Physical AI is artificiële intelligentie die niet in een chatvenster blijft, maar zelf ziet, beslist en beweegt in de echte wereld: in een robotarm, een magazijnrobot, een zelfrijdende wagen of een humanoïde. In 2026 maakte die technologie de sprong van labo naar productielijn. Google DeepMind stuurt met één model een volledig robotlichaam aan, Tesla bouwt zijn eerste Optimus-robots op een productielijn en in de eerste helft van het jaar gingen er bijna vier keer zoveel humanoïden de deur uit als een jaar eerder. Toch slaagt Gemini Robotics 2, een van de sterkste robotmodellen van dit moment, maar in ruim één op drie pogingen om een lamp in te draaien. In dit artikel lees je hoe physical AI zo ver kwam, waar het eind 2026 echt staat en wat je de komende tien jaar mag verwachten.
Wat is physical AI precies?
Een taalmodel zoals ChatGPT of Claude krijgt tekst binnen en geeft tekst terug. Een physical AI-systeem krijgt camerabeelden, tast- en bewegingsdata binnen en geeft motorcommando’s terug: draai die pols tien graden, zet die voet tien centimeter verder, rem nu. Het moet dus niet alleen begrijpen wat er gevraagd wordt, maar ook inschatten hoe zwaar een doos is, waar een tafelrand ligt en wat er gebeurt als het iets laat vallen.
Drie bouwstenen maken dat vandaag mogelijk:
- Vision-language-action-modellen (VLA) vertalen een beeld en een opdracht in gewone taal rechtstreeks naar bewegingen. Ze bouwen voort op dezelfde technologie als taalmodellen.
- Wereldmodellen voorspellen hoe een scène verandert als de robot iets doet. Robots kunnen er in simulatie mee oefenen voor ze iets aanraken. Lees bijvoorbeeld hoe DreamZero van Nvidia robots leert door video’s te voorspellen of wat de Chinese wereldmodellen van Matrix-Game 4.0 tot Physis doen.
- Rekenkracht in de robot zelf, zodat hij snel genoeg reageert zonder op de cloud te wachten. Een robot die een halve seconde nadenkt voor hij remt, is onbruikbaar.
Zelfrijdende wagens, drones, magazijnrobots en humanoïden vallen er allemaal onder. Humanoïden krijgen de meeste aandacht, omdat ze in een wereld passen die voor mensen gebouwd is, maar ze zijn maar één vorm.
Van Unimate tot Gemini Robotics 2, zo kreeg AI een lichaam
Robots in fabrieken zijn niet nieuw. Wat nieuw is, is dat ze leren in plaats van alleen uit te voeren wat iemand regel per regel programmeerde. Die verschuiving verliep in vier tijdperken.
1961 tot 2015, geprogrammeerd
In 1961 ging Unimate aan de slag bij General Motors, als eerste industriële robot. Hij tilde gloeiend hete gietstukken op, telkens op precies dezelfde manier. Decennialang werkte industriële robotica zo: snel, sterk en exact, zolang de wereld rond de robot niet veranderde. Een onderdeel dat een centimeter verschoof, legde de lijn stil.
2016 tot 2022, lerend
Met deep learning gingen robots taken leren uit voorbeelden en uit vallen en opstaan. Een grijper leerde voorwerpen oppakken die hij nooit eerder zag. Maar elk model kon één ding, op één type robot. Een nieuwe taak betekende opnieuw data verzamelen en opnieuw trainen.
2023 tot 2025, foundation models voor robots
Het kantelpunt kwam in juli 2023. Google DeepMind stelde RT-2 voor, het model dat vision-language-action-modellen op de kaart zette. Omdat het voortbouwde op een model dat het web had gelezen, begreep de robot opdrachten die hij nooit had geoefend. Op onbekende situaties steeg het slaagpercentage van 32% naar 62%. Twee maanden later bundelden 33 labs hun data in Open X-Embodiment: meer dan een miljoen oefenpogingen op 22 soorten robots. Een model dat op al die robots samen trainde, deed het gemiddeld 50% beter dan de modellen die voor één robot gemaakt waren.
