En annen vei til fysisk AI

På World Robot Conference 2026 i Beijing presenterte SynapX en annen strategi enn den som ofte forbindes med humanoide roboter: Bygg den gjenbrukbare intelligensen og manipulasjonsteknologien først, og la selve robotkroppen variere senere.

Selskapet kaller systemet «Brain–Hand–Data». Det består av verdensmodellen SYNWorld, den fingerferdige robothånden OctoH-Hand og datainnsamlingsplattformen OctoSense. 12

SynapX’ utgangspunkt er at robotens viktigste egenskaper ikke nødvendigvis er menneskelignende utseende eller evnen til å gå på to bein. Det avgjørende er å forstå hvordan den fysiske verden fungerer – og å kunne gripe, flytte og håndtere objekter med høy presisjon.

En slik «hjerne og hånd» kan i prinsippet monteres på ulike robotkropper, robotarmer eller faste arbeidsstasjoner. Dermed kan intelligensen bli mer portabel enn en løsning som er utviklet for én bestemt humanoid. 114

SYNWorld: hjernen som skal forstå fysikken

SynapX beskriver SYNWorld V0.5 som en generell verdensmodell utviklet spesielt for fysisk eller kroppslig AI. Ambisjonen er at roboten skal lære de felles fysiske sammenhengene bak ulike oppgaver, i stedet for å få et separat, forhåndsprogrammert skript for hver enkelt bevegelse.

På konferansen ble modellen vist i oppgaver som å riste brød, brette klær og løse detaljerte puslespill. 1922

SYNWorld presenteres gjennom to beslektede funksjoner:

• En handlingsstyrt verdensmodell som forutsier hvordan miljøet kan endre seg når roboten utfører en bestemt handling.
• En verdens–handlingsmodell som bruker forståelsen av nåværende og fremtidig tilstand til å generere robotens bevegelser.

Ifølge SynapX har SYNWorld V0.5 rundt 16 milliarder parametere og er trent på mer enn 300 000 timer med multimodale data. 14

Det er en tydelig satsing på overføring: Lær de nyttige fysiske mønstrene én gang, og bruk dem på tvers av oppgaver og robottyper. Om modellen faktisk generaliserer stabilt utenfor kontrollerte demonstrasjoner, er likevel det viktigste tekniske spørsmålet som gjenstår.

OctoH-Hand: en hånd som må kjenne forskjell på fast og skjørt

OctoH-Hand er en bionisk robothånd med mange frihetsgrader. Den er utviklet for flerfinger-grep, tommelmotstilling, finmotoriske fingertuppbevegelser og mer komplekse grep enn en vanlig griper kan utføre.

Rapporterte spesifikasjoner omfatter 28 individuelt styrte aktuatorer, 23 aktive frihetsgrader og mer enn 1 900 taktile sensorenheter. Konstruksjonen kombinerer senedrevet bevegelse i selve hånden med motorer plassert i underarmen. 418

Forskjellen fra en tradisjonell robotgriper handler ikke bare om antallet fingre. En fingerferdig hånd må hele tiden justere grepet etter kontakt, trykk, kraft og endringer i objektet. Det er avgjørende når roboten skal håndtere myke eller skjøre ting: For mye kraft kan knuse dem, mens for lite kraft kan få dem til å gli.

Derfor behandler SynapX berøringssensorer og kraftstyring som selve kjernen i robotens samspill med verden – ikke som ekstrautstyr. 14

OctoSense: data fra mennesker i arbeid

OctoSense er SynapX’ system for innsamling av data fra fysiske oppgaver. Demonstrasjonene har blant annet omfattet et fiskeøyebasert hodeoppsett, armbånd for elektromyografi – måling av elektriske signaler fra musklene – og en datahanske med eksoskjelettlignende konstruksjon.

Utstyret skal kunne fange opp hva en person ser, hvordan kroppen og hendene beveger seg, og hvordan personen samhandler med objekter gjennom signaler som kraft, dreiemoment, trykk og berøring. 1512

SynapX sier at systemet er laget for å koble menneskelige demonstrasjoner tettere til OctoH-Handens ledd, bevegelser og sensorer. Det kan redusere problemet med såkalt retargeting – oversettelsen fra en menneskelig bevegelse til en tilsvarende robotbevegelse.

