InternW0-Δ: een AI-model dat robots leert handelen

TL;DR

• Wat: InternW0-Δ is een open-source AI-model dat robots leert objecten te manipuleren, getraind op meer dan 20.000 uur aan robot- en menselijke demonstratiedata.
• Waarom relevant: Open-source robotmodellen verlagen de drempel voor bedrijven die robotisering overwegen — je hoeft straks niet alles zelf te ontwikkelen.
• Wat je ermee kunt: Volg de ontwikkeling van open-source robotica-modellen en overweeg of jouw magazijn-, productie- of logistiek proces hierdoor eerder automatiseerbaar wordt.

Deze week verscheen er een opvallend onderzoekspaper op arXiv: InternW0-Δ, een AI-model dat robots leert begrijpen hoe de fysieke wereld werkt én daar vervolgens naar handelt. Ik vind het interessant omdat het niet zomaar een labexperiment is — het team belooft de code, het model én de trainingsdata open beschikbaar te maken. Dat is voor mij reden genoeg om er even bij stil te staan.

Wat is InternW0-Δ precies?

InternW0-Δ is wat de onderzoekers een World Action Model noemen. Dat klinkt abstract, dus laat ik het zo uitleggen: het model combineert twee vaardigheden die normaal apart worden getraind. Ten eerste kan het voorspellen wat er in een scène gaat veranderen ("als ik dit kopje duw, valt het om"). Ten tweede kan het op basis van die voorspelling een concrete robotactie genereren ("beweeg de grijper 10 centimeter naar links").

De architectuur heet Mixture-of-Transformers (MoT). In feite zitten er meerdere specialisten in één model: een video-expert die de visuele wereld begrijpt, een actie-expert die robotbewegingen genereert, en een taalmodel dat het geheel semantisch aanstuurt — zodat je bijvoorbeeld kunt zeggen "pak de rode beker" en het model snapt wat je bedoelt.

Een slim detail is wat het team Causal Imprint noemt. Tijdens het trainen leert het model voorspellen welke veranderingen in een scène relevant zijn voor de volgende actie. Maar — en dit is handig — tijdens het daadwerkelijk draaien op een robot hoeft het geen complete toekomstvideo's te berekenen. Het gebruikt alleen de geleerde representatie. Dat scheelt rekenkracht, en rekenkracht is geld.

Getraind op 20.000 uur aan open data

Wat mij hier opvalt, is de schaal van de trainingsdata. Het model is getraind op meer dan 20.000 uur aan diverse demonstraties:

• Robotdemonstraties (robots die taken uitvoeren)
• UMI-data (universal manipulation interface — een manier om menselijke bewegingen om te zetten naar robotinstructies)
• Egocentrische menselijke demonstraties (video's vanuit het perspectief van een mens die een taak uitvoert)
• Ego2Robot-data (een vertaalslag van menselijke naar robotbewegingen)

Het team claimt dat dit de grootste open-source dataset in zijn soort is. Ik kan dat niet onafhankelijk verifiëren, maar het is in ieder geval een forse hoeveelheid. Ter vergelijking: 20.000 uur is ruim twee jaar non-stop video kijken.

De onderzoekers — een team van 48 personen, geleid door onder anderen Xingyu Miao — beloven de trainingsdata, het model, de code én de dataverwerkingspipeline open te publiceren, voor zover licenties dat toestaan. Die laatste toevoeging is belangrijk: niet alle brondata mag zomaar herverspreid worden.

Hoe goed werkt het?

Hier moet ik eerlijk zijn: het paper spreekt over "sterke prestaties op simulatiebenchmarks en echte robotplatforms", maar op het moment van schrijven zijn specifieke benchmarkcijfers niet breed gepubliceerd in de samenvattingen die ik heb kunnen inzien. Dat betekent niet dat de resultaten slecht zijn — het betekent dat ik geen concrete percentages kan noemen zonder het volledige paper door te spitten.

Wat ik wél kan zeggen: het feit dat het model op meerdere robotplatforms is getest (niet alleen in simulatie) is relevant. Veel robotica-onderzoek werkt prachtig in een gesimuleerde omgeving maar valt tegen zodra een echte robot in een echte kamer staat met wisselend licht, onvoorspelbare objecten en een tafel die net een halve centimeter scheef staat. Als InternW0-Δ ook daar goed presteert, is dat betekenisvol.

Wat betekent dit voor het MKB?

Je denkt misschien: leuk voor onderzoekers, maar wat heb ik eraan als ik een magazijn, werkplaats of productielijn run? Dat is een terechte vraag. Laat me twee lijnen schetsen.

De directe lijn: nog niet morgen inzetbaar

InternW0-Δ is een onderzoeksmodel. Je kunt het niet downloaden en op je cobot installeren om morgen dozen te sorteren. Zo werkt het niet. Er zit nog een flinke weg tussen een onderzoekspaper en een product dat betrouwbaar draait in jouw specifieke omgeving.

De indirecte lijn: de drempel daalt

Maar hier wordt het interessant. Uit recent onderzoek van onder andere Smart Industry en NLrobotics blijkt dat Nederlandse MKB-maakbedrijven wél willen automatiseren, maar vaak niet weten waar te beginnen. De kosten zijn hoog, de kennis is schaars, en de risico's voelen groot.

Open-source modellen zoals InternW0-Δ veranderen daar iets aan. Als de basiskennis — hoe een robot de wereld begrijpt en erin handelt — vrij beschikbaar wordt, hoeven robotica-integrators en softwarebedrijven niet meer bij nul te beginnen. Dat drukt uiteindelijk de kosten van oplossingen die wél bij jou op de werkvloer terechtkomen.

Stel dat je als ondernemer een e-commerce fulfillmentcentrum runt. Op dit moment is een geavanceerde pick-and-place robot een forse investering, deels omdat de software op maat moet worden getraind. Als modellen zoals dit de standaard worden — een soort gemeenschappelijk startpunt — dan kan de softwarekant goedkoper en sneller worden. Vergelijk het met hoe open-source software (denk aan Linux, of WordPress) de drempel voor digitale diensten heeft verlaagd.

Nederlandse context

De timing is overigens opmerkelijk. Uit een analyse van Made in Europe van april 2026 blijkt dat het Nederlandse MKB de kansen van automatisering en AI onvoldoende benut. Personeelstekorten en stijgende loonkosten duwen bedrijven richting robotisering, maar de stap blijft groot. Programma's als AINed en regionale fieldlabs helpen met kennisopbouw en testopstellingen — en open-source modellen passen precies in dat plaatje.

Een kanttekening bij "open source"

Ik wil wel een nuance plaatsen. "Open source" klinkt als "gratis en vrij", maar in de praktijk hangt veel af van de licentievoorwaarden. Het team schrijft dat ze alles publiceren waar licenties dat toestaan. Dat kan betekenen dat bepaalde datasets of modelonderdelen restricties hebben voor commercieel gebruik. Als je hier serieus naar kijkt, is het verstandig om de exacte licenties te checken zodra het materiaal beschikbaar komt op de GitHub-repository van het project.

Afsluiting

Voor mij is dit vooral een signaal dat de robotica-wereld dezelfde weg inslaat als de taalmodellen een paar jaar geleden: van gesloten, dure systemen naar open basismodellen waarop iedereen kan voortbouwen. Dat betekent niet dat robots morgen je magazijn overnemen. Maar het betekent wel dat de afstand tussen "interessant onderzoek" en "bruikbaar voor mijn bedrijf" kleiner wordt. En dat vind ik het volgen waard.