Fysisk AI: Investering i 2026-året Humanoidrobot-boomet

CES 2026 signalerer skiftet fra virtuel til fysisk AI

CES, tidligere kendt som Consumer Electronics Show, er verdens største og mest indflydelsesrige teknologimesse. Vi rapporterede tidligere, at en af de vigtigste afsløringer på messen var det første kommercielle solid‑state batteri, produceret af Donut Labs.

Men en anden vigtig meddelelse blev givet af AI‑hardware‑lederen NVIDIA (NVDA ) om “fysisk AI”, som er blevet præsenteret som NVIDIAs ChatGPT‑øjeblik. Dette er naturligvis ikke helt en overraskelse, da virksomheden i et stykke tid har presset på idéen om fysisk AI og indset, at rene “intellektuelle” LLM‑modeller (Large Language Models) kun er det første skridt i AI‑udrulningen.

I praksis vil AI’s mest indflydelsesrige rolle ske, når den interagerer direkte med den fysiske verden i stedet for at forblive indespærret i digitale og virtuelle miljøer.

Og dette er noget, som AI‑systemer indtil nu har haft svært ved at gøre. Den virkelige verden er meget rodetere end et pænt datasæt i et regneark, en video eller en søgemaskine. Den er ofte tvetydig, foranderlig og uventet.

Af alle disse grunde er der brug for en ny type AI, der udnytter den fysiske virkelighed og genanvender neurale netværk på nye måder. Det er, hvad NVIDIAs Cosmos‑rammeværk lover.

Hvorfor 2026 kan blive ChatGPT‑øjeblikket for robotteknologi

Sammenligningen af 2026 & fysisk AI for robotteknologi med den effekt, ChatGPT havde på LLM‑modeller, kommer direkte fra Jensen Huang, administrerende direktør og grundlægger af NVIDIA, på CES 2026. Du kan se hans fulde tale i den følgende video:

Huang lavede denne meddelelse, da hans virksomhed lancerede nye åbne modeller, NVIDIA Cosmos og GR00T (Generalist Robot 00 Technology), som bruges til robot‑læring og ræsonnement, Isaac Lab‑Arena til robot‑evaluering, og OSMO edge‑to‑cloud compute‑rammeværk for at forenkle robot‑træningsarbejdsgange (mere om hver af disse AI‑værktøjer nedenfor).

Hvorfor er det vigtigt?

Indtil videre har LLM‑modeller, som de første sprogmodeller, primært påvirket ræsonnement og sprog‑tunge aktiviteter, såsom skrivning, programmering, søgning, dataanalyse, oversættelse, kundeservice osv.

Disse er vigtige aktiviteter, men kun en brøkdel af verdensøkonomien.

Mange flere globale aktiviteter, ofte de mest arbejdskrævende, kræver interaktion med den fysiske verden: fremstilling, sundhedsvæsen, transport & logistik, landbrug, minedrift, husholdningsopgaver osv.

Hvilke industrier vil blive transformeret først af fysisk AI

I teorien vil alle segmenter af den fysiske verden og økonomiske sektorer blive påvirket af spredningen af robotteknologi. Men i praksis vil nogle segmenter adoptere robotteknologi i et meget hurtigere tempo og blive påvirket tidligere.

Selvkørende biler

Selvstyrende køretøjer har gjort store fremskridt i 2025, og er sandsynligvis ved at blive klar til udrulning, afhængigt af godkendelse fra regulatorerne og en klarere lovramme.

Denne opgave er tung på ræsonnement, mens de faktiske mekaniske handlinger i en bil er relativt simple (2D‑bevægelser, acceleration, bremsning, blinklys). Som sådan er den vigtigste del en kombination af følgende elementer:

• Stærk ombord‑hardware til edge‑computing (uafhængig af netværksforbindelse).
• Data og træning, der matcher virkelige forhold, fra generelle kørselsregler til sjældne tilfælde & uventede ændringer — som at associere en rullende bold med risikoen for, at et barn pludselig løber ud på vejen, hvilket fører til forebyggende deceleration.
• Ræsonnerende vision‑language‑action (VLA)‑modeller, der omdanner visuelle ledetråde til de rette handlinger.

Logistik

Fysisk AI vil påvirke dette felt på mindst to forskellige måder.

Den første er lagre og forsyningsstyring. Fysisk AI autoriserer autonome mobile robotter (AMR’er) til at navigere i komplekse miljøer og undgå forhindringer, inklusive mennesker, ved at bruge direkte feedback fra ombord‑sensorer. Robotarme og andre manipulationsværktøjer gør dem også i stand til at flytte varer.

