Waarom China’s robots nog niet genoeg leren van de echte wereld

De grootste rem op China’s humanoïde-robots is steeds minder de hardware en steeds meer de data. Robots kunnen lopen, dansen en vooraf ingestudeerde handelingen uitvoeren. Maar voor betrouwbare autonomie is iets veel moeilijkers nodig: grote hoeveelheden rechtmatig verzamelde, gevarieerde en hoogwaardige gegevens over machines die de fysieke wereld waarnemen, bewegen, contact maken, fouten veroorzaken en zich daarvan herstellen. 514

De World Robot Conference (WRC) 2026 in Beijing maakte die verschuiving zichtbaar. Naast gelikte robotdemonstraties presenteerden bedrijven telebedieningssystemen, draagbare bewegingssensoren, tast- en krachtsensoren en complete infrastructuur voor het verzamelen van de data waarop robotmodellen moeten leren. 4913

Het tekort aan fysieke-AI-data

Rond de WRC werden cijfers genoemd van ongeveer 500.000 uur aan conforme fysieke-interactiedata. Voor commercieel bruikbare algemene modellen voor embodied AI — kunstmatige intelligentie die in de fysieke wereld kan waarnemen en handelen — wordt vaak gesproken over tientallen miljoenen uren. Dat wijst op een tekort van meer dan 99 procent. Het gaat daarbij wel om een industriële schatting, niet om een universele wetenschappelijke norm. De benodigde hoeveelheid hangt af van de taak, het robotplatform, de werkomgeving en de veiligheidseisen. 357

Het verschil met gewone internetdata is cruciaal. Een video kan laten zien hoe iemand een kopje oppakt, maar registreert doorgaans niet de gewrichtsstand van een robot, de grijpkracht, het exacte moment van contact, de wrijving, het wegglijden of de correctiebeweging. Juist die informatie bepaalt of een robot dezelfde handeling ook kan uitvoeren wanneer het kopje zwaarder is, het oppervlak nat blijkt of het voorwerp net anders staat.

Een demonstratie is nog geen autonomie

Een geprogrammeerde routine kan de lastigste onderdelen van robotica verbergen. De objecten, belichting, route en timing zijn mogelijk volledig gecontroleerd. En zodra er iets onverwachts gebeurt, kan een menselijke operator ingrijpen. Wat eruitziet als zelfstandig gedrag, bewijst dan nog niet dat de robot een robuuste waarneming-naar-actie-strategie heeft geleerd.

In een echte werkomgeving ligt de lat hoger. Robots moeten kunnen omgaan met verschillen in vorm, aangrijppunt, materiaal, ondergrond, rommel en de aanwezigheid van mensen. Ze moeten bovendien fouten herkennen en herstellen. Bij taken met veel fysiek contact is niet alleen van belang of het einddoel wordt bereikt. Ook de reeks waarnemingen, bewegingen, fysieke toestanden en correcties onderweg is waardevol. Daarom zijn speciale datasets voor physical AI ontworpen om multimodale waarnemingen te koppelen aan acties en de gevolgen daarvan. 333440

Data verzamelen wordt steeds ingewikkelder

De eerste datasets voor robotleren konden zich richten op korte en herhaalbare demonstraties. De volgende fase draait om langere taken met meerdere stappen en veel contact, zoals manipulatie, sorteren, assemblage, verpakken en schoonmaken in woningen, winkels, fabrieken en andere dienstverlenende omgevingen.

Dat vergroot de databehoefte op drie manieren:

• Meer variatie: dezelfde taak moet worden vastgelegd met verschillende objecten, indelingen, materialen en omstandigheden.
• Meer informatie over mislukkingen: een uitgegleden object, botsing, mislukte greep of herstelpoging kan net zo leerzaam zijn als een geslaagde demonstratie. 33
• Meer gesynchroniseerde signalen: camerabeelden, diepte, robotpositie, gewrichtsbewegingen, kracht, tastzin en andere sensorgegevens moeten precies op elkaar worden afgestemd. Zo kan een model leren hoe waarneming tot actie leidt.

