SynapX brugte World Robot Conference 2026 til at præsentere en anden vej ind i fysisk AI end den klassiske vision om én fuldendt humanoid robot. Virksomheden vil først bygge den genanvendelige intelligens- og manipulationsplatform – robotternes såkaldte hjerne og hånd – og derefter lade forskellige kroppe, robotarme eller faste arbejdsstationer levere selve kroppen. 12

Strategien samler tre produktlinjer i et system kaldet »Brain–Hand–Data«: verdensmodellen SYNWorld, den fingerfærdige robothånd OctoH-Hand og dataindsamlingsplatformen OctoSense. 12

Ideen: Det vigtigste er ikke at ligne et menneske

En humanoid krop har oplagte fordele. Den kan potentielt bevæge sig i rum, der er bygget til mennesker, og bruge værktøj, der allerede findes. Men SynapX’ argument er, at robotters mest værdifulde evner ikke nødvendigvis ligger i benene, overkroppen eller det menneskelignende udseende.

De ligger i stedet i to egenskaber:

• at forstå, hvordan den fysiske verden fungerer
• at kunne gribe, mærke og manipulere objekter præcist

En fælles model og hånd kan i princippet monteres på forskellige robotplatforme. Dermed bliver intelligensen mere fleksibel end en løsning, der er bundet til én bestemt humanoid konstruktion. 114

Det er både en teknisk og kommerciel position. SynapX forsøger at placere sig som leverandør af et grundlag for fysisk AI – med model, robothardware og data-infrastruktur – snarere end som producent af alle komplette robotter eller operatør af hver enkelt fabrik, restaurant eller husholdningsløsning. 2314

SYNWorld: robotternes »hjerne«

SynapX beskriver SYNWorld V0.5 som en embodied-native, generel verdensmodel for fysisk AI. Målet er, at robotten lærer de fysiske sammenhænge, der går igen på tværs af opgaver, i stedet for at skulle have et særskilt, forprogrammeret script til hver bevægelse.

På konferencen blev modellen vist i opgaver som at riste brød, lægge tøj sammen og løse detaljerede puslespil. 1922

SYNWorld præsenteres gennem to supplerende funktioner. Den ene er en handlingsstyret verdensmodel, som forudsiger, hvordan omgivelserne kan ændre sig, når robotten udfører en bestemt handling. Den anden er en verdens-handlingsmodel, som bruger sin forståelse af den aktuelle og forventede situation til at generere robotbevægelser.

Ifølge SynapX har SYNWorld V0.5 en modelstørrelse på 16 milliarder parametre og er trænet på mere end 300.000 timers multimodale data. 14

Ambitionen er at lære nyttige fysiske regelmæssigheder én gang og derefter overføre dem til nye opgaver og robottyper. Det afgørende spørgsmål er dog stadig, om modellen kan generalisere stabilt uden for de kontrollerede demonstrationer.

OctoH-Hand: hånden, der skal kunne mærke forskel

OctoH-Hand er en bionisk robothånd med mange frihedsgrader. Den er udviklet til flerfinger-manipulation, tommelfingerens modstilling, fine bevægelser med fingerspidserne og komplekse greb.

Den beskrevne konstruktion kombinerer senedrevet bevægelse i selve hånden med motorer placeret i underarmen. De offentliggjorte specifikationer omfatter 28 individuelt kontrollerbare aktuatorer, 23 aktive frihedsgrader og mere end 1.900 taktile sensorenheder. 418

Forskellen fra en traditionel griber er især den lukkede kontrolsløjfe. En fingerfærdig hånd skal ikke bare lukke sig om et objekt. Den skal løbende justere grebet, mens den registrerer kontakt, tryk, kraft og ændringer i objektet.

Det er afgørende ved bløde eller skrøbelige ting. For meget kraft kan mase et stykke mad, mens for lidt kraft kan få det til at glide ud af hånden. Derfor behandler SynapX sensorik og kraftkontrol som centrale dele af selve manipulationen – ikke som ekstraudstyr. 14

OctoSense: menneskelige bevægelser bliver til træningsdata

OctoSense er SynapX’ system til indsamling af data fra den fysiske verden. Demonstrationerne omfattede blandt andet en fiskeøje-baseret hovedrig, armbånd til elektromyografi – måling af musklernes elektriske signaler – og en datahandske i exoskelet-stil. 1512

Tilsammen skal udstyret registrere:

• hvad et menneske ser
• hvordan kroppen og hænderne bevæger sig
• hvordan hånden interagerer med objekter
• kraft, drejningsmoment, tryk og berøring

SynapX vil tilpasse menneskelige demonstrationer tættere til OctoH-Handens bevægelser og sensorer. Det kan mindske problemet med retargeting – oversættelsen fra en menneskelig bevægelse til en robotbevægelse – og gøre dataene mere direkte anvendelige i robottræning.

