"Luomme virtuaalimaailman, johon voimme sijoittaa nämä robotit", yritys kertoo. "Koulutettu simulaatiossa, skaalattu todelliseen maailmaan mahdollisimman vähäisellä ihmisen osallistumisella" .

Koulutusmenetelmä: Sim-to-Real suuressa mittakaavassa

Flexionin tekninen lähestymistapa perustuu kolmeen toisiinsa kytkeytyvään valintaan:

1. Simulaatiopohjainen (sim-to-real) koulutus. Kaikki robottien toimintamallit koulutetaan kokonaan virtuaalifysiikkasimulaatiossa massiivisessa mittakaavassa – jopa 4000 virtuaalirobottia samanaikaisesti – ja siirretään sitten fyysiseen laitteistoon ilman erillistä siirtoa . Yritys käyttää vahvistusoppimista (RL), jossa robotit opettavat itseään yrityksen ja erehdyksen kautta: toimimalla, aistimalla tuloksia ja säätämällä toimintaansa, kunnes ne onnistuvat . Lopputuloksena ei ole käsikirjoitus vaan neuroverkkopolitiikka, joka yhdistää havainnon toimintaan .

2. Jäljittelyoppimisen ja vahvistusoppimisen yhdistäminen. Flexion käyttää residuaalista vahvistusoppimista jäljittelyoppimisen perustana. Tämä tarkoittaa, että robotti oppii perustason käsittely- ja liikkumistaitoja ihmisen esittämästä datasta ja käyttää sitten vahvistusoppimista mukauttamaan näitä taitoja todellisen maailman olosuhteisiin, joita simulaattori ei pysty täydellisesti mallintamaan . Yritys käyttää myös "real-to-sim" -palautesilmukkaa, jossa todellisen maailman data tarkentaa simulaatioparametreja tulevaa tarkempaa koulutusta varten .

3. Modulaarinen kolmikerroksinen arkkitehtuuri. Autonomiaohjelmistopino erottaa korkean tason päättelyn liikkeen suunnittelusta ja matalan tason ohjauksesta :

• Komentokerros (päättely): Suuri kielimalli (LLM) tai visio-kielimalli (VLM) -agentti, joka tulkitsee luonnollisen kielen tehtäväkuvauksia – kuten "siisti toimisto" – jakaa ne osatehtäviin ja suunnittelee monivaiheisia työnkulkuja .
• Liikkeen tuottokerros (suunnittelu): Diffuusiopohjainen malli, joka kartoittaa robotin suunnitellun reitin ja välttää esteitä 3D-tilassa .
• Suorituskerros (refleksit): RL-pohjainen koko kehon seuranta, joka toteuttaa robustia ja mukautuvaa liikettä fyysisessä robotissa .

Tämä rakenne "erottaa tarkoituksen (kielen ohjaama) toteutettavuudesta (fysiikan sanelema), hyödyntäen simulaatiota motorisiin taitoihin ja todellista dataa valikoiden" .

Autonomiset toimistotehtävät: Käskystä toimintaan

Marraskuussa 2025 Flexion julkaisi videon, jossa humanoidirobotti siivoaa toimiston itsenäisesti pelkän käyttäjän antaman kehotteen perusteella – ilman käsikirjoituksia, ennalta laskettuja liikeratoja tai ihmisen etäohjausta . VLM-pohjainen agentti hahmotti ympäristön, päätteli tehtävän ja suunnitteli strategian esineiden poimimiseen ja uudelleenjärjestelyyn . Samaa järjestelmää on käytetty myös ulkona, missä robotti keräsi ja hävitti roskia itsenäisesti .

ICRA 2026: Elävä todiste

Kansainvälisessä robotiikka- ja automaatiokonferenssissa (ICRA 2026), joka pidettiin 9.–11. kesäkuuta 2026, Flexion esitteli live-autonomista humanoidirobottia. 300 kokeen aikana kolmen päivän ajan robotit toimivat täysin itsenäisesti yli 95 % onnistumisprosentilla ilman ihmisen puuttumista . Tulos vahvisti, että sim-to-real -siirtomenetelmä toimii mittakaavassa konferenssiympäristössä, joka on tunnetusti vaikea robottiesittelyille.