In oktober 2024 volgde π0 van de start-up Physical Intelligence, één model, getraind op data van acht verschillende robots. Het vouwde was, ruimde tafels af en zette dozen in elkaar. De les van die jaren: wat bij taalmodellen werkte, meer data en grotere modellen voor veel taken tegelijk, werkt ook voor robots.
2026, de uitrol begint
Op CES in januari zei Nvidia-topman Jensen Huang in een persbericht dat “the ChatGPT moment for robotics is here”. In zijn keynote was hij voorzichtiger, meldde Fortune: dat moment was “nearly here”. De rest van het jaar liet zien waarom hij beide kon zeggen. Google DeepMind lanceerde eind juli Gemini Robotics 2, dat met hetzelfde model een tafelarm en een volledige humanoïde aanstuurt, van tenen tot vingertoppen. Tesla meldde op 21 oktober dat de eerste Optimus-robots van productiekwaliteit van de lijn in Fremont komen, zonder aantallen of prijs. En robotbouwers kregen er een eigen hersenpan bij, zoals Neuron AI van het Duitse NEURA Robotics, dat tast, gehoor en geheugen toevoegt aan zicht.
Waar staat physical AI eind 2026?
De cijfers tonen twee werelden naast elkaar: klassieke robots die massaal draaien, en lerende robots die net de fabriek binnenkomen.
- Klassieke industrierobots: volgens de International Federation of Robotics kwamen er in 2025 meer dan 600.000 bij, 11% meer dan een jaar eerder. Er draaien er nu 5 miljoen.
- Humanoïden: in de eerste helft van 2026 werden er wereldwijd ongeveer 19.100 verscheept, bijna vier keer meer dan een jaar eerder. Meer dan 97% kwam van Chinese makers, met AgiBot en Unitree samen goed voor driekwart, volgens Smart Analytics Global. Voor heel 2026 rekent het bureau op ongeveer 60.000 stuks.
- In de fabriek: Figure zette zijn nieuwe humanoïde F.03 in juni aan het werk in de BMW-fabriek in Spartanburg, waar hij onderdelen in de juiste volgorde klaarzet en karren trekt. Figure noemt geen cijfers over snelheid of uitval.
- Op de weg: Waymo reed in maart 500.000 betaalde ritten per week in tien Amerikaanse steden, zonder chauffeur. Physical AI op wielen is al een gewone dienst.
- Geld: in de eerste helft van 2026 ging er ongeveer 50 miljard dollar naar physical AI, verdeeld over zo’n 500 deals, schrijft Forbes. Daar zitten ook secundaire investeringen in onder meer Waymo en Anduril in.
Hoe goed zijn die lerende robots dan? Google DeepMind publiceerde bij Gemini Robotics 2 eerlijke slaagcijfers voor gewone handelingen met vijfvingerige handen. Dat is een van de meest gedetailleerde publieke beelden die er nu zijn.
Een robot die een vuilniszak in 44% van de gevallen dichtknoopt, is indrukwekkend voor een onderzoekslabo en onbruikbaar in je keuken. Met een gewone tweevingerige grijper haalt hetzelfde model wel 89,6% bij precies insteken van onderdelen. Daar zit de kern van physical AI in 2026: in een fabriek, waar de taak vastligt en de omgeving ordelijk is, wordt het bruikbaar. In een rommelig huis nog niet.
Waarom robots trager leren dan chatbots
Taalmodellen gingen in een paar jaar van grappig naar nuttig. Robots doen er langer over, om vier redenen.
Er is te weinig data
Een taalmodel leert uit tekst die al op het internet stond. Robotdata, dus beelden gekoppeld aan de bewegingen die een robot maakte, bestaat niet vanzelf. Iemand moet ze verzamelen.
Robotonderzoeker Ken Goldberg van UC Berkeley rekende het voor in Science Robotics. De tekst en beelden waarop taal- en beeldmodellen trainen, komen overeen met ongeveer 100.000 jaar menselijke leestijd. De grootste robotdataset is ongeveer één jaar. In het huidige tempo duurt het 100.000 jaar om de kloof te dichten. Daarom zoeken bedrijven andere bronnen: simulatie, wereldmodellen, video’s van mensen en robots die op afstand door mensen bestuurd worden.
