Waarom AI het scherm nog steeds niet kan verlaten, volgens een hoogleraar uit Shanghai
Het meeste wat grote taalmodellen goed doen, gebeurt nog steeds binnen een scherm. Ze lezen, schrijven, vertalen, schetsen code en roepen digitale hulpmiddelen aan. Vraag er een om een krat over een fabrieksvloer te verplaatsen, en het probleem verandert van vorm: nu moet het systeem omgaan met objecten, ruimte, kracht en tijd, en het moet leven met de gevolgen van wat het doet.
Over die kloof ging de lezing van Zhang Weinan, hoogleraar aan de Shanghai Jiao Tong University, op CNCC 2026, een grote Chinese informaticaconferentie. Zijn stelling, waarover Leiphone berichtte, is dat het volgende front fysieke intelligentie is — AI die een lus van waarneming, voorspelling, actie en voortdurend leren sluit in een omgeving die niet voor haar pauzeert.
De digitale wereld is vergevingsgezind op manieren die mensen zelden opmerken. Een chatbot die een slecht antwoord geeft, kun je opnieuw een prompt geven; een model dat een codetest niet haalt, kan het opnieuw proberen. Een robotarm die een greep verkeerd inschat, heeft het onderdeel al laten vallen. Zhangs kader zet onzekerheid en onomkeerbaarheid centraal: de echte wereld zit vol situaties die de trainingsdata niet dekten, en de prijs van een verkeerde beweging wordt vaak meteen betaald.
Dat maakt de techniek op elke laag moeilijker. Waarneming moet standhouden bij slecht licht en rommel. Voorspelling moet snel genoeg zijn om nuttig te zijn voordat er iets valt. Actie moet veilig zijn wanneer het systeem het niet zeker weet. En leren kan niet stoppen bij de uitrol, omdat fabrieken, laboratoria en stedelijke infrastructuur rond de machine blijven veranderen.
Het onderzoeksdebat hierover is al zichtbaar in de Chinese robotica-gemeenschap. CoRL, de Conference on Robot Learning, opent op 9 november in Austin, Texas, en Leiphone merkt op dat het aantal geaccepteerde papers over zes edities ruwweg viereneenhalf keer zo groot is geworden, met Chinese universiteiten die snel opkomen naast gevestigde Amerikaanse groepen. Robotleren is van een niche veranderd in een van de drukste kruispunten van AI en hardware.
De commerciële trek is even sterk. Chinese bedrijven leveren nu humanoïde robots en robotshonden tegen prijzen die een paar jaar geleden ongeloofwaardig hadden geleken, en investeerders hebben geld in wereldmodellen gestoken — systemen die leren hoe fysieke scènes zich ontwikkelen — om machines een goedkopere oefenruimte te geven voordat ze iets echts aanraken. Simulatie is juist aantrekkelijk omdat falen daar gratis is.
Zhangs punt is niet dat het schermwerk klaar is. Het is dat het makkelijke deel van het publieke AI-verhaal het deel is dat nooit iets hoeft aan te raken. Intelligentie naar fabrieken, laboratoria en stedelijke systemen brengen betekent een ander contract accepteren: de machine moet handelen onder onzekerheid, en de wereld biedt geen resetknop. Voor een sector die tien jaar aan tekstoptimalisatie heeft besteed, is dat een werkelijk nieuw soort probleem.