Selskapet hevder også at muskeldata kan generaliseres mellom personer uten individuell kalibrering, såkalt nullskudds-generalisering. Det tilgjengelige materialet gir imidlertid begrenset uavhengig dokumentasjon på hvor pålitelig dette fungerer i stor skala. 5720

Slik skal datamaskinen lære av den virkelige verden

De tre produktene er ment å fungere som én sammenhengende sløyfe, ikke som tre separate produktlinjer:

1. Mennesker demonstrerer vanlige fysiske arbeidsoppgaver.
2. OctoSense registrerer syn, bevegelser, muskelaktivitet, kraft og berøring i synkroniserte datastrømmer.
3. SYNWorld lærer å forutsi fysiske utfall og generere handlinger.
4. OctoH-Hand utfører handlingene ved hjelp av taktil tilbakemelding og kraftstyring.
5. Resultatene fra den virkelige verden og nye demonstrasjoner gir mer treningsdata.

Dette er selve kjernen i SynapX’ strategi. Bedre data skal gjøre modellen bedre. En bedre modell skal gjøre hånden nyttig i flere situasjoner. Flere nyttige anvendelser skal igjen produsere rikere data.

Selskapets satsing er dermed at en integrert krets mellom data, modell og maskinvare vil gi mer overførbare fysiske ferdigheter enn om man optimaliserer en modell, en hånd eller et humanoidt skjelett hver for seg. 137

Hvorfor ikke begynne med en humanoid robot?

En menneskelignende kropp har klare fordeler. Den kan potensielt passe inn i rom som allerede er utformet for mennesker, og bruke verktøy som finnes i slike miljøer.

Men SynapX mener kroppen først og fremst bør være en utskiftbar plattform. Den generelle verdensmodellen og den fingerferdige endeeffekten – altså hånden som faktisk berører objektene – kan være de mer gjenbrukbare byggesteinene.

Dette er like mye en forretningsstrategi som en teknisk strategi. SynapX forsøker å posisjonere seg som en leverandør av grunnlaget for fysisk AI: den generelle modellen, robothånden og infrastrukturen for data. Selskapet trenger da ikke nødvendigvis å produsere alle komplette roboter eller drive alle fabrikk-, restaurant- og husholdningsløsninger selv. Partnere kan integrere teknologien i ulike systemer. 2314

Argumentet bygger også på en praktisk flaskehals. Det er imponerende når en robot går, men mange kommersielle oppgaver avhenger mer direkte av trygg og tilpasningsdyktig manipulering. Å plukke opp myk mat, plassere den nøyaktig, bruke riktig trykk og reagere på uventet kontakt er først og fremst problemer for hånden og sansesystemet.

«Silisiumarbeideren» på ungdomsskolenivå

Grunnlegger og toppsjef Du Dalongs uttrykk om en «silisiumarbeider på ungdomsskolenivå» bør forstås som en metafor for ferdigheter og økonomi – ikke som en bokstavelig beskrivelse av utdanning.

Tanken er at det første gjennombruddet ikke trenger å være en helt generell robot som tilsvarer et voksent menneske. Det kan i stedet være en flåte av rimelige, digitale arbeidere med bred grunnkompetanse: De kan følge instrukser, forstå et arbeidsområde, bruke begge hender, lære fra demonstrasjoner og utføre vanlige oppgaver under tilsyn og videre trening.

I en slik modell ligger verdien i en felles grunnmodell og læring på tvers av en flåte. En ferdighet som læres i én arbeidssituasjon, kan tilpasses en annen i stedet for å bygges fra grunnen av for hver maskin.

Dette er foreløpig en selskapsvisjon, ikke et dokumentert resultat fra kommersiell drift. Økonomien vil avhenge av pålitelighet, sikkerhet, maskinvarekostnader, vedlikehold og hvor mye menneskelig oppfølging robotene fortsatt trenger.

Hvorfor en hamburger kan bli robotikkens «ChatGPT-øyeblikk»

For SynapX er en hamburger mer interessant enn en glatt og forutsigbar plukk-og-plasser-demonstrasjon. Oppgaven kombinerer flere former for fingerferdighet.