Virksomheden hævder også, at muskelsignaler kan generaliseres på tværs af personer uden særlig kalibrering. Den tilgængelige uafhængige dokumentation viser dog endnu ikke, om det fungerer pålideligt i stor skala. 5720

Den dataløkke, SynapX satser på

De tre produkter er tænkt som én samlet proces og ikke som tre uafhængige produktlinjer:

1. Mennesker demonstrerer almindelige fysiske arbejdsopgaver.
2. OctoSense optager syns-, bevægelses-, muskel-, kraft- og berøringsdata.
3. SYNWorld lærer at forudsige fysiske resultater og generere handlinger.
4. OctoH-Hand udfører handlingerne ved hjælp af taktil feedback og kraftkontrol.
5. Resultater fra den virkelige verden og nye demonstrationer skaber mere træningsdata.

Det er denne cirkel, der udgør SynapX’ egentlige tese: Bedre data skal forbedre modellen, en bedre model skal gøre hånden nyttig i flere situationer, og flere anvendelser skal igen skabe rigere data. 137

Hvis det lykkes, kan en færdighed, der er lært i én arbejdsomgivelse, tilpasses en anden i stedet for at blive bygget helt fra bunden til hver enkelt robot.

»En arbejdsstyrke på niveau med en elev i udskolingen«

Direktør Du Dalongs formulering om en »middle-school graduate silicon workforce« skal bedst forstås som en metafor for evner og økonomi – ikke som en bogstavelig uddannelsesstandard.

Det første mål er ifølge tankegangen ikke en fuldt autonom robot, der kan fungere som et menneske på alle områder. Det er snarere en stor flåde af billige, digitale arbejdere med bred grundkompetence: De skal kunne følge instruktioner, forstå et arbejdsområde, bruge begge hænder, lære af demonstrationer og udføre almindelige opgaver med opsyn og fortsat træning.

Værdien skal komme fra en fælles grundmodel og læring på tværs af en hel flåde. Når en robot lærer en færdighed, skal den kunne overføres til andre maskiner og arbejdssteder. Men visionen er endnu ikke det samme som et dokumenteret resultat. Den reelle økonomi vil afhænge af driftsikkerhed, sikkerhed, hardwarepris, vedligeholdelse og behovet for menneskeligt opsyn.

Hvorfor en hamburger kan blive den store prøve

For SynapX er det mere interessant at få en robot til at lave en hamburger end at vise en poleret pick-and-place-demonstration. En burger samler nemlig mange former for fingerfærdighed i én opgave.

Robotten skal håndtere objekter med forskellige former og teksturer, koordinere flere fingre, regulere kraften ved greb, pres og eventuel skæring, følge en rækkefølge af trin, placere ingredienser præcist og mærke kontakten så følsomt, at maden hverken bliver mast eller tabt.

Hvis en robot kan lave en hamburger mere stabilt end et menneske på tværs af skiftende ingredienser, redskaber og arbejdspladser, vil det pege på et skifte fra snæver automatisering til en genanvendelig samling af fysiske færdigheder.

De samme færdigheder kan i princippet bruges til emballage, brød og grøntsager, dosering af ingredienser, samling, rengøring og flytning af varer i professionelle køkkener og andre fødevaremiljøer.

Dalongs tidsramme på ét til to år bør dog betragtes som en ambition – ikke som en valideret prognose for branchen. Kilderne dokumenterer SynapX’ produktpåstande og demonstrationer, men ikke at tidsplanen vil blive overholdt. 14

Hvad Tesla-sammenligningen faktisk fortæller

Tesla-sammenligningen understreger, hvorfor robothænder får så stor opmærksomhed. En rapport tilskriver Elon Musk synspunktet, at hånden udgør omtrent halvdelen af den tekniske indsats i Optimus. 23

Det siger noget om, hvor vanskelig og vigtig hånden er i ét bestemt humanoidprogram. Det er derimod ikke dokumentation for, at Tesla bruger halvdelen af sit hardwareforskningsbudget på hænder. Den citerede kilde giver ingen sådan budgetopdeling.

SynapX’ bredere – og mere forsigtige – pointe er, at en kraftig robot »hjerne« stadig kan have svært ved at udføre almindeligt fysisk arbejde uden pålidelig fingerfærdighed, detaljeret taktil sensorik og præcis kraftkontrol.

På World Robot Conference 2026 valgte virksomheden derfor at sælge de dele, den mener udgør kernen i fysisk intelligens: modellen, hånden og dataløkken. Om denne strategi kan levere en billig og bredt anvendelig robotarbejder, afhænger af, om teknologien kan bevise sin generalisering uden for scenen.

