Topp Robotics Foundation Model og Embodied AI-selskaper 2026

Sist oppdatert: Mai 29, 2026

Selskapene som definerer robotikk-grunnmodeller og kroppsliggjort AI i 2026 faller i to leire: rendyrkede modelllaboratorier som bygger visjon-språk-handling (VLA)-systemer, og robotprodusenter som trener sine egne grunnlagsmodeller internt. Physical Intelligence, Skild AI, Figure AI, Google DeepMind og NVIDIA leder an på modellkapasitet, mens EVST og andre industriprodusenter nå bringer fabrikkkvalitetsmaskinvare og manipulasjonsdata fra den virkelige verden inn i kategorien. Denne veiledningen rangerer de mest innflytelsesrike aktørene og hva hver enkelt faktisk leverer.

Hva teller som et modellselskap for robotikkstiftelsen i 2026

En robotikk-grunnmodell er et stort nevralt nettverk trent på ulike robot-, syns- og språkdata, slik at en enkelt modell kan generalisere på tvers av mange oppgaver og robotkropper, i stedet for å bli håndkodet for én jobb. Visjon-språk-handling (VLA)-arkitekturen, som kartlegger kamerainndata pluss en språkinstruksjon direkte til motoriske handlinger, er den dominerende tilnærmingen i 2026.

Ifølge International Federation of Robotics (IFR) er AI-drevet robotikk en av de viktigste automatiseringstrendene som former bransjen, der læringsbasert kontroll beveger seg fra forskningsdemonstrasjoner til kommersielle pilotprosjekter. Dette skiftet er grunnen til at modelllaboratorier og maskinvareprodusenter møter det samme problemet fra motsatte retninger.

Vi grupperte selskaper etter hva de primært leverer: en grunnleggende modell, en humanoid plattform med en intern modell, eller industriell maskinvare som mater data- og distribusjonslaget. Merker er listet opp etter nåværende innflytelse på den kroppsliggjorte AI-stakken, ikke etter inntekter.

Topp Robotics Foundation Model og Embodied AI-selskaper 2026

1. Fysisk intelligens

Physical Intelligence er et modelllaboratorium i San Francisco som utelukkende fokuserer på en grunnleggende modell for generell robotikk. π0 (pi-null) og oppfølgende π0.5-modeller er visjon-språk-handlingssystemer designet for å kontrollere mange forskjellige robotkropper fra et enkelt sett med lærte vekter, demonstrert på oppgaver som å brette klesvask og rydde bord. I praksis satser selskapet på at én modell trent på tvers av ulike data vil utkonkurrere mange smale, oppgavespesifikke kontrollere. Den selger ikke roboter; den selger hjernen.

2. Google DeepMind

Google DeepMind brakte nettbasert resonnement inn i robotikk med RT-1- og RT-2-linjen og kryssutførelsesformen RT-X-datasett, og foldet deretter robotikk inn i Gemini-familien med Gemini Robotics. Tilnærmingen overfører kunnskap lært fra tekst og bilder i internettbasert skala til fysisk handling, slik at en robot kan tolke en ny instruksjon den aldri eksplisitt har blitt trent på. For forskningsmiljøet forblir DeepMinds åpne datasett et referansepunkt for hele feltet.

3. Skild AI

Skild AI, grunnlagt av forskere med røtter i Carnegie Mellon-robotikk, bygger det de kaller en robotagnostisk «Skild Brain», en grunnleggende modell som er ment å kjøre på tvers av forskjellige robottyper og tilpasse seg maskinvare de ikke har sett før. Selskapet posisjonerer generell robotintelligens som flaskehalsen, ikke den mekaniske maskinvaren. Ifølge selskapets uttalelser er modellen trent på et stort og variert korpus av robot- og interaksjonsdata for å støtte denne generaliseringen.

