SynapX satsar på robotens hjärna och hand snarare än hela kroppen

På World Robot Conference 2026 presenterade SynapX en annan väg för så kallad fysisk eller kroppslig AI: bygg den återanvändbara intelligensen och manipulationsförmågan först, i stället för att börja med en komplett humanoid robot. Företagets system kallas ”Brain–Hand–Data” och består av världsmodellen SYNWorld, den fingerfärdiga robot handen OctoH-Hand och datainsamlingsplattformen OctoSense. 12

Grundtanken är att en robots mest värdefulla förmågor inte nödvändigtvis är ett människoliknande utseende eller förmågan att gå. Det viktiga är att förstå hur den fysiska världen fungerar – och att kunna påverka den med precision. En gemensam hjärna- och handplattform skulle i princip kunna monteras på olika robotkroppar, robotarmar eller fasta arbetsstationer. Då blir intelligensen mer flyttbar än i en specialbyggd humanoid. 114

Tre delar i SynapX:s system

SYNWorld: robotens ”hjärna”

SynapX beskriver SYNWorld V0.5 som en generell världsmodell för fysisk AI, utvecklad för att hjälpa robotar att förstå gemensamma fysiska samband mellan olika uppgifter och miljöer. Målet är att slippa skriva ett separat, förutbestämt program för varje rörelse. På konferensen visades bland annat uppgifter som att rosta bröd, vika kläder och lösa detaljerade pussel. 1922

Modellen presenteras genom två kompletterande funktioner. En handlingsstyrd världsmodell ska kunna förutsäga hur omgivningen förändras när roboten utför en viss handling. En världs- och handlingsmodell ska i sin tur använda förståelsen av nuläget och det möjliga framtida läget för att generera robotens rörelser.

Enligt SynapX omfattar SYNWorld V0.5 16 miljarder parametrar och har tränats på mer än 300 000 timmar multimodal data. 14 Ambitionen är att modellen ska lära sig fysiska regelbundenheter en gång och sedan använda dem för flera uppgifter och robottyper. Den centrala frågan är dock fortfarande om denna generalisering fungerar stabilt utanför kontrollerade demonstrationer.

OctoH-Hand: robotens ”hand”

OctoH-Hand är en biologiskt inspirerad hand med många frihetsgrader. Den är konstruerad för flerfingersgrepp, tumopposition, precisa fingertoppsrörelser och komplexa grepp. Enligt publicerade uppgifter kombinerar den senstyrning i handen med motorer placerade i underarmen. Specifikationerna omfattar 28 individuellt styrbara aktuatorer, 23 aktiva frihetsgrader och mer än 1 900 taktila sensorenheter. 418

Skillnaden mot en vanlig gripklo är samspelet i en återkopplad kontrollloop. En fingerfärdig hand måste inte bara röra sig till rätt position. Den behöver hela tiden justera greppet när den känner av kontakt, tryck, kraft och förändringar i föremålet.

Det är avgörande när roboten hanterar mjuka eller ömtåliga saker. För mycket kraft kan krossa ett föremål, medan för lite kraft gör att det glider ur greppet. Därför behandlar SynapX avkänning och kraftkontroll som centrala delar av själva manipulationen, inte som tillval. 14

OctoSense: ”data”-lagret

OctoSense är SynapX:s system för att samla in data från mänskliga demonstrationer. Utrustningen som visats upp omfattar bland annat ett huvudburet fisheye-system, armband för elektromyografi – mätning av muskelsignaler – och en dat handske i exoskelettliknande utförande. Tillsammans ska utrustningen kunna registrera vad en person ser, hur kroppen och händerna rör sig samt hur personen interagerar med föremål genom kraft, vridmoment, tryck och beröring. 1512

SynapX uppger att systemet ska anpassa mänskliga demonstrationer bättre till robot handens kinematik och sensorer. Det kan minska problemet med så kallad retargeting, alltså översättningen från en mänsklig rörelse till en robotrörelse.

Företaget hävdar också att muskelsignaler kan generaliseras mellan olika personer utan särskild kalibrering. Det finns däremot begränsat med oberoende belägg i den tillgängliga rapporteringen för att detta fungerar tillförlitligt i stor skala. 5720

En tänkt datadriven rundgång

De tre produkterna är tänkta att fungera som ett sammanhängande system:

1. Människor visar hur vanliga fysiska arbetsuppgifter utförs.
2. OctoSense registrerar syn, rörelser, muskelsignaler, kraft och beröring i synk.
3. SYNWorld lär sig förutsäga fysiska resultat och generera handlingar.
4. OctoH-Hand utför handlingarna med hjälp av taktil återkoppling och kraftkontroll.
5. Resultaten från verkligheten och nya demonstrationer ger mer träningsdata.

