Machenta haalt 40 miljoen dollar op in seedronde om robots met één demonstratie nieuwe taken te leren

Een robot een nieuwe taak leren kan veel langer duren dan de taak zelf uitvoeren. Demonstraties verzamelen, trainingsdata voorbereiden en een model bijwerken kunnen van een kleine verandering in de workflow een omvangrijk engineeringproject maken. Machenta heeft een seedronde van 40 miljoen dollar opgehaald om dat proces te versnellen. Het bedrijf ontwikkelt een funderingsmodel voor robots dat een fysieke taak moet kunnen leren aan de hand van één demonstratie, zonder aanvullende taakspecifieke training.

Het Londense bedrijf maakte de financiering op 27 oktober bekend. Creandum en Union Square Ventures leidden de ronde gezamenlijk. Machenta gebruikt het kapitaal om zijn model op te schalen en het team uit te breiden in het nieuwe kantoor en laboratorium in King’s Cross.

Machenta noemt zijn aanpak ‘direct robotleren’. Het bedrijf zegt de technologie te hebben gedemonstreerd bij verpakkings-, assemblage- en opruimtaken, waarbij robots zich aan variaties aanpassen nadat ze één keer hebben gezien wat ze moeten doen. De ambitie is breed, maar het bewijs moet worden opgevat als demonstraties van een technologie in ontwikkeling, niet als bewijs dat een robot al elke mogelijke taak kan uitvoeren.

Een nieuwe taak leren zonder een nieuwe trainingsronde

Het belangrijkste onderscheid is dat tussen een model trainen en een reeds getraind model een specifieke taak aanleren. Machenta traint zijn funderingsmodel nog steeds. Het bedrijf wil voorkomen dat er telkens een grote nieuwe dataset moet worden verzameld en een nieuwe trainingscyclus moet worden uitgevoerd wanneer de robot een nieuwe taak tegenkomt.

‘Intelligentie gaat niet zozeer over wat je al kunt, maar over hoe snel je iets nieuws kunt leren’, zei professor Edward Johns, medeoprichter en CEO van Machenta, in de aankondiging.

De beoogde werkwijze is bewust eenvoudig: demonstreer het gewenste gedrag, laat de robot het observeren en laat hem vervolgens de taak uitvoeren. In de praktijk zou de demonstratie daarmee deel uitmaken van de instructie aan een bestaand model, in plaats van het begin te zijn van een afzonderlijk modelontwikkelingsproject.

Dit is vooral relevant wanneer de taak in grote lijnen hetzelfde blijft, maar de objecten of hun onderlinge positie veranderen. Een robot die alleen een vaste reeks handelingen kan herhalen, is afhankelijk van een omgeving die zich aan zijn programma aanpast. Een robot die nuttig kan leren, moet begrijpen wat de demonstratie hem vraagt te doen en zijn handelingen afstemmen op de situatie voor hem.

Simulatie wordt ingezet om het leervermogen te trainen

Machenta’s trainingsstrategie verplaatst een groot deel van de last van het genereren van data naar simulatie. Volgens het persbericht is het doel niet om elke taak op te sommen waarmee de robot ooit te maken kan krijgen. Het model moet juist aan voldoende uiteenlopende scenario’s worden blootgesteld om een herbruikbaar vermogen te ontwikkelen waarmee het van een nieuw voorbeeld kan leren.

Daardoor verandert de manier waarop het bedrijf verwacht op te schalen. Veel initiatieven op het gebied van robotleren zijn sterk afhankelijk van het verzamelen van fysieke demonstraties via bediening op afstand of opnamen van menselijke activiteiten. Machenta gokt erop dat ervaring in simulaties de variatie kan bieden die nodig is om nieuwe taken te leren, waarbij een demonstratie uit de echte wereld bij de ingebruikname als instructie dient.

In de technische introductie noemt het bedrijf het systeem een vision-demo-action-model, of VDA. Het model gebruikt een demonstratie en doorlopende camerawaarnemingen als input en voorspelt handelingen in een gesloten regelkring. Volgens het bedrijf vindt de pretraining uitsluitend in simulatie plaats; het voorbeeld waarmee de robot de taak leert en de livewaarnemingen zijn bij inferentie inputs uit de echte wereld.

Dat onderscheid is belangrijk: pretraining die uitsluitend op simulatie is gebaseerd, betekent niet dat de robot na ingebruikname zonder informatie uit de echte wereld werkt. De robot moet de demonstratie nog steeds interpreteren, zijn omgeving observeren en zijn handelingen aanpassen wanneer de omstandigheden veranderen.

Het onderzoek achter robotleren in context

Het bedrijf bouwt voort op onderzoek van Johns en medeoprichter en CTO Vitalis Vosylius aan Imperial College London. Johns is hoogleraar robotleren aan Imperial. De twee ontwikkelden eerder methoden om fysiek gedrag te leren aan de hand van een klein aantal voorbeelden.

