Will Knight vill ha en robot som kan mata katten. WIRED:s seniora skribent, som bevakar artificiell intelligens, har en bengalkatt som heter Leona och en plan: en liten gående robot som hittar henne, böjer på huvudet och släpper en godbit ur ett fack som är tänkt att sitta ovanpå roboten. Godbiten är inte nyheten. Nyheten är att roboten redan fungerar i en simulering – och att en AI-modell gjorde större delen av det träningsarbete som en robotikingenjör normalt skulle ha fått göra för hand.

Robotens virtuella motsvarighet är en Microduck, den ankformade tvåbenta roboten från Pollen Robotics, Hugging Faces robotikverksamhet. Knight lärde den att gå runt i ett rum utan att välta och att känna igen bengalkatter i närheten. Han säger att det tog några timmar, jämfört med de veckor det kanske skulle ha tagit honom tidigare. I sin krönika kallar han detta robotikens framtid. Han har rätt till hälften. Träningsloopen har krympt dramatiskt. Men det som finns på var sida om loopen har knappt förändrats alls.

Vad modellen faktiskt gjorde

Knight kombinerade OpenAI:s GPT-6 Sol med Hermes, ett agentramverk från Nous Research, och körde dem på Nvidia DGX Spark, en stationär dator byggd kring ett kraftfullt AI-chip. Modellen gjorde mer än att skriva kod. Via Nvidia Isaac Sim skickade den instruktioner till modellen som styrde den simulerade ankan, tittade på videoklipp av ankan i rörelse, bedömde hur bra det gick och föreslog ändringar i träningsupplägget. Kör, titta, justera, upprepa: det är den långsamma, oglamorösa delen av robotinlärning – och det är den som nu automatiserades.

Professionella labb rapporterar samma förändring. På UC Berkeley gav professor Ken Goldbergs grupp OpenAI:s Astra-modell tillgång till ett Nvidia-verktyg som heter Newton, visade den ett klipp av en riktig robot och bad den återskapa scenen som en simulering. ”Det som slog oss med häpnad var att den inom en timme hade skapat en fullständig 3D-simulering med alla parametrar inställda – kamerans position, belysningen, bakgrunden och alla material”, berättade Goldberg för WIRED. Astra kan också köra experimenten och granska resultaten, säger han, vilket tar över mycket av det enahanda arbetet med att träna en robot i en simulering.

Metoden har nu fått ett namn. ASPIRE är ett ramverk vars upphovspersoner bland andra är Goldberg och Nvidias Jim Fan. En stor språkmodell skriver robotens styrkod, läser av körningsspåren när något går fel, reparerar programmet och sparar den fungerande lösningen i ett färdighetsbibliotek som kan återanvändas i senare uppgifter. Fans labb på Nvidia publicerade koden till version 1.0 på GitHub under Apache 2.0-licens i mitten av oktober, enligt ToolNavs och RuntimeWire. I en demonstration får robotarmar lära sig att lösa en Rubiks kub. ”Den plockar upp den och försöker vrida på den, men vinkeln blir fel”, berättade Fan för WIRED. ”Sedan resonerar den väldigt, väldigt länge, men till slut lyckas den lösa den eftersom den lär sig färdigheterna med tiden.”

Färdigheten som blivit billig är hyrd

Här kommer den del som berättelsen om ”vibe-robotik” hoppar över. I ASPIRE-artikeln står det uttryckligen att prestandan skalar med den underliggande frontiermodellen. Med Anthropics Claude Opus 5.5 rapporterar ramverket en genomsnittlig framgångsgrad på 99 procent för samtliga 80 manipulationsuppgifter i LIBERO-Pro. Det är en självrapporterad siffra som ännu inte har kunnat återskapas oberoende. I projektets egen lista över begränsningar står det att systemet är beroende av en fryst frontiermodell och att det inte har verifierats om mindre modeller klarar av samma felsökningsloop.

Följer man resonemanget hela vägen blir resultatet tydligt. En hobbyanvändares anka och en robotarm i ett Berkeley-labb lär sig numera ungefär lika bra som den stora modell de har råd att anropa. Den ingenjörskunskap som tidigare utgjorde en tröskel inom robotik har inte försvunnit. En stor del av den finns nu inbyggd i den frontiermodell som utvecklaren har råd att använda.

Ankan står fortfarande i kö

Den andra sidan av loopen är hårdvaran, och Knight väntar fortfarande på sin. Pollen öppnade förbeställningar av Microduck för 399 dollar i slutet av augusti, med leverans före jul som mål. Business Insider rapporterade, med hänvisning till Hugging Face-medgrundaren Thomas Wolf, att beställningarna passerade 2,6 miljoner dollar under de första 24 timmarna. Kort därefter ändrades tidsfönstret på kassasidan för nya beställningar till fyra–sex månader. Gadget Flow uppger att butiken nu varnar för att de aktuella förbeställningarna inte skickas förrän efter april 2027. Träning i simulering är den avsedda vägen: Pollen har utformat sitt eget arbetsflöde så att ägarna tränar beteenden på en virtuell anka och för över dem till den fysiska roboten. Men en styrpolicy som väntar på en kropp har ännu inte mött en matta, ett soffben eller en katt som vägrar samarbeta.

Knight är öppen med resten. Synsystemet i hans anka, skriver han, fungerar inte tillräckligt bra för att användas i en verklig produkt. När han matade modellen med en GIF av Michael Jackson för att lära den moonwalk tog flera timmars arbete fram det han kallar en mycket käck baklängesjogg. ASPIRE-författarna pekar på samma typ av brister inför verklig användning: tillförlitlig avläsning av om en uppgift lyckats, säkra återställningar, säkerhetsövervakning och kalibrering. Allt detta handlar om att veta vad som faktiskt hände i ett fysiskt rum – något en simulator inte kan berätta.

Vart pengarna är på väg

Inget av detta dämpar intresset. Goldberg säger att flera företag inom industriell robotik och automation har visat intresse för metoden, och Knight menar att snabbheten snart kan få stor betydelse för tillverkningsindustrin och e-handeln. På Conference on Robot Learning i Austin den här veckan använde Fan sitt huvudanförande till att visa hur Astra tar kontroll över en robotarm och målar Golden Gate-bron med färg och penslar som låg i närheten.

Följden blir att det förändras var misstagen uppstår. När det tar timmar i stället för veckor att träna in ett robotbeteende kommer team att träna betydligt fler. Då blir det sällsynta momentet att bevisa vilka beteenden som är säkra utanför simuleringen. En godbit som missar Leona och hamnar bredvid matskålen är ett billigt sätt att lära sig den läxan. En lagerrobotarm som kör en modellskriven färdighet som ingen har kontrollerat på det verkliga lagret är ett dyrt sätt.

Taggar: Nvidia, Hugging Face, Microduck, Pollen Robotics, robotar