En robot må håndtere ingredienser med ulik form og tekstur, koordinere flere fingre, regulere kraften ved grep, pressing eller skjæring, gjennomføre trinnene i riktig rekkefølge, plassere ingrediensene presist og kjenne kontakt godt nok til at maten ikke blir knust eller mistet.

Hvis en robot kan lage en hamburger mer stabilt enn et menneske – også når ingredienser, redskaper og arbeidsflater varierer – vil det være et tegn på at teknologien har beveget seg fra snever automasjon til en mer generell samling av fysiske ferdigheter.

De samme ferdighetene kan i prinsippet brukes til å håndtere emballasje, brød og grønnsaker, dosere ingredienser, sette sammen mat, rydde og flytte objekter i serveringsmiljøer.

Dalongs antydede tidsramme på ett til to år bør likevel behandles som en ambisjon, ikke som en bekreftet prognose for bransjen. Kildene dokumenterer SynapX’ produktpåstander og demonstrasjoner, men viser ikke at tidsplanen vil bli nådd. 14

Hva Tesla-sammenligningen faktisk viser

Tesla-sammenligningen understreker hvorfor robothender får så mye oppmerksomhet. Én rapport tilskriver Elon Musk synet på at hånden står for omtrent halvparten av ingeniørarbeidet med Optimus. Det sier noe om hvor vanskelig og viktig hånden anses å være i ett bestemt humanoidprogram.

Det er derimot ikke dokumentasjon på at Tesla bruker halvparten av hele selskapets maskinvarebudsjett på hender. Det tilgjengelige materialet støtter en beskrivelse av ingeniørinnsats, ikke en offentliggjort budsjettfordeling. 23

SynapX’ bredere poeng er derfor mer avgrenset: Selv en kraftig robot«hjerne» kan få problemer med å utføre vanlig fysisk arbeid uten pålitelig fingerferdighet, rik taktil sansing og presis kraftstyring.

Strategien på WRC 2026 er å kommersialisere delene selskapet mener utgjør kjernen i fysisk intelligens – modellen, hånden og dataløkken – før det eventuelt bindes til én universell robotkropp.

En annen vei til fysisk AI

På World Robot Conference 2026 i Beijing presenterte SynapX en annen strategi enn den som ofte forbindes med humanoide roboter: Bygg den gjenbrukbare intelligensen og manipulasjonsteknologien først, og la selve robotkroppen variere senere.

Selskapet kaller systemet «Brain–Hand–Data». Det består av verdensmodellen SYNWorld, den fingerferdige robothånden OctoH-Hand og datainnsamlingsplattformen OctoSense. 12

SynapX’ utgangspunkt er at robotens viktigste egenskaper ikke nødvendigvis er menneskelignende utseende eller evnen til å gå på to bein. Det avgjørende er å forstå hvordan den fysiske verden fungerer – og å kunne gripe, flytte og håndtere objekter med høy presisjon.

En slik «hjerne og hånd» kan i prinsippet monteres på ulike robotkropper, robotarmer eller faste arbeidsstasjoner. Dermed kan intelligensen bli mer portabel enn en løsning som er utviklet for én bestemt humanoid. 114

SYNWorld: hjernen som skal forstå fysikken

SynapX beskriver SYNWorld V0.5 som en generell verdensmodell utviklet spesielt for fysisk eller kroppslig AI. Ambisjonen er at roboten skal lære de felles fysiske sammenhengene bak ulike oppgaver, i stedet for å få et separat, forhåndsprogrammert skript for hver enkelt bevegelse.

På konferansen ble modellen vist i oppgaver som å riste brød, brette klær og løse detaljerte puslespill. 1922

SYNWorld presenteres gjennom to beslektede funksjoner:

• En handlingsstyrt verdensmodell som forutsier hvordan miljøet kan endre seg når roboten utfører en bestemt handling.
• En verdens–handlingsmodell som bruker forståelsen av nåværende og fremtidig tilstand til å generere robotens bevegelser.

Ifølge SynapX har SYNWorld V0.5 rundt 16 milliarder parametere og er trent på mer enn 300 000 timer med multimodale data. 14

Det er en tydelig satsing på overføring: Lær de nyttige fysiske mønstrene én gang, og bruk dem på tvers av oppgaver og robottyper. Om modellen faktisk generaliserer stabilt utenfor kontrollerte demonstrasjoner, er likevel det viktigste tekniske spørsmålet som gjenstår.