Hun onderzoek naar Instant Policy, gepubliceerd op ICLR 2025, beschrijft imitatie leren in context op basis van één of twee demonstraties, zonder verdere training. Demonstraties, waarnemingen en handelingen worden weergegeven als een graaf. Vervolgens wordt een aangeleerd diffusieproces gebruikt om de graafstructuur te genereren die nodig is om handelingen te voorspellen.

In het artikel wordt ook training met pseudodemonstraties beschreven: trajecten die in simulatie worden gegenereerd en een grote verzameling voorbeelden opleveren. De experimenten omvatten taken in simulatie en in de echte wereld, evenals aanvullend onderzoek naar overdracht tussen verschillende robotconfiguraties en naar instructies die in taal zijn geformuleerd.

Dit onderzoek verduidelijkt de wetenschappelijke basis, maar bewijst niet dat het huidige commerciële model van Machenta precies dezelfde architectuur heeft. De startup beschrijft het nieuwere systeem als een funderingsmodel dat op deze onderzoekslijn voortbouwt.

Leren in context is bekend uit taalmodellen, waarin voorbeelden in een prompt het antwoord kunnen beïnvloeden zonder dat de modelgewichten worden bijgewerkt. Die aanpak toepassen op robotica is veeleisender, omdat de output moet worden omgezet in een reeks fysieke handelingen binnen de beperkingen van de echte wereld, en niet slechts in een aannemelijk antwoord.

Wat de demonstraties aantonen — en wat nog moet worden getest

In het technische bericht van Machenta wordt verslag gedaan van tests van een uur met drie eenvoudige taken die zichzelf resetten: 74 blokken succesvol geplaatst in 74 pogingen, 78 schroevendraaiers overhandigd in 78 pogingen en 97 flessen succesvol rechtop gezet in 99 pogingen. Volgens het bedrijf waren de twee mislukte pogingen met de flessen het gevolg van botsingsrisico en kinematische beperkingen.

Dit zijn nuttige eerste betrouwbaarheidscontroles, maar geen brede industriële benchmark. Het bericht beschrijft ook rechtstreeks leren van menselijke handen en werken met humanoïde handen als voorlopige richtingen. Het toont niet aan dat alle taken kunnen worden uitgevoerd of dat de prestaties betrouwbaar zijn op elke werkplek.

Voor een potentiële gebruiker omvat het verschil tussen een overtuigende demonstratie en een inzetbaar systeem onder meer herhaalbaarheid, herstel na een fout, veilig gedrag in de buurt van mensen en de praktische beperkingen van de hardware van de robot. Een instructie snel leren kan er niet voor zorgen dat een grijper een voorwerp vastpakt dat hij fysiek niet kan grijpen.

De commerciële kans is niettemin duidelijk. Als de benodigde leertijd aanzienlijk afneemt, wordt het aantrekkelijker om robots in te zetten voor werk dat zo vaak verandert dat langdurig programmeren en integreren niet rendabel is. Dat kan gevolgen hebben voor zowel de inzet in fabrieken als voor kleinschaligere toepassingen waarbij gespecialiseerde ondersteuning op het gebied van robotica moeilijk te krijgen is.

Een seedronde om het model en het team op te schalen

Machenta sluit zich aan bij een bredere investeringsgolf in aanpasbare robotintelligentie. De berichtgeving van Unite.AI over de financiering van Dream Labs voor AI die met verschillende robots werkt laat zien dat ook anderen proberen aangeleerde vaardigheden bruikbaar te maken voor uiteenlopende machines. Machenta richt zich vooral op hoe snel een nieuwe fysieke instructie kan worden omgezet in bruikbaar gedrag.

Creandum-partner Kathi Wilhelm wees op de jaren onderzoek die het team verrichtte voordat het bedrijf werd opgericht. Rebecca Kaden, managing partner bij Union Square Ventures, benadrukte het belang van robots die snel een nieuwe taak kunnen leren, in plaats van voor elke klus een afzonderlijk trainingstraject nodig te hebben.

Voor Machenta bestaat de volgende fase erin om de onderzoeksbasis om te zetten in bredere, betrouwbaardere mogelijkheden. De 40 miljoen dollar geeft het bedrijf de middelen om het model op te schalen en het team eromheen uit te breiden, terwijl het oprichtersteam zes jaar ervaring met robotleren op basis van één demonstratie meebrengt naar het bedrijf.

De centrale vraag is in hoeverre dit leervermogen kan worden opgeschaald wanneer taken gevarieerder en veeleisender worden. Als de aanpak standhoudt, zal de belangrijkste verandering praktisch van aard zijn: mensen kunnen dan minder tijd besteden aan het opzetten van een trainingsproces en meer tijd aan het voordoen van het werk dat ze daadwerkelijk door een robot willen laten uitvoeren.