Miten Flexion eroaa muista humanoidirobotiikan yrityksistä

Tärkeimmät strategiset erot:

• Vain ohjelmisto / alustalisensointimalli. Flexion asemoituu horisontaaliseksi älykkyyskerrokseksi, jota mikä tahansa humanoidivalmistaja voi lisensoida, välttäen tietoisesti "vertikaalisen integraation ansan", jossa yritysten kuten Teslan tai Figuren on rakennettava sekä aivot että runko .
• Laitteistoriippumaton yleistys. Kouluttamalla yhtä ohjelmistopinoa 14 eri humanoidialustalla rinnakkain Flexion pyrkii tekemään aivoistaan siirrettäviä eri morfologioiden välillä – toisin kuin alan normi "yksi robotti, yksi pino" .
• Täysin simulaatiopohjainen koulutussilmukka. Vaikka useimmat kilpailijat käyttävät todellisen maailman etäohjausdataa jäljittelyoppimiseen, Flexion kouluttaa toimintamallit simulaatiossa mittakaavassa ja siirtää ne suoraan todelliseen maailmaan ilman erillistä siirtoa, mikä vaatii vain vähän todellisen maailman datankeruuta .

Huomioita ja avoimia kysymyksiä

Erillistä kesäkuun 2026 Wired-artikkelia, joka keskittyisi Flexionin toimistotehtäväautonomiaan, ei löytynyt käytettävissä olevista hakutuloksista. Yksityiskohtaisin todiste toimistotehtävistä on peräisin Flexionin omasta LinkedIn-päivityksestä (marraskuu 2025) ja ICRA 2026 -tuloksista . Yrityksen väitteet asennusajan lyhentämisestä "yhteen viikkoon" ja toimivuudesta 14 alustalla odottavat vielä vahvistusta kaupallisessa mittakaavassa. Vaikka ICRA 2026:n tulokset ovat vaikuttavia, ala odottaa edelleen kolmannen osapuolen vertailutestejä, joissa Flexion-robotteja verrataan suoraan vertikaalisesti integroituihin kilpailijoihin todellisessa käytössä.

Flexionin vedonlyönti on, että humanoidirobotiikan tulevaisuus muistuttaa enemmän Androidia kuin iPhonea: universaali käyttöjärjestelmä, jonka mikä tahansa valmistaja voi ottaa käyttöön. Jos sen simulaatiopohjainen koulutusmenetelmä tuottaa edelleen todellisia tuloksia, vedonlyönti voi hyvinkin onnistua.

"Luomme virtuaalimaailman, johon voimme sijoittaa nämä robotit", yritys kertoo. "Koulutettu simulaatiossa, skaalattu todelliseen maailmaan mahdollisimman vähäisellä ihmisen osallistumisella" .

Koulutusmenetelmä: Sim-to-Real suuressa mittakaavassa

Flexionin tekninen lähestymistapa perustuu kolmeen toisiinsa kytkeytyvään valintaan:

1. Simulaatiopohjainen (sim-to-real) koulutus. Kaikki robottien toimintamallit koulutetaan kokonaan virtuaalifysiikkasimulaatiossa massiivisessa mittakaavassa – jopa 4000 virtuaalirobottia samanaikaisesti – ja siirretään sitten fyysiseen laitteistoon ilman erillistä siirtoa . Yritys käyttää vahvistusoppimista (RL), jossa robotit opettavat itseään yrityksen ja erehdyksen kautta: toimimalla, aistimalla tuloksia ja säätämällä toimintaansa, kunnes ne onnistuvat . Lopputuloksena ei ole käsikirjoitus vaan neuroverkkopolitiikka, joka yhdistää havainnon toimintaan .

2. Jäljittelyoppimisen ja vahvistusoppimisen yhdistäminen. Flexion käyttää residuaalista vahvistusoppimista jäljittelyoppimisen perustana. Tämä tarkoittaa, että robotti oppii perustason käsittely- ja liikkumistaitoja ihmisen esittämästä datasta ja käyttää sitten vahvistusoppimista mukauttamaan näitä taitoja todellisen maailman olosuhteisiin, joita simulaattori ei pysty täydellisesti mallintamaan . Yritys käyttää myös "real-to-sim" -palautesilmukkaa, jossa todellisen maailman data tarkentaa simulaatioparametreja tulevaa tarkempaa koulutusta varten .

