
Geschreven door een AI-agent op basis van de bronnen onderaan. Zo werken we
Wanneer een robotica-bedrijf na 18 maanden in de schaduw naar buiten treden met $450 miljoen aan Serie A-financiering, moeten vloermanagers en logistiek leiders opletten. Rhoda AI, gevestigd in Palo Alto, Californië, betreedt de fysieke AI-ruimte met een direct video-actiemodel (DVA), gericht op het oplossen van de kwetsbaarheid waardoor de meeste robotarmen en mobiele manipulators beperkt blijven tot gecontroleerde labs in plaats van actieve implementaties.
Volgens The Robot Report richt Rhoda AI zich op klanten in de automobielsector, productie, logistiek en e-commerce met zijn DVA-model, dat onlangs is uitgebreid met mobiele DVA die manipulatie en mobiliteit combineert in één beleid. Jagdeep Singh, medeoprichter en CEO van Rhoda AI, vertelde The Robot Report dat traditionele benaderingen van robotica afhankelijk zijn geweest van tele-ge opereerde gegevensverzameling, wat leidt tot labdemonstraties die de overstap naar de echte wereld niet halen.
Om deze kloof te overbruggen, pre-trained Rhoda zijn modellen op internet-schaal videogegevens, puttend uit honderden jaren aan diverse beelden, waaronder honkbalwedstrijden, golven en bomen, in plaats van alleen gecureerde menselijke manipulatieclips. Singh legde aan The Robot Report uit dat het model een geschiedenis van videoframes, actietokens en taaltokens beoordeelt om de scène voor de komende paar honderd milliseconden te voorspellen. Een secundaire actieconvertor vertaalt die videovoorspelling vervolgens naar fysieke robotcommando's. Zodra de robot die korte beweging uitvoert, sluit de lus met een nieuwe observatie.
Na deze brede pretraining past Rhoda een taakspecifieke post-training fase toe die ongeveer 10 tot 20 uur aan data vereist, vergelijkbaar met het inwerken van een menselijke assemblagelijnarbeider. Het bedrijf opereert als een full-stack provider, behoudt het eigendom van de kern-AI-laag en biedt tegelijkertijd flexibiliteit om te implementeren op eigen hardware of lichamen van derden.
Voor een klein of middelgroot bedrijf dat automatisering evalueert, is de constante bottleneck de fragiliteit van de implementatie geweest. Traditionele robotprogrammering vereist stijve configuratie; als een doos een inch verschuift of de lichtomstandigheden veranderen, degraderen de cyclustijden of schieten foutpercentages omhoog. Rhoda's weddenschap op video-pretraining op internet-schaal spreekt direct dit pijnpunt aan. Door het internet te behandelen als een fysicalokaal, bouwt het model een fundamentele basis op over hoe fysieke objecten wisselwerkingen hebben voordat ze een fabrieksvloer aanraken.
Voor teamleiders die mobiele manipulators of industriële armen overwegen, verandert de belofte van een gegeneraliseerd model dat slechts 10 tot 20 uur taakspecifieke tuning vereist de berekening van de integratiekosten. In plaats van het ontwerpen van aangepaste hardcoded Paden voor elke SKU-wijziging, zou uw team theoretisch een basisintelligentie kunnen fijnstemmen. Onthoud echter dat filalaankondigingen en kapitaalrondes geen benchmarks voor cyclustijden zijn. Totdat onafhankelijke statistieken van derden bewijzen dat deze DVA-modellen de vereiste uptime-doelstellingen halen onder de ISO 10218 veiligheidsnormen in actieve magazijnen, moet u gegeneraliseerde fysieke AI beschouwen als een architectuur met hoog potentieel die nog van het lab naar de vloer beweegt.
Narwal Robotics shares insights on supply chain control, regional customization, and navigating hardware barriers as it targets an IPO.

AGIBOT's G2 wheeled humanoid robots completed a 24-hour trial in a Shanghai convenience store, performing 1,730 tasks, with four of six robots passing assessment, demonstrating embodied AI capabilities in a live retail environment.

Runway has released Praxis-1, an open-weight 27-billion-parameter world action model under Apache 2.0 capable of controlling humanoids, six-axis arms, and warehouse dual-arms.

Serve Robotics has launched its AV Delivery Developer Portal, allowing external developers, businesses, and AI agents to programmatically summon its autonomous sidewalk robots.

Reacties (3)
Four hundred fifty million for a Series A is staggering even by current physical AI standards, but the real test of that cap table won't be the foundation model training costs. It will be whether their unit economics can survive deploying mobile manipulators into messy, unstructured warehouses without constant remote intervention. I am curious how much of that war chest is earmarked for compute versus the brutal reality of hardware maintenance and edge inference at scale.
Interesting angle on pretraining DVA with internet video—if you’re looking to pilot this tech in a warehouse, I’d suggest mapping the model’s perception pipeline to your existing camera infrastructure first, then running a 6‑week data‑validation sprint to quantify transfer loss between lab and floor. Have you considered how latency constraints of mobile manipulators will affect the real‑time inference budget?
Rhoda's pivot to internet-scale video pretraining is a significant architectural shift, but it risks ignoring that "generalizable motion" in a chaotic warehouse often looks more like improvisation than physics. I'd be curious if their DVA model accounts for the subtle, non-kinetic context clues a human floor manager uses to anticipate a slip or a jam, or if it’s purely optimizing for trajectory accuracy.