Opschalen is kostbaar. Echte robots zijn duur om te laten werken, fysieke tests vereisen veiligheidsmaatregelen en goede data moet worden geselecteerd en gecontroleerd in plaats van simpelweg opgeslagen. Een groot videoarchief is daarom niet automatisch een bruikbare dataset voor robottraining.

Een nieuwe toeleveringslaag voor robots

Gespecialiseerde dataleveranciers proberen het gat tussen menselijk gedrag en machineklare data te dichten. Hun werk kan bestaan uit het werven en opleiden van operators, het op afstand besturen van robots, het registreren van menselijke bewegingen, het instrumenteren van taken, het synchroniseren van sensoren, het verwijderen van slechte trajecten en het formatteren van de resultaten voor modelontwikkelaars.

Telebediening is belangrijk omdat daarbij handelingen op een echte robot worden vastgelegd. Het gaat dus niet alleen om een video van een mens die iets vergelijkbaars doet. VR- en andere generieke controllers kunnen commando’s naar een robot vertalen. Draagbare systemen en bewegingsregistratie leggen juist de meer complexe bewegingen van een persoon vast, waarna die op een robot kunnen worden afgestemd. 1

Daarmee ontstaat een nieuwe laag in de keten van embodied AI. Bedrijven bouwen niet alleen robotlichamen en AI-modellen, maar produceren ook de demonstraties en sensorgegevens die beide met elkaar verbinden. Exposanten op de WRC presenteerden dataverzameling expliciet als onderdeel van de infrastructuur voor embodied intelligence, onder meer met systemen die hoofd- en handbewegingen tijdens alledaagse activiteiten registreren. 49

Waarom China overal trainingslocaties bouwt

Trainingslocaties bieden gecontroleerde maar realistische omgevingen waarin robots kunnen leren, worden getest en onderling kunnen worden vergeleken. Denk aan fabrieken, magazijnen, woningen, winkels en locaties voor publieke dienstverlening. Ontwikkelaars krijgen zo herhaalbare scenario’s, zonder het probleem terug te brengen tot een voorspelbare laboratoriumopstelling.

Volgens berichtgeving over een rapport uit 2026 van de China Academy of Information and Communications Technology waren eind juni in China meer dan 70 trainingslocaties voor embodied AI operationeel. Nog eens 46 locaties waren in aanbouw of gepland. De locaties lagen in meer dan de helft van de Chinese provinciale regio’s. Industriële productie was de meest voorkomende toepassing en kwam voor in 86 procent van de gerapporteerde trainingslocaties. 1822

De infrastructuur heeft alleen waarde als ze daadwerkelijk wordt gebruikt. Het doel is niet om nog meer hallen voor robotdemonstraties te bouwen, maar om een bron van data en een platform voor praktijktests te creëren. De beoogde cyclus is eenvoudig: training in de echte wereld levert data op, data verbetert het model, betere modellen maken bredere inzet mogelijk en die inzet levert weer nieuwe operationele data op. 1422

Beleid moet robots uit de demonstratiehal krijgen

Het Chinese ministerie van Industrie en Informatietechnologie en de toezichthouder op staatsbedrijven startten in 2026 een speciaal programma voor praktijktraining met humanoïde robots en embodied AI. De aandacht gaat uit naar industriële, dienstverlenende en gespecialiseerde toepassingen, waaronder productie, logistiek, gezondheidszorg, publieke diensten en noodhulp. 2425

In een overheidsbericht werd als doel genoemd om tegen het einde van 2026 de commerciële uitrol van 10.000 humanoïde robots en meer dan 100 hoogwaardige toepassingsscenario’s te stimuleren. 26 De beleidsaanpak maakt inzet zelf onderdeel van de trainingsinfrastructuur: lokale overheden en staatsbedrijven worden aangemoedigd om omgevingen beschikbaar te stellen waarin robots onder operationele omstandigheden kunnen worden getest, gevalideerd en verbeterd. 24

Dat betekent niet automatisch dat de robots deze doelstellingen halen of binnenkort breed autonoom functioneren. Wel laat het zien dat de beleidsfocus verder verschuift dan alleen de productie van robotonderdelen. Centraal komt de data-en-inzetcyclus te staan die nodig is voor commerciële betrouwbaarheid.

