Hoe WUWENAI robots sneller wil leren met een Real-to-Sim-to-Real-lus

De kern van WUWENAI’s strategie is eenvoudig: embodied AI — kunstmatige intelligentie die in de fysieke wereld waarneemt en handelt — schaalt niet alleen door steeds meer demonstraties op te nemen. Het bedrijf wil fysieke interactiedata gebruiken als fundament voor een virtuele wereld waarin robots veel meer situaties kunnen oefenen.

De oprichter en topman Liu Shengxiang was eerder verantwoordelijk voor data en tests rond autonoom rijden bij Baidu. Volgens WUWENAI bouwt hij aan een infrastructuurstrategie waarin dataproductie, modeltraining, evaluatie en verbetering één geheel vormen. 8

Drie schakels in één gesloten systeem

1. Data Factory: leren van de echte wereld

Multimodale opstellingen verzamelen gelijktijdig beelden, bewegingen, robotacties, contactinformatie en taakresultaten tijdens interacties tussen robots en objecten. Het doel is data vast te leggen die niet alleen visueel overtuigend zijn, maar ook iets zeggen over de fysieke oorzaak-gevolgrelatie achter een handeling.

Dat onderscheid is belangrijk. Gewone onlinevideo’s tonen vaak wel wat een mens doet, maar niet de exacte robotactie, gekalibreerde geometrie, krachten of contactmomenten die nodig zijn voor betrouwbare manipulatie. WUWENAI heeft daarnaast zijn fysieke-AI-dataplatform Wuyin onder de aandacht gebracht. Het bedrijf claimt daar meer dan 1.000 TB aan data en 10.000 uur aan open hoogwaardige datasets. 12

2. Generative World Model: meer ervaringen creëren

Een World Model leert hoe een scène verandert wanneer een robot een actie uitvoert. Vanuit echte interacties kan het vervolgens varianten genereren: andere objectposities, verstoringen, trajecten, taakuitvoeringen en mogelijke mislukkingen.

Zo’n model is bedoeld om de scène en haar ontwikkeling door de tijd heen samen te vatten in een compacte, aangeleerde representatie. 5 De virtuele ervaringen moeten wel actiegestuurd zijn: het model moet niet alleen een plausibel volgend beeld kunnen maken, maar ook kunnen voorspellen wat er gebeurt wanneer de robot iets anders doet.

3. World Simulator: trainen, testen en selecteren

In de simulator kunnen robotbeleidsmodellen — de regels of neurale strategieën die bepalen welke actie een robot neemt — veel sneller en goedkoper worden uitgerold dan op fysieke hardware. Het systeem kan resultaten beoordelen, zwakke situaties blootleggen en bepalen welke gevallen opnieuw in de echte wereld moeten worden verzameld.

Onderzoek naar interactieve, actiegestuurde simulators laat zien dat beoordelingen in een simulator kunnen samenhangen met prestaties in de echte wereld. Dat is echter nog geen opgelost probleem: vooral contactrijke handelingen en lange taakreeksen blijven lastig nauwkeurig te voorspellen. 3

Waar komen die ‘miljoenen uren’ vandaan?

Liu’s claim betekent niet dat WUWENAI letterlijk miljoenen uren aan robotgebruik in fabrieken wil opnemen. Het idee is dat een relatief kleine hoeveelheid betrouwbare fysieke interacties als zaadcollectie dient. Een generatief model kan daaruit vervolgens veel controleerbare trainingstrajecten afleiden.

De echte wereld houdt de simulatie op koers: geselecteerde fouten en twijfelgevallen worden opnieuw fysiek getest en leveren nieuwe data op. De virtuele wereld zorgt intussen voor schaal. Dat patroon — echte robotervaringen, synthetische uitbreiding en terugkoppeling naar de robot — sluit aan bij recent onderzoek naar gesloten lussen voor reinforcement learning met echte robots. 4

Waarom niet gewoon teleopereren of video verzamelen?