Tast ontbreekt
Mensen voelen hoe hard ze knijpen. Robots meestal niet, of heel grof. Rodney Brooks, medeoprichter van iRobot en een van de bekendste robotici ter wereld, zei in februari tegen de Boston Globe dat robots niet over tast kunnen leren zolang niemand tastdata verzamelt. Zijn advies voor wie op humanoïden in huis wacht: “Check back in 15 years.”
Fouten zijn duur
Een chatbot die zich vergist, schrijft een slechte zin. Een robot die zich vergist, laat een pan vallen of botst tegen iemand. Daarom gelden er strengere regels en kost elke stap naar meer vrijheid tests en certificering.
Achter veel demo’s zit nog een mens
Veel indrukwekkende robotvideo’s zijn op afstand bestuurd. Dat is op zich geen bedrog, want zo verzamelen bedrijven trainingsdata, maar het wordt zelden gemeld. Een opiniestuk op de site van branchevereniging A3 pleit daarom voor transparantie. De thuisrobot NEO van 1X maakt het openlijk deel van het product: kan hij een klus niet zelf, dan neemt een medewerker van 1X het na jouw toestemming op afstand over, met de privacyvragen die daarbij horen.
De komende tien jaar in drie fases
Niemand weet hoe snel het gaat. Kijk maar naar de voorspellingen voor humanoïden alleen:
| Wie | Voorspelling | Wanneer gemaakt |
|---|---|---|
| Goldman Sachs | 890.000 humanoïden verscheept in 2030 en 6,5 miljoen tegen 2035, goed voor een markt van 138 miljard dollar | september 2026, de raming voor 2030 was eerder 256.000 |
| Morgan Stanley | 13 miljoen humanoïden in gebruik in 2035, ongeveer 1 miljard in 2050 | april 2025 |
| Rodney Brooks | bruikbare humanoïden voor huis en pakjes pas over een jaar of vijftien | februari 2026 |
Die spreiding is zelf het belangrijkste inzicht: banken rekenen in miljoenen, ervaren robotici in decennia. Wat wel vrij zeker is, is de volgorde. Physical AI rukt op van geordende naar rommelige omgevingen.
2026 tot 2028, fabrieken en magazijnen
Lerende robots nemen afgebakende taken over waar de omgeving voorspelbaar is: sorteren, laden, karren verplaatsen, inspecteren. Ze werken naast klassieke robots en mensen, vaak met een mens die op afstand helpt als het misloopt. Robotaxi’s breiden uit in Amerika en China, en Waymo kondigde in augustus aan dat het in München begint met testen en het in kaart brengen van de stad, meldt Physical AI Atlas. In Europa geldt vanaf 20 januari 2027 de nieuwe machineverordening, die strengere controle vraagt voor machines die zichzelf bijleren.
2029 tot 2032, half geordende plekken
Als de slaagcijfers van fijne handelingen richting 99% gaan, schuiven robots door naar plekken die half voorspelbaar zijn: de achterkant van ziekenhuizen en winkels, grootkeukens, bouwwerven, landbouw. Ook de regels zijn er dan: AI in machines valt sinds de aanpassing van de AI Act op 27 juli 2026 niet langer rechtstreeks onder de hoog-risicoregels van de AI Act, maar onder de machineverordening. De hoog-risicoverplichtingen voor AI in andere gereguleerde producten gelden vanaf 2 augustus 2028. Robots worden in deze fase vooral een dienst die je huurt, niet een machine die je koopt.
2033 tot 2036, je huis en de straat
Een robot die zelfstandig je was opplooit, je vaatwasser uitlaadt en de trap op kan met een mand, vraagt betrouwbaarheid op het niveau van een huishoudtoestel. Dat is de moeilijkste stap en de minst zekere. Lukt het, dan wordt de humanoïde een toestel zoals een wagen: duur, maar gewoon. Lukt het niet, dan nemen gespecialiseerde machines het over, zoals de robotmaaier en de robotstofzuiger dat al deden.
