Odyssey-3: een AI-model dat fysica leert uit video

TL;DR

• Wat: Odyssey lanceert Odyssey-3, een world model dat fysica en beweging leert uit video-observaties en daarmee robots, auto's en drones kan aansturen.
• Waarom relevant: Als machines sneller fysieke taken leren met minder trainingsdata, kan dat de drempel voor automatisering in het MKB verlagen.
• Wat je ermee kunt: Houd in de gaten hoe world models zich ontwikkelen — met name of ze de kosten en complexiteit van robotica-projecten daadwerkelijk drukken.

Ik stuitte op een tweet die me aan het denken zette. De stelling: fysica is voor world models wat programmeren is voor taalmodellen. Met andere woorden — als een AI-model begrijpt hoe objecten bewegen, botsen en reageren, dan kan het voorspellen wat er vervolgens in de echte wereld gebeurt. Dat klinkt abstract, maar het bedrijf Odyssey probeert er iets heel concreets mee te doen.

Wat is Odyssey-3?

Odyssey is een AI-lab uit Palo Alto, opgericht door Oliver Cameron en Jeff Hawke — beiden komen uit de zelfrijdende-auto-industrie. In september 2026 presenteerden ze Odyssey-3, hun nieuwste zogenaamde world model.

Een world model is, simpel gezegd, een AI-systeem dat probeert te begrijpen hoe de wereld werkt. Niet door regels in te programmeren ("als bal valt, dan versnelt die met 9,8 m/s²"), maar door enorm veel video-observaties te verwerken en daar patronen uit te halen. Denk aan hoe een kind leert dat een glas water omvalt als je het van de tafel duwt — niet door natuurkunde te studeren, maar door het te zien en te ervaren.

Technisch gezien is Odyssey-3 een autoregressive diffusion transformer — een ingewikkelde term voor een model dat stap voor stap voorspelt wat er visueel gaat gebeuren. Het bijzondere is dat het model na die training bevroren blijft. Vervolgens wordt er een klein onderdeel aan vastgekoppeld — een zogeheten action decoder — dat de interne kennis vertaalt naar concrete motorcommando's voor een specifiek apparaat.

Wat kan het volgens Odyssey?

De lijst met toepassingen die Odyssey presenteert is breed:

• Robotarmen die taken leren uit slechts tientallen uren aan demonstraties, en zelfs herstellen van fouten die niet in de trainingsdata zaten.
• Humanoïde robots in samenwerking met Flexion, een roboticabedrijf, die taken uitvoeren als containers openen en voorwerpen plaatsen.
• Autorijden op echte wegen in India, getraind op circa 20 uur aan gesimuleerde rijdata.
• Drones die stabiel vliegen en obstakels ontwijken in gesimuleerde binnenruimtes.
• Videogames waarbij beleid getraind op GTA V vroege tekenen van overdraagbaarheid toont naar andere games.

Dat is een opvallend brede claim voor één enkel model. Wat mij hier het meest intrigeert, is de data-efficiëntie. Tientallen uren trainingsdata in plaats van duizenden — als dat klopt, is dat een wezenlijk verschil.

Hoe sterk is het bewijs?

En daar zit precies de nuance. Ik vind het belangrijk om eerlijk te zijn: de prestatie-claims komen vrijwel allemaal van Odyssey zelf.

Een paar concrete punten:

• Odyssey-3 Pro scoorde 66,1 op de video-naar-video-test van Physics-IQ Verified, wat volgens Odyssey de hoogste score op die ranglijst is. Maar die score is gebaseerd op de beste van acht pogingen per taak — niet op de gemiddelde prestatie.
• Het model scoorde eerste in drie van vier categorieën op de WorldMark-benchmark, maar dat is Odyssey's eigen evaluatie.
• De 77%-claim bij autorijden (simulatie-getraind beleid haalde 77% van de afstand van beleid getraind op echte data) is interessant, maar er zijn geen onafhankelijke faalpercentages of gedetailleerde baseline-vergelijkingen gepubliceerd.

Geen van de resultaten is tot nu toe onafhankelijk geverifieerd, en de berichtgeving bevat geen reacties van externe experts. Dat betekent niet dat de claims onwaar zijn — maar het betekent wel dat we ze als voorlopig moeten behandelen.

Waarom dit voor ondernemers interessant kan zijn

Stel dat je als ondernemer een magazijn runt, of een productiebedrijf met fysieke processen. De belofte van world models als Odyssey-3 is dat je robots niet meer wekenlang hoeft te trainen op elke specifieke taak. In plaats daarvan breng je een model mee dat al begrijpt hoe de fysieke wereld werkt, en leert het met relatief weinig extra data jouw specifieke situatie.

Kun je je voorstellen wat dat betekent als je een robotarm wilt inzetten voor het sorteren van producten? In plaats van honderden uren aan trainingsdata verzamelen, zou je in theorie met tientallen uren klaar kunnen zijn.

Nu is dat nog theorie en demo's. Odyssey-3 is op dit moment beschikbaar als research preview — geen afgewerkt commercieel product. Maar het signaal is helder: de kosten en tijd om fysieke AI-systemen op te zetten zouden in de komende jaren flink kunnen dalen.

De context helpt ook: Odyssey haalde 310 miljoen dollar op in juni tegen een waardering van 1,45 miljard dollar, met investeerders als Amazon en AMD Ventures. Ze opereren in een druk veld — Nvidia heeft zijn eigen Cosmos-modellen, en er wordt gemeld dat World Labs door AMD is overgenomen voor 8,2 miljard dollar. Er stroomt serieus geld naar deze technologie.

De vergelijking met taalmodellen

De vergelijking uit de tweet die mij triggerde — fysica is voor world models wat code is voor taalmodellen — vind ik een handige manier om het te begrijpen. Taalmodellen als ChatGPT werden veel nuttiger toen ze konden coderen, omdat code uitvoerbaar is. Het model genereert niet alleen tekst, het genereert iets dat daadwerkelijk iets doet.

World models die fysica begrijpen, volgen dezelfde logica. Een model dat alleen mooie video's genereert is leuk, maar beperkt. Een model dat begrijpt dat een doos van een tafel glijdt als je ertegen duwt — en dat vertaalt naar een robotcommando om die doos op te vangen — dat is een stap richting bruikbare fysieke AI.

Ik denk dat deze vergelijking klopt als richtingaanwijzer, al is de praktijk bij fysieke systemen complexer dan bij software. In de echte wereld heb je te maken met variatie in licht, materiaal, gewicht en onverwachte situaties die in een digitale omgeving niet bestaan.

Een voorzichtige observatie

Voor mij is Odyssey-3 vooral een signaal dat de afstand tussen AI en de fysieke wereld aan het krimpen is. Niet morgen, en niet zonder hobbels — maar de richting is duidelijk. Dat bedrijven als Odyssey claimen dat tientallen uren trainingsdata volstaan waar voorheen duizenden nodig waren, is het soort ontwikkeling dat ik in de gaten zou houden. Niet om er nu op te springen, maar om voorbereid te zijn als het wel concreet wordt.