Google DeepMind laat zien hoe een humanoid sneller een nieuwe taak kan leren: niet via weken handmatig programmeerwerk, maar door een menselijke demonstratie om te zetten in een simulatie en daarna in robotbeweging. De eerste proef met Apptroniks Apollo is klein, maar de gebruikte werkwijze kan belangrijk worden voor de ontwikkeling van praktische robotvaardigheden.
Van menselijke video naar Apollo
Google introduceerde op 13 oktober 2026 Gemini 4 Argon, een nieuw multimodaal redeneermodel dat ook voor robotica wordt ingezet. In een interne demonstratie analyseerde het model een video van een mens die cornhole speelde, bracht het de omgeving ruimtelijk in kaart en berekende het de benodigde bewegingen voor het hele lichaam. Vervolgens maakte Argon volgens Google zelfstandig de simulatiecode.
Na overdracht naar Apptroniks Apollo zou de humanoid zeven zakjes achter elkaar raak hebben gegooid. FABRIKANTCLAIM PILOT Het gaat om een door Google uitgevoerde demonstratie. Er is geen onafhankelijke verificatie gepubliceerd en Google geeft geen volledige informatie over onder meer het totale aantal pogingen, de afstand, de opstelling of herhaalbaarheid over langere tijd.
Waarom de werkwijze belangrijker is dan het spel
Het interessante deel is niet dat Apollo een zakje kan gooien, maar de keten erachter: video → ruimtelijk model → simulatie → echte robot. Robots leren nieuwe taken nu vaak met veel handmatig gebouwde simulaties, teleoperatie en speciaal verzamelde trainingsdata. Als een algemeen AI-model bruikbare oefenomgevingen uit gewone video kan maken, kan dat de voorbereiding van nieuwe robotvaardigheden versnellen.
Google zegt dat deze aanpak weken aan handmatig simulatiewerk kan terugbrengen tot enkele uren. FABRIKANTCLAIM Dat is nog niet onafhankelijk onderbouwd en zegt niets over de tijd die daarna nodig is om een taak veilig en betrouwbaar in een fabriek uit te voeren.
Breder dan één Apollo-demonstratie
In zijn technische toelichting toont Google ook proeven met een Spot-robot, een eenvoudige robotarm en automatisch opgebouwde MuJoCo-simulaties. Daarnaast rapporteert het bedrijf voor Argon een score van 87% op de ERQA-benchmark voor fysiek en ruimtelijk redeneren. FABRIKANTCLAIM Die benchmarkscore meet redeneervermogen en is niet hetzelfde als fysieke betrouwbaarheid, veiligheid of inzetbaarheid van een robot.
De lancering van Gemini 4 Argon zelf is ook door Reuters bevestigd. De robotresultaten komen vooralsnog echter uit Googles eigen publicaties en demonstraties. Daarom is het te vroeg om te spreken van bewezen algemene robotintelligentie.
Wat dit betekent voor humanoids
Voor Apptronik sluit de proef logisch aan op de samenwerking met Google DeepMind. Apollo wordt daarmee niet alleen een hardwareplatform, maar ook een testomgeving voor modellen die waarneming, planning, simulatie en beweging combineren.
De volgende stap is minder spectaculair maar veel belangrijker: dezelfde methode moet bij uiteenlopende industriële taken herhaalbaar presteren, onder wisselende omstandigheden en met meetbare foutpercentages. Pas dan wordt duidelijk of deze aanpak de stap maakt van een overtuigende demonstratie naar bruikbare embodied AI op de werkvloer.
Bronnen: Google Nederland — Gemini 4 Argon · Google Developers Blog — Argon voor robotica · Google DeepMind — model card · Reuters — lancering Gemini 4 Argon. Geraadpleegd op 14 oktober 2026.