Det är denna dataloop som utgör kärnan i SynapX:s tes. Bättre data ska förbättra modellen, en bättre modell ska göra handen användbar i fler situationer och fler användningsområden ska i sin tur generera rikare data. Företagets satsning är alltså att en integrerad modell-, hårdvaru- och datacykel kan skapa mer överförbara fysiska färdigheter än om man optimerar en modell, en hand eller ett humanoidt chassi var för sig. 137

Varför en hjärna och en hand i stället för en humanoid?

En humanoid kropp har uppenbara praktiska fördelar. Den kan potentiellt arbeta i miljöer som är byggda för människor och använda verktyg som redan finns på plats. SynapX:s argument är dock att kroppen bör betraktas som en utbytbar plattform, medan världsmodellen och verktyget som faktiskt rör vid föremålen utgör den mer återanvändbara grunden.

Det är lika mycket en affärsstrategi som en teknisk ståndpunkt. SynapX positionerar sig som en baslagerleverantör för fysisk AI – en leverantör av generell modell, fingerfärdig hårdvara och infrastruktur för datainsamling. Företaget behöver då inte tillverka varje komplett robot eller själv driva varje fabrik, restaurang eller hushållstillämpning. I stället kan partner integrera komponenterna i olika system. 2314

Strategin speglar också en praktisk flaskhals. Att få en robot att gå är visuellt imponerande, men många kommersiella arbetsuppgifter handlar mer direkt om säker och anpassningsbar manipulation. Att plocka upp ett mjukt livsmedel, placera det exakt, använda rätt tryck och reagera på oväntad kontakt är framför allt problem för handen, sensorerna och styrningen.

”Kiselarbetskraft” på grundskolenivå

När grundaren Du Dalong talar om en ”kiselarbetskraft på högstadienivå” bör uttrycket förstås som en ekonomisk och teknisk metafor – inte som en bokstavlig beskrivning av utbildning.

Det handlar om ett möjligt första steg där robotar inte är fullt generella eller likvärdiga med människor, men fungerar som billiga digitala arbetare med bred grundkompetens. De skulle kunna följa instruktioner, förstå en arbetsyta, använda båda händerna, lära sig genom demonstrationer och utföra vanliga uppgifter under övervakning och fortsatt träning.

Värdet skulle då komma från en gemensam grundmodell och lärande mellan robotflottor. En färdighet som lärts in på ett ställe skulle kunna anpassas till ett annat i stället för att byggas från grunden för varje maskin. Detta är fortfarande en företagsvision, inte ett bevisat resultat från verkliga installationer. Ekonomin kommer att bero på driftsäkerhet, säkerhet, hårdvarukostnader, underhåll och hur mycket mänsklig övervakning som krävs.

Därför kan en hamburgare bli ”ChatGPT-ögonblicket”

För SynapX är en robot som tillagar en hamburgare mer intressant än en välpolerad demonstration där den bara flyttar ett föremål från en plats till en annan. En hamburgare kräver flera sorters fingerfärdighet samtidigt: roboten måste hantera föremål med olika former och texturer, samordna flera fingrar, kontrollera grepp- och tryckkraft, följa en ordningsföljd, placera ingredienser noggrant och känna av kontakt utan att krossa eller tappa dem.

Om en robot kunde tillaga hamburgare mer konsekvent än en människa även när ingredienser, verktyg och arbetsytor förändras, skulle det kunna tyda på ett skifte från snävt programmerad automation till återanvändbara fysiska färdigheter.

Sådana färdigheter skulle kunna användas för att hantera förpackningar, bröd och grönsaker, dosera ingredienser, montera måltider, städa och flytta föremål i restaurangmiljöer. Därför fungerar hamburgaren som ett kompakt test av något större: om roboten kan lära sig en hel kedja av känsliga handlingar, snarare än en enda förutbestämd rörelse.

Du Dalongs tidsram på ett till två år bör dock ses som en ambition, inte som en validerad prognos för hela branschen. De tillgängliga källorna dokumenterar SynapX:s produktpåståenden och demonstrationer, men visar inte att tidsplanen kommer att hålla. 14

Vad Tesla-jämförelsen faktiskt visar

Jämförelsen med Tesla understryker varför robot händer har blivit så uppmärksammade. En rapport tillskriver Elon Musk uppfattningen att handen står för ungefär hälften av konstruktionsarbetet i humanoiden Optimus. Det visar hur svår och viktig handen anses vara inom ett enskilt humanoidprojekt.

Det är däremot inte belägg för att Tesla lägger hälften av sin totala hårdvarubudget för forskning på händer. Någon sådan budgetuppdelning redovisas inte i det citerade materialet. 23

SynapX:s bredare poäng är mer begränsad – och mer försvarbar: utan tillförlitlig fingerfärdighet, rik taktil avkänning och kraftkontroll kan även en kraftfull robot hjärna ha svårt att utföra vanligt fysiskt arbete.

På World Robot Conference valde företaget därför att lansera de delar som det anser utgör kärnan i fysisk intelligens: modellen, handen och dataloopen. Den stora frågan är om denna bas kan bli tillräckligt robust för att flytta färdigheter mellan robotar och arbetsmiljöer – inte bara fungera på en mässmonter.