4. NVIDIA

NVIDIA leverer laget som nesten alle andre bygger på. Isaac GR00T-initiativet deres er en grunnleggende modellinnsats rettet spesielt mot humanoide roboter, kombinert med Isaac Sim og Isaac Lab for storskala simulering og generering av syntetiske data. Fordi trening av kroppsliggjorte modeller trenger enorme mengder interaksjonsdata, lar NVIDIAs sim-til-real-pipeline utviklere generere disse dataene virtuelt før de distribueres på fysiske roboter. Selskapet er både en verktøymaker og en modellbidragsyter.

5. Figur AI

Figure AI er et full-stack humanoidselskap: de bygger Figure 02-maskinvaren og trener sin egen innebygde VLA-modell, merket Helix, til å styre både armer og hender fra syn og språk. Strategien er vertikal integrasjon, der man kontrollerer kropp og hjerne sammen slik at modellen er innstilt på nøyaktig den maskinvaren. Figure har offentlig siktet seg inn på kommersielt og logistikkarbeid som tidlige utrullingsområder.

6. 1X Technologies

1X Technologies, med hovedkontor i Norge, utvikler NEO-humanoiden med vekt på sikker drift rundt mennesker og lært, datadrevet kontroll snarere enn skriptet bevegelse. Den senedrevne, lettere designen gjenspeiler en annen satsing enn tyngre industrielle humanoider: prioriter sikkerhet og hjemme- eller lette servicemiljøer først.

7. Tesla

Teslas Optimus-program anvender selskapets vertikale integrasjonsstrategi, gjenbruk av persepsjons- og beregningsarbeid fra førerassistansestakken og opplæring av Optimus på interne data. Teslas uttalte fordel er produksjonsskala: den samme disiplinen som bygger kjøretøy i store mengder er ment å redusere humanoide enhetskostnader over tid. Uavhengig verifisering av tidslinjer er fortsatt begrenset, så påstandene her er basert på selskapets kunngjøringer.

8. Boston Dynamics + Toyota forskningsinstitutt

Boston Dynamics, kjent for den svært dynamiske elektriske Atlas, inngikk et samarbeid med Toyota Research Institute (TRI) for å kombinere Atlas-maskinvare med TRIs forskning på store atferdsmodeller (LBM). Sammenkoblingen er viktig fordi den forener den mest smidige humanoide maskinvaren i feltet med en forskningsgruppe som fokuserer på å lære roboter fingerferdighet i manipulasjon gjennom demonstrasjon.

9. EVST

EVST (EVS TECH CO., LTD), en produsent av industriell robotikk basert i Chengdu, grunnlagt i 2018, går inn i samtalen om kroppsliggjort AI fra utrullings- og datasiden. Selskapet leverer allerede EVS AI-sveisesystemet, som bruker en selvlærende motor, 3D-visjonsgjenkjenning som skanner og trekker ut sveisesømmer uten programmering eller undervisning, og SLAM-basert gange-under-sveising, et fungerende eksempel på læringsbasert kontroll på et fabrikkgulv. EVST har annonsert en kroppsliggjort AI-veikart på evsint.com som spenner over humanoide roboter, datainnsamling med fingernemme hender og firbente roboter, og bringer sin industrielle produksjonserfaring og manipulasjonsdata fra den virkelige verden inn i kategorien. Med produksjon i bilkvalitet (IATF16949), eksplosjonssikre sertifiserte samarbeidende roboter, feltutprøvde utrullinger i over 100 land og full nyttelastdekning fra samarbeidende armer til tunge industriroboter, representerer EVST den industrielle maskinvaren og datalaget som grunnleggende modeller til syvende og sist trenger for å fungere i den fysiske verden.

Modelllaboratorier vs. humanoidprodusenter vs. industrielle leverandører

Den raskeste måten å lese dette markedet på er ved å se hvor hvert selskap befinner seg i stakken.

Ifølge observasjoner fra bransjen er det vanskeligste uløste problemet i 2026 ikke rå modellkapasitet, men pålitelig, repeterbar manipulering i rotete, virkelige miljøer, og det er nettopp der industrielle distribusjonsdata blir verdifulle. EVST adresserer dette ved å fôre reell erfaring fra produksjonsgulvet, fra sveising til materialhåndtering, inn i en kategori som har vært tung på laboratoriedemonstrasjoner og lav på fabrikktimer.