SynapX brugte World Robot Conference 2026 til at præsentere en anden vej ind i fysisk AI end den klassiske vision om én fuldendt humanoid robot. Virksomheden vil først bygge den genanvendelige intelligens- og manipulationsplatform – robotternes såkaldte hjerne og hånd – og derefter lade forskellige kroppe, robotarme eller faste arbejdsstationer levere selve kroppen. 12

Strategien samler tre produktlinjer i et system kaldet »Brain–Hand–Data«: verdensmodellen SYNWorld, den fingerfærdige robothånd OctoH-Hand og dataindsamlingsplatformen OctoSense. 12

Ideen: Det vigtigste er ikke at ligne et menneske

En humanoid krop har oplagte fordele. Den kan potentielt bevæge sig i rum, der er bygget til mennesker, og bruge værktøj, der allerede findes. Men SynapX’ argument er, at robotters mest værdifulde evner ikke nødvendigvis ligger i benene, overkroppen eller det menneskelignende udseende.

De ligger i stedet i to egenskaber:

• at forstå, hvordan den fysiske verden fungerer
• at kunne gribe, mærke og manipulere objekter præcist

En fælles model og hånd kan i princippet monteres på forskellige robotplatforme. Dermed bliver intelligensen mere fleksibel end en løsning, der er bundet til én bestemt humanoid konstruktion. 114

Det er både en teknisk og kommerciel position. SynapX forsøger at placere sig som leverandør af et grundlag for fysisk AI – med model, robothardware og data-infrastruktur – snarere end som producent af alle komplette robotter eller operatør af hver enkelt fabrik, restaurant eller husholdningsløsning. 2314

SYNWorld: robotternes »hjerne«

SynapX beskriver SYNWorld V0.5 som en embodied-native, generel verdensmodel for fysisk AI. Målet er, at robotten lærer de fysiske sammenhænge, der går igen på tværs af opgaver, i stedet for at skulle have et særskilt, forprogrammeret script til hver bevægelse.

På konferencen blev modellen vist i opgaver som at riste brød, lægge tøj sammen og løse detaljerede puslespil. 1922

SYNWorld præsenteres gennem to supplerende funktioner. Den ene er en handlingsstyret verdensmodel, som forudsiger, hvordan omgivelserne kan ændre sig, når robotten udfører en bestemt handling. Den anden er en verdens-handlingsmodel, som bruger sin forståelse af den aktuelle og forventede situation til at generere robotbevægelser.

Ifølge SynapX har SYNWorld V0.5 en modelstørrelse på 16 milliarder parametre og er trænet på mere end 300.000 timers multimodale data. 14

Ambitionen er at lære nyttige fysiske regelmæssigheder én gang og derefter overføre dem til nye opgaver og robottyper. Det afgørende spørgsmål er dog stadig, om modellen kan generalisere stabilt uden for de kontrollerede demonstrationer.

OctoH-Hand: hånden, der skal kunne mærke forskel

OctoH-Hand er en bionisk robothånd med mange frihedsgrader. Den er udviklet til flerfinger-manipulation, tommelfingerens modstilling, fine bevægelser med fingerspidserne og komplekse greb.

Den beskrevne konstruktion kombinerer senedrevet bevægelse i selve hånden med motorer placeret i underarmen. De offentliggjorte specifikationer omfatter 28 individuelt kontrollerbare aktuatorer, 23 aktive frihedsgrader og mere end 1.900 taktile sensorenheder. 418

Forskellen fra en traditionel griber er især den lukkede kontrolsløjfe. En fingerfærdig hånd skal ikke bare lukke sig om et objekt. Den skal løbende justere grebet, mens den registrerer kontakt, tryk, kraft og ændringer i objektet.

Det er afgørende ved bløde eller skrøbelige ting. For meget kraft kan mase et stykke mad, mens for lidt kraft kan få det til at glide ud af hånden. Derfor behandler SynapX sensorik og kraftkontrol som centrale dele af selve manipulationen – ikke som ekstraudstyr. 14

OctoSense: menneskelige bevægelser bliver til træningsdata

OctoSense er SynapX’ system til indsamling af data fra den fysiske verden. Demonstrationerne omfattede blandt andet en fiskeøje-baseret hovedrig, armbånd til elektromyografi – måling af musklernes elektriske signaler – og en datahandske i exoskelet-stil. 1512

Tilsammen skal udstyret registrere:

• hvad et menneske ser
• hvordan kroppen og hænderne bevæger sig
• hvordan hånden interagerer med objekter
• kraft, drejningsmoment, tryk og berøring

SynapX vil tilpasse menneskelige demonstrationer tættere til OctoH-Handens bevægelser og sensorer. Det kan mindske problemet med retargeting – oversættelsen fra en menneskelig bevægelse til en robotbevægelse – og gøre dataene mere direkte anvendelige i robottræning.