Waarom video, tekst en rijdata niet genoeg zijn

Video en taal blijven nuttig. Ze kunnen modellen leren wat objecten zijn, wat instructies betekenen en hoe een menselijke handeling eruitziet. Simulatie maakt het mogelijk om op grote schaal scenario’s te genereren en situaties te oefenen die in de echte wereld duur of gevaarlijk zijn. Onderzoek naar standaarden voor embodied AI wijst daarom op een combinatie van echte data, simulatie en meerdere zintuiglijke modaliteiten, in plaats van afhankelijkheid van één bron. 232

Toch beschrijven deze bronnen niet volledig hoe een robot een fysieke handeling moet besturen. Bij manipulatie moet een robot bijvoorbeeld kunnen inschatten:

• waar een object zich in drie dimensies bevindt en hoe het is gedraaid;
• wat de eigen gewrichtsstanden, snelheid en mechanische reactie zijn;
• hoeveel kracht nodig is om iets vast te pakken, te duwen, in te voegen of op te tillen;
• wanneer contact, wegglijden of een botsing plaatsvindt; en
• hoe de beweging moet worden aangepast wanneer het verwachte resultaat uitblijft.

Daarom vullen verschillende dataverzamelingsmethoden elkaar aan:

• VR-telebediening registreert de commando’s van een menselijke operator via een interface die aan robotbewegingen kan worden gekoppeld. 1
• Draagbare bewegingsregistratie legt de intentie van iemands lichaam, armen en handen vast, waarna die bewegingen op een robot kunnen worden afgestemd. 1
• Krachtterugkoppeling en tastzin maken contact, weerstand, druk en wegglijden zichtbaar die gewone pixels kunnen missen. 733
• Motorkoppel en proprioceptie — de interne waarneming van de robot — tonen de gewrichtsstanden, bewegingen en mechanische reactie tijdens een handeling. 3946
• Trajecten van echte robots laten kalibratiefouten, vertraging, ruis, mechanische grenzen en rommelige omgevingen zien die menselijke video of simulatie slechts kunnen benaderen. 3234

Datasets voor zelfrijdende auto’s kunnen helpen bij waarneming en navigatie, maar behendige manipulatie vraagt om een ander actierepertoire. Autorijden is grotendeels voertuiggericht en vindt meestal plaats zonder voortdurend contact met objecten. Een handeling als grijpen, een onderdeel invoegen of iets assembleren draait juist om contactkrachten, flexibiliteit en herstelgedrag.

De strategische inzet

De belangrijkste boodschap van de WRC 2026 is niet dat China geen belangstelling meer heeft voor robotica of hardware. Het is dat hardware alleen de autonomiekloof niet kan dichten. Het concurrentievoordeel kan steeds meer terechtkomen bij organisaties die grote hoeveelheden multimodale fysieke-interactiedata kunnen verzamelen, standaardiseren en rechtmatig gebruiken.

Voor China’s humanoïde-robotindustrie loopt de route voorbij demonstraties en op afstand bestuurde machines via een lastige combinatie van echte toepassingen, getrainde operators, uitgeruste testomgevingen, gedeelde datastandaarden en herhaalde praktijktests. Die pijplijn wordt nu opgebouwd. Maar de afstand tussen enkele honderdduizenden uren beschikbare data en de tientallen miljoenen uren die vaak met commerciële inzet worden verbonden, blijft de centrale beperking. 31314