WUWENAI positioneert zijn aanpak tegenover drie traditionele routes:

• Teleoperatie levert actiegelabelde demonstraties op, maar is duur, traag en afhankelijk van menselijke operators. Bovendien worden vooral succesvolle handelingen verzameld, terwijl zeldzame fouten en alternatieve scenario’s onderbelicht blijven.
• Video’s vanuit menselijk perspectief zijn op grote schaal beschikbaar, maar bevatten doorgaans geen robotacties, nauwkeurige ruimtelijke informatie, krachten of contactsignalen. Daardoor vormen ze beperkte supervisie voor robotische manipulatie.
• Pure simulatie is goedkoop en veelzijdig, maar kan verkeerde aannames bevatten over geometrie, contactdynamica, sensorruis, objectgedrag of menselijke omgevingen. Dat verschil tussen simulatie en werkelijkheid staat bekend als de sim-to-real-kloof. Een dynamische digitale tweeling die voortdurend met echte waarnemingen wordt uitgelijnd, moet die kloof verkleinen. 2

De virtuele-realiteitslus probeert dus niet fysieke data volledig te vervangen. Ze moet juist bepalen welke fysieke data het meest waardevol zijn en de opbrengst van elke echte robotinteractie vergroten.

Van imitatie naar reinforcement learning

Demonstraties zijn vooral geschikt om imitatielearning op gang te brengen: de robot leert in feite “doe wat de demonstrator deed”. Een voldoende betrouwbare actiegestuurde simulator opent een volgende stap. Een beleid kan daar alternatieve acties uitproberen, beloningen ontvangen, langere taakreeksen optimaliseren en leren herstellen na een fout.

Dat is reinforcement learning: leren door te experimenteren en feedback te krijgen. Recent onderzoek heeft al laten zien dat vision-language-action-beleidsmodellen in een World Model met reinforcement learning kunnen worden verfijnd. Toch blijven betrouwbare beloningen en voldoende modelnauwkeurigheid de doorslaggevende voorwaarden. 1

Een bredere race om robotinfrastructuur

De concurrentie draait daardoor minder om één losse functie dan om een vergelijkbare architectuur. World Labs beschrijft met SceniX eveneens een Real-to-Sim-to-Real-engine die één fysieke taak kan omzetten in veel controleerbare en herbruikbare virtuele werelden voor training en tests. 7 Google DeepMind koppelt in zijn onderzoek al langer aangeleerde dynamische modellen aan schaalbare reinforcement learning. 3

Tesla heeft met Optimus sterke troeven op het gebied van hardware-iteratie, productie en zijn bredere ecosysteem van data en rekenkracht. Op basis van de openbare informatie valt echter niet vast te stellen dat WUWENAI technisch voorligt op Tesla of DeepMind.

Waarom China een belangrijke proeftuin kan zijn

China beschikt over ’s werelds grootste geïnstalleerde basis van industriële robots en breidt tegelijk zijn activiteiten rond humanoïde robots uit, terwijl delen van de robotica-toeleveringsketen worden gelokaliseerd. 6 Officiële commentaren beschrijven embodied AI bovendien als een sector die verschuift van kleinschalige proeven naar bredere toepassing. 9

Dat kan een grote binnenlandse basis opleveren van fabrieken, robots, taken en werkomgevingen waaruit een data-infrastructuurbedrijf fysieke basisdata kan verzamelen en gedeelde hulpmiddelen aan verschillende robotfabrikanten kan leveren.

De doorslaggevende test moet nog komen

De kwalificatie van WUWENAI als “wereldklasse” en de bewering dat het bedrijf maanden voorloopt, zijn vooralsnog uitspraken van het bedrijf en de media, geen onafhankelijk gevalideerde benchmarkresultaten. De echte test is of de simulator contactrijke en langdurige taken nauwkeurig genoeg voorspelt.

Pas wanneer beleid dat in de virtuele omgeving is getraind consequent overdraagt naar verschillende echte robots, objecten en omgevingen, blijkt of de Real-to-Sim-to-Real-lus inderdaad de dataknel van embodied AI kan doorbreken.