AGIBOT onthult GO-3 Preview: robots die blijven leren tijdens het werk

AGIBOT, de fabrikant achter de humanoïde robots die RaaSX als Benelux-partner aanbiedt via Robots-as-a-Service, heeft op 29 oktober 2026 GO-3 Preview onthuld. Het nieuwe embodied foundation model leert niet alleen tijdens de training, maar ook daarna en zelfs tijdens het echte werk. GO-3 Preview staat op de eerste plaats van drie toonaangevende benchmarks voor embodied AI: RoboDojo, RoboTwin en RoboColiseum. AGIBOT maakt het model eind 2026 volledig open source.

Leren over de hele levenscyclus

Taalmodellen zijn sterk in redeneren en kennis, maar werken in de fysieke wereld vraagt meer. Een klein onderdeel oppakken of iets in elkaar zetten betekent veranderingen voorspellen, krachten doseren en heel precies bewegen. AGIBOT kiest daarom voor wat het full-lifecycle scaling noemt: een robot leert in drie fasen, en elke fase versterkt de volgende.

• GO-3 Preview, het model zelf, gebouwd op AGIBOT's eigen WRAM-architectuur (World Reasoning Action Model).
• Genie Evolver, een hybride trainingssysteem voor de fase na de basistraining.
• Genie Master, een agent-framework waarmee de robot blijft leren tijdens het werk.

1. Basistraining: vaardigheden die overal werken

Neem de opdracht "pak de beker". Dat kan een mok met oor zijn of een glad glas, midden op tafel of tussen andere spullen. Een robot kan dat niet uit het hoofd leren; hij heeft algemene vaardigheden nodig. WRAM combineert daarvoor taakbegrip, het voorspellen van wat er gaat gebeuren en het genereren van bewegingen in één architectuur, met drie bouwstenen:

• CoAE haalt uit beelden precies de informatie die nodig is voor besturing: posities, vormen en onderlinge ligging van objecten.
• SVP voorspelt in één stap hoe de situatie eruit gaat zien, zodat de robot daar gericht naartoe kan bewegen.
• KASO kiest uit meerdere mogelijke uitkomsten de voorspelling die het best past bij wat er fysiek echt gebeurt.

Het model leert van first-person video's van mensen, vol voorbeelden van hoe je met objecten omgaat, en van robottrajecten die laten zien welke beweging tot welk resultaat leidt.

Het resultaat: de robot kan nieuwe taken uitvoeren zonder extra training op die taak (zero-shot). Voor complexere handelingen, zoals het in elkaar zetten van LEGO, volstaan een paar demonstraties (few-shot).

2. Oefenen: in de echte en de virtuele wereld

Net als mensen worden robots beter door te oefenen en feedback te krijgen. Daarvoor bouwde AGIBOT Genie Evolver: een trainingssysteem dat een vloot van 100 echte robots combineert met fysica-simulatie en wereldmodellen.

Echte robots leren van elkaar. Met Collective Experience Learning (CEL) bundelt het systeem de ervaring van meerdere robots. Wat de ene robot leert, komt de hele vloot ten goede.

Simulatie vergroot het oefenterrein. In fysica-simulaties oefenen robots onder steeds andere omstandigheden, en zijn experimenten precies te herhalen.

Wereldmodellen verkennen alternatieven. Op cruciale beslismomenten test het systeem virtueel andere acties en vergelijkt het de uitkomsten. Wat werkt, wordt daarna op de echte robot getest.

AGIBOT laat zien wat dit oplevert met een paar uitdagende taken. Bij tafelcurling moet de robot kracht en hoek precies doseren. Volgens AGIBOT won de robot na slechts een paar uur oefenen vaker dan gemiddelde menselijke spelers.

Bij het uittrekken van blokken verandert elke actie de situatie voor de volgende. De robot beoordeelt de stapel na elke stap opnieuw en past zijn aanpak aan. En bij het gooien van een bal in een bewegende mand moet hij razendsnel voorspellen en reageren.

3. Aan het werk: beter worden in de praktijk

Hoe goed de training ook is, in de praktijk komt een robot altijd situaties tegen die hij nog niet kent. Tot nu toe betekende dat vaak dat een engineer code moest aanpassen of extra data moest verzamelen. Met Genie Master leert de robot door tijdens het werk zelf.

Genie Master introduceert het Embodied Execution Protocol (EEP), met vaste interfaces voor wat de robot kan, hoe een taak moet, of het resultaat klopt en welk werk nog openstaat. Ervaring wordt op twee manieren benut: aan het eind van elke werkdag gaat herbruikbare kennis naar het langetermijngeheugen, en de vastgelegde trajecten worden gebruikt om de bewegingen van de robot verder te verbeteren.

AGIBOT demonstreerde dit met een AGIBOT G2 in een echte gemakswinkel. De robot herkende waarom taken mislukten, paste zijn strategie aan en werd beter, zonder menselijke demonstraties of handmatige afstelling. AGIBOT noemt dit Physical RSI: zelfverbetering in de fysieke wereld, in een echte bedrijfsomgeving.

Van GO-1 naar GO-3

GO-1 introduceerde het ViLLA-framework, GO-2 voegde action chain-of-thought toe. GO-3 Preview gaat een stap verder door het leren niet te laten stoppen bij de basistraining, maar door te laten lopen tot en met de dagelijkse inzet.

Wat betekent dit voor de Benelux?

Tot nu toe was een robot op de dag van levering op zijn best, en kostte elke nieuwe situatie engineeringsuren. GO-3 Preview draait dat om: een robot die aan het werk is, wordt gaandeweg beter, en wat één robot leert kan de hele vloot helpen.

Dat past bij Robots-as-a-Service van RaaSX, waarin updates en onderhoud onderdeel van de dienst zijn. Samen met Genie Studio 2.0, AGIBOT's platform om robottaken te bouwen en te beheren, wordt het steeds eenvoudiger om robots in de praktijk in te zetten. En omdat GO-3 eind 2026 open source wordt, biedt het ook kansen voor onderwijs en onderzoek in de Benelux.

Ons uitgangspunt blijft hetzelfde: robots zijn collega's, geen vervangers. Een robot die zelf leert, vraagt minder handwerk van engineers en geeft mensen meer ruimte voor het werk waar zij het verschil maken.

Benieuwd wat AGIBOT-robots in jouw organisatie kunnen doen? Plan een digitale meeting of bel +31 30 269 0012.

Meer weten over de robots zelf? Bekijk alle AGIBOT-modellen, prijzen en huuropties in de Benelux.