Physical Intelligence har den 22. april 2025 vist en ny model, π0.5, og kørt en robot ind i private hjem, der ikke indgik i træningen, for at rydde op i køkkenet og soveværelset. I selskabets egne videoer stiller robotten service i vasken, reder seng, samler tøj op fra gulvet og lægger det i en kurv, og tørrer noget spildt op med en svamp.

For at forstå hvorfor det er svært, hjælper det at se på, hvad robotter normalt kan. En robot, der er trænet til en opgave i ét bestemt rum, lærer i praksis det rum udenad. Flyt den til et nyt køkken med andre skabe, andet lys og en opvaskemaskine, den aldrig har set, og den fejler. Det er problemet, der hedder generalisering. Mennesker gør det uden at tænke over det. Vi har aldrig stået i præcis dét køkken før, men vi ved godt, hvordan et køkken fungerer. En robot skal lære den slags forfra, og det er den evne, π0.5 ifølge Physical Intelligence er et forsøg på.

Hvad “co-træning på heterogene data” betyder

π0.5 er ligesom forgængeren π0 en vision-language-action-model, altså en model der tager billeder og en instruktion i sprog ind og sender bevægelser ud til robottens led. Det nye ligger i, hvad den lærer af.

I stedet for kun at fodre modellen med robotdemonstrationer træner Physical Intelligence den samtidig på flere vidt forskellige slags data. Det kalder selskabet co-træning, og “heterogen” betyder her bare, at materialet er af helt forskellig art. Modellen lærer på den ene side af optagelser, hvor robotter løser opgaver, herunder flere forskellige robottyper. På den anden side lærer den af materiale, der ikke har noget med robotter at gøre: billeder fra nettet med tekstbeskrivelser, opgaver hvor den skal pege på et bestemt objekt i et billede, og talte instruktioner, der guider den gennem en opgave i flere trin.

Tanken er, at de andre datakilder giver modellen en bredere forståelse af verden, end robotoptagelserne alene kan. Web-billederne lærer den, hvad en pude eller en tallerken er, også i et hjem, hvor den aldrig har samlet data. Objektgenkendelsen knytter ordene til de rigtige ting i synsfeltet. Og de talte instruktioner hjælper den med at bryde en stor opgave som “ryd køkkenet” ned i de små skridt, den faktisk skal udføre.

Det er stadig selskabets eget forsøg

Physical Intelligence lægger ikke skjul på, at modellen langtfra rammer plet hver gang. Den begår fejl, oplyser selskabet, og resultaterne stammer fra dets egne forsøg i et udvalg af hjem. En robot, der klarer en oprydning i nogle få boliger foran kameraet, er ikke det samme som en robot, der virker pålideligt i et vilkårligt dansk hjem.

Selskabet peger selv på, at antallet af hjem i træningsdataene betyder meget. Da det skruede mængden af forskellige hjem op fra en håndfuld til omkring hundrede, blev modellens evne til at klare et nyt, ukendt hjem mærkbart bedre. Hver opgave tager ifølge selskabet typisk 10 til 15 minutter, så der er tale om lange forløb med mange små skridt, ikke et enkelt snuptag.

Spørgsmålet, π0.5 lader stå åbent, er hvor langt den kurve rækker. Hvis hundrede hjem flytter modellen så meget, hvor mange skal der så til, før en robot kan gå ind i hvilket som helst hjem og bare gå i gang.