Den anden er leveringsservice, som er mere lig selvkørende køretøjer, hvor fysisk AI håndterer alt fra kørsel til den rette adresse til sikker placering af varer ved den rette dør, navigation omkring hegn, ujævnt terræn, forhindringer osv.

Fremstilling

Ligesom i lagre skal fysisk AI i fabrikker håndtere et komplekst miljø, der blander maskiner, mennesker og nu robotter.

Derudover vil mange fremstillingssteder have høj‑effekt værktøjer, farlige produkter (varmt metal, lasere, kemikalier osv.) og meget strengere krav til slutkvalitet og effektivitet.

Mens en fastklemt eller defekt lagerrobot sandsynligvis kan håndteres af en menneskelig operatør i nærheden, kan den samme fejl i en samlebånds‑ eller kompleks kemisk anlæg hurtigt blive farlig.

Kirurgi & Sundhedsvæsen

Indtil nu er de fleste kirurgiske robotter, som dem fra Intuitive Surgical (ISRG ), mere som robotarme styret af en kirurg end egentlige autonome robotter. Dette ændrer sig hurtigt, efterhånden som AI‑kapaciteten vokser:

• XRlabs bruger Thor og Isaac til sundhedssektoren for at muliggøre kirurgiske scopes, startende med exoscopes, for at vejlede kirurger med realtids‑AI‑analyse.
• LEM Surgical bruger NVIDIA Isaac for Healthcare og Cosmos Transfer til at træne de autonome arme på deres Dynamis‑kirurgirobot, drevet af NVIDIA Jetson AGX Thor™ og Holoscan.

Manuelle gentagne opgaver: Humanoide robotter

De fleste arbejdsområder, rum og værktøjer er designet til at blive håndteret af menneskelige hænder og kroppe. Så det giver mening, at den ideelle robot, der skal erstatte mennesker i kedelige eller farlige opgaver, også har en humanoid form.

Dog er den menneskelige krop også en meget kompleks maskine, og det er først for nylig, at robotter er blevet mekanisk sofistikerede nok til at efterligne menneskelig bevægelse korrekt.

Derfor kan dette tage længere tid at udvikle — specifikt de grove og fine motoriske færdigheder samt evnen til at opfatte, forstå, ræsonnere og interagere med den fysiske verden, uanset hvilken opgave der er tale om.

NVIDIAs fysiske AI‑stack forklaret

Efter idéen udviklet med programmeringssproget CUDA — som gør det muligt at bruge GPU’er til andre applikationer end grafisk rendering, hvilket gav liv til det meste af den nuværende AI‑boom — satser NVIDIA på åbne modeller for at lede den kommende boom inden for fysisk AI.

På denne måde bør NVIDIA ideelt set blive lige så meget en fysisk AI‑aktie, som den har været en LLM‑drevet aktie de sidste fem år.

Kernen i NVIDIAs hardware‑ og neurale‑netværksekspertise bliver nu raffineret til sammenkoblede dele, alle finjusterede til fysiske AI‑applikationer.

NVIDIA Cosmos

Cosmos er “en platform med åbne verdens‑fundament‑modeller (WFMs), sikkerhedsrammer og databehandlingsbiblioteker til at accelerere udviklingen af fysisk AI for autonome køretøjer (AV’er), robotter og video‑analyse‑AI‑agenter.”

Flere robot‑ og autonome køretøjsvirksomheder bruger allerede Cosmos til at fremskynde udviklingen af deres fysiske AI.

Cosmos er i virkeligheden flere forudtrænede modeller i én, som lader robotter forudsige, hvordan den fysiske verden vil reagere og ændre sig, hvordan syntetiske data (simulationer) omsættes til virkelige videoer, og hvordan man bruger en ræsonneringskæde, der bygger på reelle fysiske data og observationer.

NVIDIA Isaac‑GROOT & IsaacLab Arena

Isaac GR00T N1.6 er en vision‑language‑action‑model bygget specifikt til humanoide robotter, som tilbyder fuld‑kropskontrol og kontekstuel forståelse. Robotvirksomheder inklusiv Franka Robotics, Neura Robotics og Humanoid bruger den allerede.