Wat physical AI voor jou betekent
- Op het werk. Wie in logistiek, productie of onderhoud werkt, krijgt eerst een robotcollega voor de zware en saaie taken. Nieuwe jobs ontstaan rond die robots: robots opleiden, bewaken, herstellen en op afstand bijsturen. Het essay The Final Offshoring van Jacob Rintamaki legt uit waarom robots volgens hem fysiek werk goedkoper maken, en waarom dat werknemers ook koopkracht kan kosten.
- Thuis. Reken de komende jaren niet op een humanoïde die je huis zelfstandig poetst. Wel op slimmere gespecialiseerde toestellen. Overweeg je toch een vroege thuisrobot, vraag dan wie er op afstand kan meekijken, wanneer en wat er met de beelden gebeurt.
- Onderweg. Robotaxi’s rijden al in Amerikaanse steden. In Europa komen ze later, door strengere regels en minder testkilometers.
- Als Europeaan. Europa heeft sterke robotbedrijven, zoals NEURA Robotics, Agile Robots en Wandercraft, maar 97% van de humanoïden komt uit China, en meer dan 90% van de zeldzame aarden voor de magneten in hun motoren ook. In ons overzicht van de 40 meest innovatieve AI-labs in China staan dan ook robotbouwers naast de makers van taalmodellen. Die afhankelijkheid wordt een van de grote politieke vragen van het decennium.
Vijf signalen die tonen dat het echt opschiet
Je hoeft niet op elke spectaculaire video te reageren. Let liever op deze vijf dingen:
- Slaagcijfers boven 95% op gewone handelingen, gemeten op een publieke test en niet in een eigen demo.
- Uren zonder ingrijpen in een echte fabriek, en niet alleen “aantal robots geïnstalleerd”.
- Eerlijke vermelding van teleoperatie in demo’s en producten.
- Een prijs per uur werk die lager ligt dan een menselijk loon, inclusief onderhoud en toezicht.
- Robotdatasets die per jaar vertienvoudigen, of simulatie die aantoonbaar echte data vervangt.
Veelgestelde vragen
Wat is het verschil tussen physical AI en robotica?
Robotica is het bouwen van machines die bewegen. Physical AI is de software die die machines laat waarnemen, beslissen en leren in plaats van alleen vooraf geprogrammeerde bewegingen uit te voeren.
Wat is een vision-language-action-model?
Een AI-model dat camerabeelden en een opdracht in gewone taal omzet in bewegingen van een robot. RT-2 van Google DeepMind was in 2023 een van de eerste; Gemini Robotics 2 en π0.7 van Physical Intelligence zijn recente voorbeelden.
Wanneer kan ik een humanoïde robot voor thuis kopen?
Je kan er vandaag één vooraf bestellen, zoals de NEO van 1X voor 20.000 dollar, maar zelfstandig huishoudwerk is nog niet betrouwbaar. Robotici zoals Rodney Brooks verwachten echt bruikbare huishoudrobots pas over een jaar of vijftien.
Nemen robots dan onze jobs over?
Eerst nemen ze zware, saaie en gevaarlijke taken over in fabrieken en magazijnen, waar al personeelstekorten zijn. Hoeveel jobs verdwijnen en hoeveel er bijkomen, hangt af van hoe snel de prijs per uur robotwerk daalt.
Welke regels gelden er in Europa voor AI-robots?
Vanaf 20 januari 2027 geldt de EU-machineverordening, met extra controle voor machines die zichzelf bijleren. AI in zulke machines valt sinds juli 2026 onder die verordening in plaats van onder de hoog-risicoregels van de AI Act. Voor humanoïden is daarnaast een eerste internationale veiligheidsnorm in voorbereiding, ISO 25785-1.
Het lichaam is klaar, de handen nog niet
Physical AI ging de voorbije drie jaar wellicht sneller vooruit dan robotica in de twintig jaar ervoor, omdat het de recepten van taalmodellen overnam. Maar de echte wereld laat zich niet scrapen zoals het internet. Elke vaardigheid kost data die iemand moet verzamelen, met handen en tijd. Wie wil weten hoe snel de komende tien jaar gaan, moet daarom niet naar de knapste demo kijken, maar naar het saaiste cijfer: hoeveel uur een robot ergens werkt zonder dat een mens hoeft in te grijpen.
