Flexion Robotics: En «Android for humanoider» – uten å bygge robothodet selv

Mens de fleste humanoide robottbedrifter kappes om å bygge stadig bedre kropper, har Flexion Robotics tatt et helt annet veivalg. Oppstartsselskapet fra Zürich, som kom ut av «stealth-modus» i slutten av 2025, satser på at den store fordelen i humanoidrobotikk ikke vil være maskinvaren – men hjernen som kan kjøre på alle kropper. Med totale midler på 57,35 millioner dollar og en live-demonstrasjon på ICRA 2026 med over 95 % autonom suksess på tvers av 300 forsøk, er Flexions simuleringsførst-tilnærming en av de mest særpregede strategiene i feltet .

Flexions kjernetese: Kun programvare, uavhengig av maskinvare

Flexion Robotics produserer ikke selv roboter. I stedet bygger de en universell programvarestabel for autonomi – det selskapet selv kaller «Android for humanoider» – som kan lisensieres av alle produsenter av humanoide roboter . Stabelen er designet for å fungere på 14 ulike humanoide plattformer samtidig, med mål om å redusere innsatsen ved å tilpasse en ny robot til en ny oppgave fra flere år ned til én uke .

«Vi skaper en virtuell verden der vi kan plassere disse robotene,» forklarer selskapet. «Trent i simulering, skalert til den virkelige verden med minimal menneskelig involvering» .

Treningsmetoden: Sim-to-Real i stor skala

Flexions tekniske tilnærming er bygget rundt tre sammenhengende valg:

1. Simulering først (sim-to-real)-trening. Alle robotpolicyer trenes utelukkende inne i en virtuell fysikksimulering i massiv skala – opptil 4000 virtuelle roboter som kjører samtidig – og overføres deretter til fysisk maskinvare med null innstilling («zero-shot») for virkelig bruk . Selskapet bruker forsterkningslæring (RL) der roboter lærer seg selv gjennom prøving og feiling: de handler, registrerer resultater og justerer seg til de lykkes . Resultatet er ikke et manus, men et nevralt nettverk (policy) som kartlegger persepsjon til handling .

2. Kombinasjon av imitasjonslæring og forsterkningslæring. Flexion bruker residuell forsterkningslæring oppå imitasjonslæringsbaser. Det betyr at roboten lærer grunnleggende manipulasjons- og bevegelsesferdigheter fra menneskelige demonstrasjonsdata, og deretter bruker RL for å tilpasse disse ferdighetene til virkelige forhold som simulatoren ikke kan modellere perfekt . Selskapet bruker også en «real-to-sim»-tilbakemeldingssløyfe, der virkelige data forbedrer simuleringsparametere for fremtidig trening med høyere nøyaktighet .

3. En modulær tre-lags arkitektur. Autonomistabelen skiller høyere nivås resonnering fra bevegelsesplanlegging og lavnivåkontroll :

• Kommandolaget (Resonnering): En agent basert på store språkmodeller (LLM) eller visjon-språk-modeller (VLM) som tolker naturlige språkbeskrivelser – som «rydd opp på kontoret» – bryter dem ned i deloppgaver og planlegger flertrinns arbeidsflyter .
• Bevegelsesgeneratorlaget (Planlegging): En diffusjonsbasert modell som kartlegger robotens tiltenkte bane og unngår hindringer i 3D-rom .
• Utførelseslaget (Reflekser): En RL-basert helkroppssporer som utfører robust, tilpasningsdyktig bevegelse på den fysiske roboten .

Denne utformingen «separerer intensjon (drevet av språk) fra gjennomførbarhet (håndhevet av fysikk), og utnytter simulering for motoriske ferdigheter og reelle data selektivt» .