Dette, kombineret med Isaac Lab‑Arena, giver et samarbejdssystem til evaluering og benchmark af robot‑politikker i simulation. På den måde kan forsknings‑labs og robotvirksomheder hurtigt vurdere deres model‑performance og sammenligne den med andres i et standardiseret miljø.

Vigtigt er, at Isaac‑modellen har relativt lave beregningskrav, med et $3.500 NVIDIA robot‑chip‑modul Jetson AGX Thor, som er tilstrækkeligt til at køre Isaac, og dermed bringer hardware‑omkostningerne for en humanoid robot ned til et meget lille beløb.

NVIDIA® Jetson Thor™‑seriemoduler giver dig den ultimative platform for fysisk AI og robotteknologi, leverer op til 2070 FP4 TFLOPS AI‑beregning og 128 GB hukommelse med strøm, der kan konfigureres mellem 40 W og 130 W.

De leverer over 7,5‑gange højere AI‑beregning end NVIDIA AGX Orin™, med 3,5‑gange bedre energieffektivitet.

Boston Dynamics, Humanoid og RLWRLD har alle integreret Jetson Thor i deres eksisterende humanoider for at forbedre navigation og manipulationskapacitet.

NVIDIA Omniverse

Omniverse er en samling af biblioteker og mikrotjenester til udvikling af fysiske AI‑applikationer såsom industrielle digitale tvillinger og robot‑simulation.

Virtuelle simulationer, eller “syntetiske data”, er en fremragende måde at træne en robot‑AI hurtigt i mange situationer uden at skulle skabe de fysiske situationer.

For at udvikle Omniverse brugte NVIDIA sin dybe samling af fysikmodeller, fysisk simulation og datalibrary, som allerede anvendes i andre applikationer som fysikforskning, videospil osv.

Dette værktøj kan også være meget nyttigt for logistik‑ og fremstillingsapplikationer, med oprettelse af tilpassede digitale tvillinger af rigtige faciliteter, så man kan teste udrulning af robot‑AI virtuelt først, hvilket reducerer risikoen for forstyrrelser, når rigtige robotter implementeres.

Flere industrielle virksomheder bruger allerede dette værktøj, såsom Schneider og Siemens.

NVIDIA OSMO

OSMO er en “orchestrator”‑software, specifikt bygget til fysisk AI.

Den gør det muligt for brugere at koordinere og kombinere flere AI‑værktøjer, inklusiv Isaac og Cosmos, på alle stadier af udviklingen af fysisk AI: data‑generering, træning, simulation, evaluering og hardware‑in‑the‑loop‑test.

NVIDIA DGX Platform

DGX er NVIDIAs brug af sin “SuperPOD”‑computing‑platform til træning af AI‑modeller, inklusiv fysiske AI‑modeller.

Den kan skalere til titusinder af NVIDIA‑GPU’er, inklusiv Rubin‑ og Blackwell‑chips, og skabe en klar‑til‑brug, turnkey AI‑supercomputer.

NVIDIA – Hugging Face

Hugging Face er et transformer‑bibliotek bygget til naturlige sprogbehandlings‑applikationer, også kaldet “GitHub for Machine Learning”, med millioner af forudtrænede AI‑modeller, datasæt, biblioteker osv.

NVIDIA har integreret sine open‑source‑teknologier Isaac og GR00T i den førende LeRobot open‑source robot‑ramme. Med et fællesskab på 13 millioner AI‑byggere bør dette booste adoptionen af Nvidia‑systemer som standard inden for fysisk AI.

Konklusion

Robotteknologi gør pludselig enorme fremskridt, takket være samspillet mellem to forskellige kræfter på samme tid.

Den første er modenheden af robotkomponent‑teknologi og masseproduktionen af robotarme, gyroskoper, elektriske motorer og andre komponenter, der bruges i robotter såvel som droner og anden elektronik, hvilket fører til et hurtigt fald i omkostningerne for højkvalitetsdele.

Den anden kraft er den eksplosive forbedring af AI‑teknologien.

Det, der for et par år siden nåede den brede offentlighed gennem LLM‑modeller, udvider sig nu til nye felter, hvor den fysiske verden snart vil mærke effekten af den voksende udrulning af fysisk AI i biler, specialbyggede eller humanoide robotkroppe.

Det er muligt, at fysisk AI viser sig at være endnu vigtigere for teknologibranchen end LLM‑modeller, da den åbner en hel ny række af økonomiske sektorer. Dette bør hjælpe den med at indfange mere værdi samt øge produktiviteten, netop når geopolitik driver en massiv omtegning af forsyningskæder og reindustrialisering i mange lande.

