Edge AI & Robotbreinen: De VLA‑modellen die robotica aandrijven (2026)

Series Navigatie: Deel 2 van 6 in The Physical AI Handbook

Edge AI & Foundation Models: Waarom Robots de Cloud Niet Kunnen Gebruiken

In de wereld van software‑AI is een halve seconde vertraging in een chatbot‑reactie een kleine ergernis. In Physical AI is een halve seconde vertraging een veiligheidscatastrofe. Als een humanoïde robot over een drukke fabrieksvloer loopt en een mens in zijn pad stapt, moet de robot dat visuele beeld verwerken, de actie redeneren en zijn motoren stoppen in minder dan 20 milliseconden.

Vanaf 2026 heeft de industrie een consensus bereikt: om te overleven in de echte wereld moet de hersenen in het lichaam wonen. Deze eis heeft een enorme migratie naar Edge AI aangewakkerd, waarbij nu 80 % van de inferentie lokaal op het apparaat plaatsvindt in plaats van in een verre datacentrum.

De Opkomst van VLA: Vision‑Language‑Action‑Modellen

Tot voor kort waren robots blind en volgden ze starre lijnen van vooraf geprogrammeerde code. In 2026 zijn we overgestapt op Vision‑Language‑Action (VLA) modellen. Dit zijn multimodale foundation‑modellen — denk aan een motorcortex voor AI — die drie invoerbronnen gelijktijdig verwerken:

1. Visie: Hogesnelheids‑4K‑camera‑feeds en LiDAR‑dieptedata.
2. Taal: Spraak‑ of tekstcommando’s van menselijke toezichthouders (bijv. “Sorteer de beschadigde onderdelen in de blauwe bak”).
3. Actie: De precieze koppel‑ en hoekcommando’s voor honderden kleine motoren (actuatoren).fo

Omdat deze modellen getraind zijn op enorme datasets zoals de Open X‑Embodiment (meer dan 1 miljoen trajecten), beschikken ze over algemene intelligentie. Een robot die wordt aangedreven door een VLA hoeft niet geprogrammeerd te worden om een specifiek gereedschap te vinden; hij weet wat het gereedschap is en hoe hij het moet grijpen door te redeneren op basis van zijn visuele training.

De Silicium Superkrachten: NVIDIA vs. Qualcomm

NVIDIA Jetson Thor (NVDA )

NVIDIA blijft de 500‑pond gorilla in deze sector. Zijn Jetson Thor‑module, gebouwd op de Blackwell‑architectuur, levert een verbluffende 2.070 TFLOPS AI‑prestaties. Thor is ontworpen om World Models uit te voeren — simulaties die binnen het hoofd van de robot duizenden keren per seconde draaien om fysieke uitkomsten te voorspellen voordat ze zich voordoen.

Qualcomm Dragonwing IQ10 (QCOM )

Aangekondigd begin 2026, is de Dragonwing IQ10 Qualcomm’s zet voor de robotica‑kroon. Terwijl NVIDIA wint op ruwe TFLOPS, wint Qualcomm op efficiëntie‑per‑watt. De IQ10 wordt de voorkeurskeuze voor batterij‑aangedreven humanoïden die een volledige 8‑urige dienst moeten volhouden zonder oververhitting. Hij beschikt over een 18‑core Oryon‑CPU en ondersteunt tot 20 gelijktijdige camera’s voor 360‑graden bewustzijn.

Latency Benchmarks: Waarom Fysica de Edge Vereist

Gegevens weerspiegelen de industriële gemiddelden voor Sensing‑to‑Action round‑trip tijden waargenomen in begin 2026.

Conclusie: De Inference‑Inversie

De Edge‑Brain‑revolutie heeft de AI‑investeringstheorie omgekeerd. In 2026 is de focus verschoven van de enorme datacenters die worden gebruikt om modellen te trainen naar de gespecialiseerde chips die ze in de echte wereld uitvoeren. Voor het Physical AI‑tijdperk bevindt de waarde zich waar de actie plaatsvindt: aan de edge.

Echter, een hersenen is slechts zo goed als de data die hij ontvangt. Om de ogen en huid die deze data leveren te begrijpen, zie Deel 3: De Sensorlaag & High‑Fidelity Perceptie.