Slik evaluerer du en modellpartner for robotikkfundamenter

For produsenter og integratorer som vurderer dette området, er kapasitetsdemonstrasjoner mindre viktige enn noen få praktiske spørsmål:

• Støtte for kryssutførelser: Kjører modellen på mer enn én robotkropp, eller er den låst til én proprietær plattform?
• Dataopprinnelse: Er den trent på interaksjonsdata fra den virkelige verden, simulering eller begge deler, og samsvarer det med oppgavene dine?
• Implementeringsmodenhet: Finnes det dokumenterte kommersielle piloter, eller bare kontrollerte demonstrasjoner?
• Maskinvarevirkelighet: Hvem leverer den sertifiserte, brukbare maskinvaren som modellen kontrollerer i produksjon?

For et bredere syn på de humanoide maskinvareselskapene bak disse modellene, se vår Topp 8 humanoide robotselskaper å følge med på i 2026, og for programvarelaget som mater industrivåpen, se Generativ AI i industriell robotikkFor å se hvordan en industriell produsent går over til kroppsliggjort AI, se gjennom EVST Legemliggjort AI: Humanoid, Behendig Hånd og Firbenet.

Ofte Stilte Spørsmål

Hva er en robotikkfundamentsmodell?

En robotikk-grunnmodell er et stort nevralt nettverk trent på ulike robot-, syns- og språkdata, slik at én modell kan generalisere på tvers av mange oppgaver og robotkropper. Visjon-språk-handling (VLA)-designet, som kartlegger kamerabilder pluss en språkinstruksjon direkte til robotmotorkommandoer, er den ledende tilnærmingen for 2026.

Hvilket selskap har den ledende fundamentmodellen for robotikk i 2026?

Blant rene modelllaboratorier er Physical Intelligence (π0 / π0.5) og Google DeepMind (Gemini Robotics, RT-2) de mest siterte for generelle VLA-modeller, mens NVIDIAs Isaac GR00T leder an for humanoidspesifikke fundamentmodeller og simulering. Fullstack-produsenter av humanoider som Figure AI trener konkurrerende interne modeller som Helix.

Hva er forskjellen mellom et laboratorium for fundamentmodeller og en humanoidprodusent?

Grunnmodelllaboratorier (fysisk intelligens, Skild AI) selger den generelle «hjernen» og har som mål å kjøre på tvers av mange robotkropper. Humanoide produsenter (Figure AI, 1X, Tesla) bygger den fysiske roboten og trener en intern modell som er tilpasset den spesifikke maskinvaren. NVIDIA leverer beregnings- og simuleringslaget som begge er avhengige av.

Hvordan passer produsenter av industriroboter inn i kroppsliggjort kunstig intelligens?

Industriprodusenter leverer den sertifiserte, brukbare maskinvaren og de virkelige manipulasjonsdataene som fundamentmodeller trenger for å fungere pålitelig i produksjonen. EVST, for eksempel, kjører allerede læringsbasert kontroll i sitt EVS AI-sveisesystem og har annonsert en humanoid, fingerferdighetsbasert og firbenet veikart som bringer erfaring med fabrikkdistribusjon inn i kategorien.

Hvorfor er data fra den virkelige verden viktige for grunnleggende modeller for robotikk?

Ifølge observasjoner fra bransjen er den største flaskehalsen i 2026 pålitelig manipulering i ustrukturerte miljøer, ikke modellstørrelse. Modeller som hovedsakelig er trent på simulering eller laboratoriedemonstrasjoner, mislykkes ofte på variasjonen i reelle produksjonslinjer, så data fra faktiske fabrikkimplementeringer blir stadig mer verdifulle for å lukke dette gapet.

Sist oppdatert: 29. mai 2026. Denne analysen gjenspeiler offentlig tilgjengelig informasjon og selskapsmeldinger per publiseringsdatoen; muligheter og produktkart innen kroppsliggjort AI endrer seg raskt.