3. Modulaarinen kolmikerroksinen arkkitehtuuri. Autonomiaohjelmistopino erottaa korkean tason päättelyn liikkeen suunnittelusta ja matalan tason ohjauksesta :

• Komentokerros (päättely): Suuri kielimalli (LLM) tai visio-kielimalli (VLM) -agentti, joka tulkitsee luonnollisen kielen tehtäväkuvauksia – kuten "siisti toimisto" – jakaa ne osatehtäviin ja suunnittelee monivaiheisia työnkulkuja .
• Liikkeen tuottokerros (suunnittelu): Diffuusiopohjainen malli, joka kartoittaa robotin suunnitellun reitin ja välttää esteitä 3D-tilassa .
• Suorituskerros (refleksit): RL-pohjainen koko kehon seuranta, joka toteuttaa robustia ja mukautuvaa liikettä fyysisessä robotissa .

Tämä rakenne "erottaa tarkoituksen (kielen ohjaama) toteutettavuudesta (fysiikan sanelema), hyödyntäen simulaatiota motorisiin taitoihin ja todellista dataa valikoiden" .

Autonomiset toimistotehtävät: Käskystä toimintaan

Marraskuussa 2025 Flexion julkaisi videon, jossa humanoidirobotti siivoaa toimiston itsenäisesti pelkän käyttäjän antaman kehotteen perusteella – ilman käsikirjoituksia, ennalta laskettuja liikeratoja tai ihmisen etäohjausta . VLM-pohjainen agentti hahmotti ympäristön, päätteli tehtävän ja suunnitteli strategian esineiden poimimiseen ja uudelleenjärjestelyyn . Samaa järjestelmää on käytetty myös ulkona, missä robotti keräsi ja hävitti roskia itsenäisesti .

ICRA 2026: Elävä todiste

Kansainvälisessä robotiikka- ja automaatiokonferenssissa (ICRA 2026), joka pidettiin 9.–11. kesäkuuta 2026, Flexion esitteli live-autonomista humanoidirobottia. 300 kokeen aikana kolmen päivän ajan robotit toimivat täysin itsenäisesti yli 95 % onnistumisprosentilla ilman ihmisen puuttumista . Tulos vahvisti, että sim-to-real -siirtomenetelmä toimii mittakaavassa konferenssiympäristössä, joka on tunnetusti vaikea robottiesittelyille.

Miten Flexion eroaa muista humanoidirobotiikan yrityksistä

Tärkeimmät strategiset erot:

• Vain ohjelmisto / alustalisensointimalli. Flexion asemoituu horisontaaliseksi älykkyyskerrokseksi, jota mikä tahansa humanoidivalmistaja voi lisensoida, välttäen tietoisesti "vertikaalisen integraation ansan", jossa yritysten kuten Teslan tai Figuren on rakennettava sekä aivot että runko .
• Laitteistoriippumaton yleistys. Kouluttamalla yhtä ohjelmistopinoa 14 eri humanoidialustalla rinnakkain Flexion pyrkii tekemään aivoistaan siirrettäviä eri morfologioiden välillä – toisin kuin alan normi "yksi robotti, yksi pino" .
• Täysin simulaatiopohjainen koulutussilmukka. Vaikka useimmat kilpailijat käyttävät todellisen maailman etäohjausdataa jäljittelyoppimiseen, Flexion kouluttaa toimintamallit simulaatiossa mittakaavassa ja siirtää ne suoraan todelliseen maailmaan ilman erillistä siirtoa, mikä vaatii vain vähän todellisen maailman datankeruuta .

Huomioita ja avoimia kysymyksiä

Erillistä kesäkuun 2026 Wired-artikkelia, joka keskittyisi Flexionin toimistotehtäväautonomiaan, ei löytynyt käytettävissä olevista hakutuloksista. Yksityiskohtaisin todiste toimistotehtävistä on peräisin Flexionin omasta LinkedIn-päivityksestä (marraskuu 2025) ja ICRA 2026 -tuloksista . Yrityksen väitteet asennusajan lyhentämisestä "yhteen viikkoon" ja toimivuudesta 14 alustalla odottavat vielä vahvistusta kaupallisessa mittakaavassa. Vaikka ICRA 2026:n tulokset ovat vaikuttavia, ala odottaa edelleen kolmannen osapuolen vertailutestejä, joissa Flexion-robotteja verrataan suoraan vertikaalisesti integroituihin kilpailijoihin todellisessa käytössä.

Flexionin vedonlyönti on, että humanoidirobotiikan tulevaisuus muistuttaa enemmän Androidia kuin iPhonea: universaali käyttöjärjestelmä, jonka mikä tahansa valmistaja voi ottaa käyttöön. Jos sen simulaatiopohjainen koulutusmenetelmä tuottaa edelleen todellisia tuloksia, vedonlyönti voi hyvinkin onnistua.