OctoH-Hand: en hånd som må kjenne forskjell på fast og skjørt

OctoH-Hand er en bionisk robothånd med mange frihetsgrader. Den er utviklet for flerfinger-grep, tommelmotstilling, finmotoriske fingertuppbevegelser og mer komplekse grep enn en vanlig griper kan utføre.

Rapporterte spesifikasjoner omfatter 28 individuelt styrte aktuatorer, 23 aktive frihetsgrader og mer enn 1 900 taktile sensorenheter. Konstruksjonen kombinerer senedrevet bevegelse i selve hånden med motorer plassert i underarmen. 418

Forskjellen fra en tradisjonell robotgriper handler ikke bare om antallet fingre. En fingerferdig hånd må hele tiden justere grepet etter kontakt, trykk, kraft og endringer i objektet. Det er avgjørende når roboten skal håndtere myke eller skjøre ting: For mye kraft kan knuse dem, mens for lite kraft kan få dem til å gli.

Derfor behandler SynapX berøringssensorer og kraftstyring som selve kjernen i robotens samspill med verden – ikke som ekstrautstyr. 14

OctoSense: data fra mennesker i arbeid

OctoSense er SynapX’ system for innsamling av data fra fysiske oppgaver. Demonstrasjonene har blant annet omfattet et fiskeøyebasert hodeoppsett, armbånd for elektromyografi – måling av elektriske signaler fra musklene – og en datahanske med eksoskjelettlignende konstruksjon.

Utstyret skal kunne fange opp hva en person ser, hvordan kroppen og hendene beveger seg, og hvordan personen samhandler med objekter gjennom signaler som kraft, dreiemoment, trykk og berøring. 1512

SynapX sier at systemet er laget for å koble menneskelige demonstrasjoner tettere til OctoH-Handens ledd, bevegelser og sensorer. Det kan redusere problemet med såkalt retargeting – oversettelsen fra en menneskelig bevegelse til en tilsvarende robotbevegelse.

Selskapet hevder også at muskeldata kan generaliseres mellom personer uten individuell kalibrering, såkalt nullskudds-generalisering. Det tilgjengelige materialet gir imidlertid begrenset uavhengig dokumentasjon på hvor pålitelig dette fungerer i stor skala. 5720

Slik skal datamaskinen lære av den virkelige verden

De tre produktene er ment å fungere som én sammenhengende sløyfe, ikke som tre separate produktlinjer:

1. Mennesker demonstrerer vanlige fysiske arbeidsoppgaver.
2. OctoSense registrerer syn, bevegelser, muskelaktivitet, kraft og berøring i synkroniserte datastrømmer.
3. SYNWorld lærer å forutsi fysiske utfall og generere handlinger.
4. OctoH-Hand utfører handlingene ved hjelp av taktil tilbakemelding og kraftstyring.
5. Resultatene fra den virkelige verden og nye demonstrasjoner gir mer treningsdata.

Dette er selve kjernen i SynapX’ strategi. Bedre data skal gjøre modellen bedre. En bedre modell skal gjøre hånden nyttig i flere situasjoner. Flere nyttige anvendelser skal igjen produsere rikere data.

Selskapets satsing er dermed at en integrert krets mellom data, modell og maskinvare vil gi mer overførbare fysiske ferdigheter enn om man optimaliserer en modell, en hånd eller et humanoidt skjelett hver for seg. 137

Hvorfor ikke begynne med en humanoid robot?

En menneskelignende kropp har klare fordeler. Den kan potensielt passe inn i rom som allerede er utformet for mennesker, og bruke verktøy som finnes i slike miljøer.

Men SynapX mener kroppen først og fremst bør være en utskiftbar plattform. Den generelle verdensmodellen og den fingerferdige endeeffekten – altså hånden som faktisk berører objektene – kan være de mer gjenbrukbare byggesteinene.