Bedste fysiske AI‑ og humanoidrobot‑aktier for 2026

Boston Dynamics / Hyundai (HYMLF)

Hyundai er bedst kendt for sin bilproduktion, hvilket er berettiget, da den er verdens tredje største bilproducent målt på antal solgte biler, men den er også en enorm industrigruppe bestående af tre underafdelinger:

• Bilproduktionen, inklusiv elbiler.
• Robotproducenten Boston Dynamics, opkøbt i 2021, som ikke skal forveksles med Hyundai Robotics, en industriel robotproducent, nu en del af det uafhængige selskab HD Hyundai / Hyundai Heavy Industries (men tæt samarbejdende med Hyundai Motors).
• Hyundai Rotem er aktiv inden for jernbane‑ & militært udstyr samt hydrogen‑energi.

Boston Dynamics, sammen med Caterpillar, Franka Robotics, Humanoid, LG Electronics og NEURA Robotics, bruger NVIDIA‑robotik‑stacken til at lancere nye AI‑drevne robotter.

Virksomheden er især kendt for sin ATLAS‑robot og for at have banet vejen for robodog‑designen.

Virksomheden fokuserer også på B2B‑markedet for fysiske robotter / fysisk AI, med Stretch, en lagerrobot til håndtering af pakker og belastninger i lagre, op til 50 pund i vægt.

Som en tidlig leder inden for robotteknologi og partner til NVIDIA er Boston Dynamics en god kandidat til at indfange en betydelig del af det fysiske AI‑marked.

En børsnotering af virksomheden, som er en del af Hyundai, er en klar mulighed i fremtiden, men der er endnu ingen konkrete planer, så det er sandsynligvis først efter 2027.

“Vedrørende en tidslinje eller planer for Boston Dynamics’ børsnotering er intet bekræftet endnu, så der er ikke meget at kommentere på nu, men vi vil kommunikere (med interessenter) så snart vi har en IPO‑tidslinje eller planer.

Ligesom vi gennemførte (Hyundai Motor Indias IPO), kan vi sige, at vi er åbne over for Boston Dynamics. Vi har dog ikke gennemgået (Boston Dynamics’ IPO) på nuværende tidspunkt, og vi har ingen planer om at gennemgå (IPO‑muligheden) på kort sigt.”

– Lee Seung‑jo, Chief Financial Officer og Chief Strategic Officer hos Hyundai Motor Co (HYUNDAI.BO )

Virksomheden har begyndt at bruge Boston Dynamics’ humanoide robotter i sine bilfabrikker og afslørede en kommerciel version af ATLAS.

NVIDIA

Fra sin oprindelse som GPU‑hardwareproducent til videospil og andre grafiske rendering‑opgaver, har NVIDIA udviklet sig til en massiv AI‑hardwarevirksomhed, hvilket har givet deres aktie verdens største markedsværdi.

NVIDIA indså AI’s potentiale tidligt, længe før nogen, ud over specialiserede forskere, bekymrede sig om neurale netværk.

Dette var på det tidspunkt et risikabelt skridt ind i en uprøvet, næsten ikke‑eksisterende sektor, eller som Jensen Huang udtrykte:

“Vi investerer i nul‑milliard‑dollar markeder.”

I 2016 & 2017 udgav NVIDIA Pascal‑ og Volta‑arkitekturerne, henholdsvis den første GPU‑baserede AI‑accelerator, mens Volta introducerede Tensor‑Cores, som accelererede dyb‑lærings‑opgaver op til 12‑gange.

Dette tempo af fremskridt har fortsat lige siden.

Investorer har været noget bekymrede for, at NVIDIA snart kunne løbe tør for nye markeder, der kan retfærdiggøre deres høje værdiansættelses‑multipler. Med CES 2026‑meddelelsen om fysisk AI ser det dog ikke ud til at være tilfældet endnu.

Den fysiske udrulning af AI i robotter, selvkørende biler og andre autonome systemer vil give NVIDIA mange nye markeder at sælge deres hardware til.

Og deres komplette økosystem, med åben design og partnerskab med Hugging Face, garanterer næsten, at alle undtagen de største teknologivirksomheder vil stole på NVIDIA‑teknologi til hjernen i deres robotter, da det ville være alt for dyrt og tidskrævende at genopfinde hjulet i forhold til konkurrenterne.

Seneste Nvidia (NVDA) aktienyheder og udviklinger