Autonome kontoroppgaver: Fra forespørsel til handling

I november 2025 la Flexion ut en video som viste en humanoid robot som på egen hånd ryddet et kontor, startet fra en enkel brukerforespørsel – uten manus, forhåndsberegnede baner eller menneskelig fjernstyring . Den VLM-baserte agenten oppfattet scenen, resonnerte rundt oppgaven og planla en ende-til-ende-strategi for å plukke opp og omorganisere objekter . Det samme underliggende systemet har også blitt vist i utendørsmiljøer, der det autonomt samler og kaster søppel .

ICRA 2026: Live-validering

Under den internasjonale konferansen for robotikk og automasjon (ICRA 2026), avholdt 9.–11. juni 2026, gjennomførte Flexion en live-demonstrasjon med humanoide roboter. På 300 forsøk over tre dager opererte robotene fullstendig autonomt med over 95 % suksess og uten menneskelig inngripen . Resultatet bekreftet at sim-to-real-overføringen fungerer i stor skala i et ukontrollert konferansemiljø – et beryktet vanskelig miljø for robotdemonstrasjoner.

Hvordan Flexion skiller seg fra feltet av humanoide roboter

Dimensjon	Flexion Robotics	Typiske konkurrenter (Tesla Optimus, Boston Dynamics, Figure, 1X)
Kjerneprodukt	Universell autonomiprogramvare – ingen egen robothardware	Vertikalt integrert maskinvare + programvare; hver bygger sin egen robotkropp
Plattformstrategi	Kjører på alle humanoide maskiner; parallell på 14 plattformer	Bundet til én proprietær maskinvareplattform
Treningsparadigme	Simulering først (sim-to-real); policyer trent i simulering og nullstilt overført	Blanding av virkelige fjernstyringsdata, virkelig RL og simulering; de fleste er svært avhengige av reell datainnsamling

Viktige strategiske forskjeller:

• Kun programvare / plattformlisensieringsmodell. Flexion posisjonerer seg som et horisontalt intelligenslag som enhver humanoid-produsent kan lisensiere, og unngår bevisst «den vertikale integrasjonsfellen» som selskaper som Tesla eller Figure må forholde seg til .
• Maskinvareuavhengig generalisering. Å trene én stabel på tvers av 14 forskjellige humanoide plattformer parallelt er ment å gjøre Flexions hjerne bærbar på tvers av forskjellige kroppstyper – i kontrast til bransjenormen med én robot, én stabel .
• Fullstendig simuleringsbasert treningssløyfe. Mens de fleste konkurrenter bruker virkelige fjernstyringsdata for imitasjonslæring, trener Flexion policyer i stor skala i simulering og overfører dem nullstilt til den virkelige verden, noe som krever minimalt med reell datainnsamling .

Forbehold og åpne spørsmål

En dedikert Wired-artikkel fra juni 2026 som spesifikt profilerer Flexions kontoroppgaveautonomi, ble ikke funnet i tilgjengelige søkeresultater. Den mest detaljerte demonstrasjonsbeviset for kontoroppgaver kommer fra Flexions eget LinkedIn-innlegg (november 2025) og ICRA 2026-resultatrapporten . Selskapets påstander om å redusere oppsettstiden til «én uke» og å kjøre på 14 plattformer gjenstår å verifisere i kommersiell skala. Og selv om ICRA 2026-resultatene er imponerende, venter feltet fortsatt på tredjeparts benchmarks som sammenligner Flexion-drevne roboter direkte med vertikalt integrerte konkurrenter i virkeligheten.

Flexions satsing er at fremtiden for humanoid robotikk vil ligne mindre på iPhone – en tett integrert maskinvare-programvarepakke – og mer på Android: et universelt operativsystem som enhver produsent kan ta i bruk. Hvis simuleringsførst-treningsmetodikken fortsetter å levere resultater i den virkelige verden, kan dette veddemålet meget vel lønne seg.

---

Denne artikkelen er basert på tilgjengelige kilder per juni 2026. En oppfølgingsartikkel kan gi ytterligere detaljer om den faktiske Wired-artikkelen når den blir tilgjengelig.