Physical Intelligence opent Pi API-bèta voor robotmodellen

Pi API-bèta opent een route voor externe robotontwikkelaars om modellen op eigen robotdata bij te trainen en inferentie via een gehoste gateway te draaien, meldt Physical Intelligence op 13 oktober.

Een team kan zo een robotmodel op een eigen taak proberen zonder zelf de trainingservers en modelgateway te beheren. De eerste proef vraagt nog steeds om een geschikte robot, demonstratiedata en mensen die fouten op die hardware kunnen beoordelen.

De API sluit de iteratielus

Physical Intelligence beschrijft een vaste cyclus: een team uploadt eigen data, start fine-tuning op rekenkracht en infrastructuur van het bedrijf en draait het aangepaste model via de gehoste gateway op een robot. Evaluatiedata stuurt vervolgens de volgende trainingsronde. Daardoor hoeft een ontwikkelaar voor die eerste iteraties niet zelf een GPU-cluster en modelserver op te zetten.

De pagina noemt π0 en π0.5 als voorbeelden van de algemene robotmodellen waarop toepassingen kunnen voortbouwen. Physical Intelligence stelt dat het nieuwste model in de API met minder data kan worden bijgesteld en partners betere mogelijkheden biedt. De aankondiging noemt daarvoor geen meting of vergelijking met een eerdere versie.

De voorbeelden lopen uiteen. Actor uit Utah zet een autonome wiellader in die materiaal opschept en in een dumptruck laadt, zonder bestuurder in de machine. Physical Intelligence meldt dat Almond na vier dagen itereren via de API een model had waarmee de twee-armige Axol afstandsringen voor de eigen assemblage ontbraamt. Dat zijn voorbeelden uit samenwerkingen van het bedrijf, geen onafhankelijke prestatietest.

De bèta begint met een echte robot

Aanmelden betekent nog niet dat een ontwikkelaar meteen kan inloggen. Physical Intelligence zegt klein te beginnen en deelnemers in opeenvolgende groepen toe te laten. Het aanvraagformulier vraagt naar de robottaak, teamgrootte en ervaring met dataverzameling, modeltraining of robottests. Ook wil het weten hoeveel uur aan op afstand bediende robotdata beschikbaar is, hoeveel simulatiegegevens het team wil gebruiken, welke robots klaarstaan en waar inferentie nodig is. De bèta begint met kleine groepen en vraagt naar het robotteam en de toepassing.

Dat maakt de eerste doelgroep concreet: teams die al een robottaak kunnen beschrijven en daarvoor eigen gegevens en hardware hebben. De aankondiging presenteert geen vrij toegankelijke proefomgeving waarin elke ontwikkelaar zonder robotdata een model kan uitproberen. Ook publiceert Physical Intelligence nog geen prijs, gebruikslimiet of minimale hoeveelheid trainingsdata.

De aanvraag vraagt of inferentie in de cloud, lokaal of op beide plekken nodig is. Dat is geen bevestiging dat lokale uitvoering al onderdeel is van de bèta. In de voorbeelden op de aankondigingspagina liep inferentie bij de meeste toepassingen via de cloud. Het bedrijf noemt ook netwerkproblemen bij enkele vroege toepassingen.

Open modellen leggen de GPU-eis bloot

Physical Intelligence heeft met openpi al een zelf te beheren route gepubliceerd. De repository bevat basisversies van π0 en π0.5 en instructies om die op eigen data bij te trainen. De hardwaretabel schat dat LoRA-fine-tuning meer dan 22,5 GB GPU-geheugen vraagt en volledige fine-tuning meer dan 70 GB. De schattingen gaan uit van één GPU; de huidige trainingscode ondersteunt volgens de repository nog geen training over meerdere machines. Het gaat om geheugenvereisten, niet om de volledige aanschaf- en beheerkosten.

Hugging Face biedt met LeRobot open-source gereedschap voor dataverzameling, training en evaluatie in simulatie of op fysieke robots. Ontwikkelaars kunnen er ook een eigen robotinterface aan toevoegen. Die route geeft een team meer controle over de stack, maar laat het ook zelf de hardware, rekenkracht en uitvoering organiseren.

Amazon kiest een bredere route: de Physical AI Toolchain bundelt synthetische data, modeltraining, simulatie en edge-uitrol. De eerdere AWS-toolchain koppelt die ontwikkelstappen aan GPU-capaciteit in Frankfurt, terwijl Amazon ook beschrijft dat modellen op de machine kunnen draaien zonder voortdurende cloudverbinding. De Pi API richt zich smaller op het bijstellen en aanroepen van modellen via een beheerde gateway.

De toegang tot robotmodellen verschilt ook per aanbieder. Reka's Rho-1 telt 19 miljard parameters, combineert tekst, beeld, video en robotacties en blijft een researchpreview. Reka nodigt robotteams uit om contact op te nemen en publiceert geen openbare API of download voor Rho-1. De Pi-bèta biedt een andere vorm van toegang: teams kunnen eigen data gebruiken, maar moeten zich aanmelden en wachten tot hun groep aan de beurt is.

Netwerk en prijs blijven open

De API neemt het beheer van trainingsrekenkracht en modelserver weg. Robotintegratie blijft bij het ontwikkelteam. De robot moet demonstraties opleveren, het aangepaste model uitvoeren en evaluatieresultaten teruggeven. Als inferentie via de cloud loopt, hoort netwerkbeschikbaarheid bij die test. Physical Intelligence meldt dat dit bij enkele vroege toepassingen al een uitdaging was.

De openbare aankondiging maakt nog niet duidelijk welke modelversies precies beschikbaar zijn, welke robots en sensoren worden ondersteund, waar data en inferentie worden verwerkt of hoe lang trainingsdata wordt bewaard. Ook prijs en prestaties ontbreken. De vier dagen bij Almond zijn een concreet voorbeeld van itereren, maar de bron publiceert geen succespercentage, onafhankelijke vergelijking of kosten per taak.

Voor een Nederlands maakbedrijf verlaagt de API vooral de hoeveelheid eigen ML-infrastructuur die nodig is om een eerste robotproef te starten. De gegevens, fysieke test en beoordeling blijven bedrijfsspecifiek. De bèta laat zien dat ontwikkelaars modellen op echte toepassingen kunnen bijstellen. Hoe dicht die route bij productie komt, hangt af van toegang, netwerkverbinding en nog te publiceren gebruiksvoorwaarden.