det er et andet dataproblem end det, man kender fra sprogmodeller. En robot kan ikke nøjes med at lære en beskrivelse af en handling. Den skal lære sammenhængen mellem opfattelse, bevægelse, konsekvens og korrektion.

Sådan forsøger ACE at skaffe data

ACE Robotics arbejder med en “menneskecentreret” tilgang. Produktionsarbejdere udstyres med lette sensorer, som registrerer deres bevægelser og samspil med omgivelserne. Virksomheden siger, at den vil indsamle titusinder af millioner timers træningsdata til sine modeller af den fysiske verden.

Målet er at udvide mængden af virkelighedsnære eksempler i stedet for kun at basere sig på robotdata eller simulationer. Mennesker kan vise, hvordan en opgave udføres, hvordan bevægelser tilpasses skiftende forhold, og hvordan flere handlinger sættes sammen i længere arbejdsgange.

ACE blev etableret i juli 2025 og ledes af Wang Xiaogang, der var med til at grundlægge SenseTime. Ant Group stod i spidsen for virksomhedens såkaldte angel-runde, mens SenseTime-relateret kapital og andre investorer også deltog.

Hvad er særligt ved modellen Kairos-4B?

ACE siger, at den open source-baserede model Kairos-4B førte på offentlige benchmarks for legemliggjort AI og klarede sig bedre end Nvidias Cosmos 3 i den sammenligning, der blev henvist til på konferencen. Det er virksomhedens egne præstationspåstande og bør derfor læses som benchmarkresultater – ikke som dokumentation for, at menneskelignende robotter allerede er klar til almindelige hjem eller fabrikker.

Virksomheden vil også videre end laboratoriedemonstrationer. ACE har sagt, at den planlægger at placere sine AI-modeller i 1.000 ubemandede butikker. Ambitionen viser, hvorfor udviklere ofte begynder i afgrænsede kommercielle miljøer, hvor arbejdsgange lettere kan standardiseres end i en typisk husholdning.

Kinas robotboom skaber både momentum og behov for forbehold

Prognoserne blev fremsat midt i en voldsom interesse for Kinas marked for menneskelignende robotter. Unitrees børsnotering på Shanghais teknologibørs STAR Market rejste omkring 904 millioner dollar og blev ifølge rapporter overtegnet mere end 8.000 gange blandt private investorer. Aktien lukkede 460 procent over udbudskursen, hvilket gav selskabet en markedsværdi på omtrent 50 milliarder dollar.

Forsendelsestal peger også på Kinas tidlige produktionsmæssige førerposition. Smart Analytics Global vurderede, at der blev sendt omkring 19.100 menneskelignende robotter ud globalt i første halvår af 2026, og at kinesiske producenter stod for over 97 procent af det samlede antal.

Tallet må dog ikke forveksles med bevis på moden, alsidig automatisering. Der findes en modstridende påstand om, at Kina sendte over 40.000 menneskelignende robotter ud i samme periode. Det stemmer ikke med det globale estimat på 19.100 enheder og understøttes ikke af de stærkere forsendelsesdata, der er tilgængelige her.

Morgan Stanley har separat hævet sin prognose for kinesiske forsendelser i hele 2026 til 50.000 enheder med henvisning til, at branchen hurtigere end ventet bevæger sig fra demonstrationer mod kommerciel anvendelse. En prognose for antallet af leverede robotter siger dog noget om markedets størrelse – ikke om hvorvidt maskinerne kan bestå Wang Xingxings test med 80 procent af husholdningsopgaverne.

Den egentlige pointe: Evnerne kan komme før driftssikkerheden

Den mest nyttige læsning af de to direktørers udtalelser er ikke, at menneskelignende robotter med sikkerhed når en bestemt milepæl i 2027. Pointen er snarere, at branchen nærmer sig et stadie, hvor softwarekvalitet, træningsdata og evnen til at generalisere bliver vigtigere end motorer, batterier og mekanisk design alene.

ACEs prognose peger på et teknisk gennembrud ved udgangen af 2027 efterfulgt af flere års kommercialisering. Unitrees spænd viser usikkerheden tydeligt: To-tre år, hvis udviklingen accelererer, eller fem-10 år, hvis de vanskeligste problemer fortsat ikke vil give sig.

Kina har allerede en stærk position inden for finansiering, produktion og tidlige leverancer. Det uafklarede spørgsmål er, om denne skala kan føre til robotter, der fungerer pålideligt i omgivelser, de aldrig har mødt før. Indtil problemet med data og modeller er løst, er robotternes “ChatGPT-øjeblik” stadig en prognose – ikke et færdigt produkt.