Robotar lär sig röra sig genom att titta på människor – utan en enda robotdemonstration

Dataproblemet som bromsade robotiken – nu löst på ett oväntat sätt

Det har länge funnits ett olöst dilemma i AI-robotikens värld: för att träna en robot att röra sig naturligt och hantera verkliga föremål behöver du enorma mängder data från just robotar. Det kräver dyr hårdvara, tidskrävande demonstrationer och en logistik som de flesta aktörer helt enkelt inte har råd med. Resultatet har blivit att avancerad robotstyrning förblivit ett privilegium för välfinansierade laboratorier och techjättar.

Runway AI, ett bolag de flesta känner igen från generativ video-AI, gör nu ett djärvt inträde i robotikvärlden med en modell som utmanar just denna logik. Enligt The Robot Report har företaget presenterat Praxis-1 – en modell för robotstyrning tränad inte på robotdemonstrationer, utan på vanliga tredjepartsvideoinspelningar av det slag som redan driver Runways generella världsmodeller.

Tanken är lika elegant som den är praktisk: video av människor som lyfter, packar, sorterar och hanterar föremål finns i nästan obegränsad mängd. Praxis-1 lär sig av detta material och bygger upp en förståelse för hur föremål beter sig, hur uppgifter utvecklas över tid och hur rörelser ser ut i praktiken – utan att en enda robotarm behöver vara inblandad i träningsfasen.

– De flesta robotmodeller begränsas av tillgången på robotdata, som är både sällsynt och dyr att samla in. Praxis-1 lär sig i stället från vanliga videoinspelningar och förstår redan hur föremål beter sig och hur uppgifter utvecklas över tid, säger Kamil Sindi, teknisk chef på Runway AI, enligt The Robot Report.

Skalbarhet som förändrar förutsättningarna

Det som gör Praxis-1 särskilt intressant ur ett affärsperspektiv är skalmodellen: prestandan förbättras i takt med att mer videodata tillförs. Det innebär att taket för modellens förmåga sätts av tillgången på video – inte av antalet robotdemonstrationer. Med tanke på att internet i praktiken är ett oändligt arkiv av rörliga bilder är det en synnerligen lovande utgångspunkt.

Runway uppger vidare att simulering av robotbeteende inuti sin världsmodell förutsäger verkliga resultat med en korrelation på hela 0,95 – ett resultat företaget menar är jämförbart med betydligt dyrare metoder baserade på tredimensionell rekonstruktion. Det är ett anmärkningsvärt påstående, och ett som branschen nu kommer att granska noggrant.

Modellen har tränats på ett brett spektrum av hanteringsuppgifter: från enkla grepp som att lyfta burkar till mer krävande moment som att packa presentpåsar med mjuka och formbara föremål – precis den typ av situationer som länge utgjort en utmaning för robotsystem.

Öppna vikter – demokratisering i praktiken

En annan dimension som förtjänar uppmärksamhet är att Praxis-1 lanseras som en öppenviktsmodell. I en bransch där stora aktörer gärna håller sina modeller bakom stängda dörrar är det ett tydligt ställningstagande. Öppna vikter innebär att forskare, startupbolag och industriaktörer kan bygga vidare på modellen utan att vara beroende av ett enda företags välvilja eller prissättning.

Detta är inte bara en teknisk detalj – det är en affärsstrategi och ett demokratiseringsval. Runway signalerar att de vill vara en plattform, inte en grindvakt.

Modellen befinner sig för närvarande i tidig testfas med ett urval utvalda partners, vilket antyder att en bredare lansering är på väg. Tajmingen är inte slumpmässig: intresset för fysisk AI och robotik har exploderat de senaste arton månaderna, med aktörer som Figure AI, Boston Dynamics och Unitree som alla kapplöper om att lösa precis de problem som Runway nu adresserar med en helt annan metodik.

För svenska och nordiska industriföretag – inom tillverkning, logistik och livsmedelssektorn – bör Praxis-1 vara en modell att följa noga. Tröskeln för att experimentera med AI-driven robotstyrning håller på att sjunka dramatiskt.