Dette er like mye en forretningsstrategi som en teknisk strategi. SynapX forsøker å posisjonere seg som en leverandør av grunnlaget for fysisk AI: den generelle modellen, robothånden og infrastrukturen for data. Selskapet trenger da ikke nødvendigvis å produsere alle komplette roboter eller drive alle fabrikk-, restaurant- og husholdningsløsninger selv. Partnere kan integrere teknologien i ulike systemer. 2314

Argumentet bygger også på en praktisk flaskehals. Det er imponerende når en robot går, men mange kommersielle oppgaver avhenger mer direkte av trygg og tilpasningsdyktig manipulering. Å plukke opp myk mat, plassere den nøyaktig, bruke riktig trykk og reagere på uventet kontakt er først og fremst problemer for hånden og sansesystemet.

«Silisiumarbeideren» på ungdomsskolenivå

Grunnlegger og toppsjef Du Dalongs uttrykk om en «silisiumarbeider på ungdomsskolenivå» bør forstås som en metafor for ferdigheter og økonomi – ikke som en bokstavelig beskrivelse av utdanning.

Tanken er at det første gjennombruddet ikke trenger å være en helt generell robot som tilsvarer et voksent menneske. Det kan i stedet være en flåte av rimelige, digitale arbeidere med bred grunnkompetanse: De kan følge instrukser, forstå et arbeidsområde, bruke begge hender, lære fra demonstrasjoner og utføre vanlige oppgaver under tilsyn og videre trening.

I en slik modell ligger verdien i en felles grunnmodell og læring på tvers av en flåte. En ferdighet som læres i én arbeidssituasjon, kan tilpasses en annen i stedet for å bygges fra grunnen av for hver maskin.

Dette er foreløpig en selskapsvisjon, ikke et dokumentert resultat fra kommersiell drift. Økonomien vil avhenge av pålitelighet, sikkerhet, maskinvarekostnader, vedlikehold og hvor mye menneskelig oppfølging robotene fortsatt trenger.

Hvorfor en hamburger kan bli robotikkens «ChatGPT-øyeblikk»

For SynapX er en hamburger mer interessant enn en glatt og forutsigbar plukk-og-plasser-demonstrasjon. Oppgaven kombinerer flere former for fingerferdighet.

En robot må håndtere ingredienser med ulik form og tekstur, koordinere flere fingre, regulere kraften ved grep, pressing eller skjæring, gjennomføre trinnene i riktig rekkefølge, plassere ingrediensene presist og kjenne kontakt godt nok til at maten ikke blir knust eller mistet.

Hvis en robot kan lage en hamburger mer stabilt enn et menneske – også når ingredienser, redskaper og arbeidsflater varierer – vil det være et tegn på at teknologien har beveget seg fra snever automasjon til en mer generell samling av fysiske ferdigheter.

De samme ferdighetene kan i prinsippet brukes til å håndtere emballasje, brød og grønnsaker, dosere ingredienser, sette sammen mat, rydde og flytte objekter i serveringsmiljøer.

Dalongs antydede tidsramme på ett til to år bør likevel behandles som en ambisjon, ikke som en bekreftet prognose for bransjen. Kildene dokumenterer SynapX’ produktpåstander og demonstrasjoner, men viser ikke at tidsplanen vil bli nådd. 14

Hva Tesla-sammenligningen faktisk viser

Tesla-sammenligningen understreker hvorfor robothender får så mye oppmerksomhet. Én rapport tilskriver Elon Musk synet på at hånden står for omtrent halvparten av ingeniørarbeidet med Optimus. Det sier noe om hvor vanskelig og viktig hånden anses å være i ett bestemt humanoidprogram.

Det er derimot ikke dokumentasjon på at Tesla bruker halvparten av hele selskapets maskinvarebudsjett på hender. Det tilgjengelige materialet støtter en beskrivelse av ingeniørinnsats, ikke en offentliggjort budsjettfordeling. 23

SynapX’ bredere poeng er derfor mer avgrenset: Selv en kraftig robot«hjerne» kan få problemer med å utføre vanlig fysisk arbeid uten pålitelig fingerferdighet, rik taktil sansing og presis kraftstyring.

Strategien på WRC 2026 er å kommersialisere delene selskapet mener utgjør kjernen i fysisk intelligens – modellen, hånden og dataløkken – før det eventuelt bindes til én universell robotkropp.