Virksomheden hævder også, at muskelsignaler kan generaliseres på tværs af personer uden særlig kalibrering. Den tilgængelige uafhængige dokumentation viser dog endnu ikke, om det fungerer pålideligt i stor skala. 5720

Den dataløkke, SynapX satser på

De tre produkter er tænkt som én samlet proces og ikke som tre uafhængige produktlinjer:

1. Mennesker demonstrerer almindelige fysiske arbejdsopgaver.
2. OctoSense optager syns-, bevægelses-, muskel-, kraft- og berøringsdata.
3. SYNWorld lærer at forudsige fysiske resultater og generere handlinger.
4. OctoH-Hand udfører handlingerne ved hjælp af taktil feedback og kraftkontrol.
5. Resultater fra den virkelige verden og nye demonstrationer skaber mere træningsdata.

Det er denne cirkel, der udgør SynapX’ egentlige tese: Bedre data skal forbedre modellen, en bedre model skal gøre hånden nyttig i flere situationer, og flere anvendelser skal igen skabe rigere data. 137

Hvis det lykkes, kan en færdighed, der er lært i én arbejdsomgivelse, tilpasses en anden i stedet for at blive bygget helt fra bunden til hver enkelt robot.

»En arbejdsstyrke på niveau med en elev i udskolingen«

Direktør Du Dalongs formulering om en »middle-school graduate silicon workforce« skal bedst forstås som en metafor for evner og økonomi – ikke som en bogstavelig uddannelsesstandard.

Det første mål er ifølge tankegangen ikke en fuldt autonom robot, der kan fungere som et menneske på alle områder. Det er snarere en stor flåde af billige, digitale arbejdere med bred grundkompetence: De skal kunne følge instruktioner, forstå et arbejdsområde, bruge begge hænder, lære af demonstrationer og udføre almindelige opgaver med opsyn og fortsat træning.

Værdien skal komme fra en fælles grundmodel og læring på tværs af en hel flåde. Når en robot lærer en færdighed, skal den kunne overføres til andre maskiner og arbejdssteder. Men visionen er endnu ikke det samme som et dokumenteret resultat. Den reelle økonomi vil afhænge af driftsikkerhed, sikkerhed, hardwarepris, vedligeholdelse og behovet for menneskeligt opsyn.

Hvorfor en hamburger kan blive den store prøve

For SynapX er det mere interessant at få en robot til at lave en hamburger end at vise en poleret pick-and-place-demonstration. En burger samler nemlig mange former for fingerfærdighed i én opgave.

Robotten skal håndtere objekter med forskellige former og teksturer, koordinere flere fingre, regulere kraften ved greb, pres og eventuel skæring, følge en rækkefølge af trin, placere ingredienser præcist og mærke kontakten så følsomt, at maden hverken bliver mast eller tabt.

Hvis en robot kan lave en hamburger mere stabilt end et menneske på tværs af skiftende ingredienser, redskaber og arbejdspladser, vil det pege på et skifte fra snæver automatisering til en genanvendelig samling af fysiske færdigheder.

De samme færdigheder kan i princippet bruges til emballage, brød og grøntsager, dosering af ingredienser, samling, rengøring og flytning af varer i professionelle køkkener og andre fødevaremiljøer.

Dalongs tidsramme på ét til to år bør dog betragtes som en ambition – ikke som en valideret prognose for branchen. Kilderne dokumenterer SynapX’ produktpåstande og demonstrationer, men ikke at tidsplanen vil blive overholdt. 14

Hvad Tesla-sammenligningen faktisk fortæller

Tesla-sammenligningen understreger, hvorfor robothænder får så stor opmærksomhed. En rapport tilskriver Elon Musk synspunktet, at hånden udgør omtrent halvdelen af den tekniske indsats i Optimus. 23

Det siger noget om, hvor vanskelig og vigtig hånden er i ét bestemt humanoidprogram. Det er derimod ikke dokumentation for, at Tesla bruger halvdelen af sit hardwareforskningsbudget på hænder. Den citerede kilde giver ingen sådan budgetopdeling.

SynapX’ bredere – og mere forsigtige – pointe er, at en kraftig robot »hjerne« stadig kan have svært ved at udføre almindeligt fysisk arbejde uden pålidelig fingerfærdighed, detaljeret taktil sensorik og præcis kraftkontrol.

På World Robot Conference 2026 valgte virksomheden derfor at sælge de dele, den mener udgør kernen i fysisk intelligens: modellen, hånden og dataløkken. Om denne strategi kan levere en billig og bredt anvendelig robotarbejder, afhænger af, om teknologien kan bevise sin generalisering uden for scenen.