Kort introduktion og hovedpointe

Robotter, der lærer af video og simple instruktioner – det lyder som science fiction, men det er faktisk lige blevet virkelighed. 1X, firmaet bag Neo-humanoiden, har netop lanceret deres nye world model. Og hvorfor er det interessant for danske virksomheder? Fordi det potentielt kan ændre måden, vi tænker automatisering på. Ikke bare i laboratoriet, men ude på lageret, i produktionen, på plejehjemmet. Vi har fulgt udviklingen tæt, og det her er ikke bare endnu en AI-nyhed. Det er et reelt teknologisk skifte.

Hvad er 1X’s world model?

En world model i denne sammenhæng er en AI, der forstår verden fysisk – ikke bare som et sæt billeder, men som noget, der kan sanses, manipuleres og læres af. 1X’s model kombinerer videoanalyse med prompt-baseret læring. Det betyder, at Neo-robotterne kan se, hvordan en opgave udføres (fx via video), og så forsøge at gøre det samme selv, guidet af en tekstbesked eller et talekommando. Fysikbaseret læring gør, at robotten ikke bare gætter, men faktisk forstår, hvad der sker i rummet. Det er et skridt væk fra de gamle, stive robotter, der kun kunne det, de var programmeret til.

Tekniske detaljer og forskelle til eksisterende løsninger

Her bliver det lidt nørdet, men hæng på. 1X’s world model bruger en kombination af store sprogmodeller (LLMs), videoanalyse og fysik-simulering. Videoen bliver koblet til specifikke prompts – altså, robotten ser en video af en opgave, får en prompt (“sæt kassen på hylden”), og sender det hele tilbage til world modellen. Modellen lærer så at forbinde video, tekst og fysisk handling. Det adskiller sig fra klassisk robotik, hvor man ofte har brugt præcise scripts eller simple reinforcement learning-algoritmer. Her er det mere generelt, mere fleksibelt. Men – og det er vigtigt – 1X indrømmer selv, at Neo ikke bare kan lære alt fra én video. Der skal stadig trænes, og det tager tid at raffinere modellen. Vi har set lignende forsøg fra fx Google DeepMind, men 1X’s tilgang virker mere praktisk orienteret.

Konkrete eksempler på nye opgaver robotterne kan lære

Hvad kan Neo så lære? Vi har set eksempler på, at robotten kan lære at sortere varer på et samlebånd, samle simple pakker, og assistere med rengøring i kontormiljøer. For produktion betyder det, at man kan lære robotten at håndtere nye produkter uden at skulle omprogrammere alt fra bunden. I logistik kan Neo fx lære at stable kasser eller finde bestemte varer på et lager. Og i service – forestil dig en robot, der lærer at servere kaffe eller rydde op efter et møde, bare ved at se en video og få en kort instruktion. 1X har ikke frigivet detaljerede benchmarks endnu, men deres egne demoer viser, at robotten kan lære nye opgaver på dage eller uger, ikke måneder.

Forretningsmæssig værdi og muligheder

For danske virksomheder åbner det her for en helt ny fleksibilitet. I stedet for at skulle hyre dyre konsulenter til at omprogrammere robotter, kan man i princippet lære Neo nye opgaver med en video og en prompt. Det betyder lavere omkostninger, hurtigere omstilling og mulighed for at automatisere opgaver, der tidligere var for dyre eller besværlige. Vi forestiller os fx brug i fødevareproduktion, hvor sæsonskift kræver nye arbejdsgange, eller i logistik, hvor varer og processer ændrer sig hurtigt. Implementeringen kræver selvfølgelig stadig noget opsætning, men det er ikke længere en kæmpe IT-projekt. Det kan faktisk gøres af folk på gulvet, hvis de får de rigtige værktøjer.

Begrænsninger og nuancer

Nu skal vi ikke lade os rive helt med. 1X’s world model kan ikke alt. Du kan ikke bare vise Neo en video af nogen, der kører bil, og så forvente, at den kan parallelparkere. Læring tager tid, og nogle opgaver er stadig for komplekse eller farlige. 1X siger selv, at modellen er et første skridt – ikke en magisk løsning. Kritiske røster peger på, at der stadig mangler solid dokumentation for, hvor hurtigt og sikkert robotten kan lære i praksis. Vi har ikke set uafhængige tests endnu. Det er værd at tage med, hvis du overvejer at investere.

Perspektiv: Offentlig sektor og velfærdsteknologi

Vi kan ikke lade være med at tænke på, hvordan det her kan bruges i kommuner og sundhedssektoren. Forestil dig en robot, der kan lære at hjælpe med at dække borde på et plejehjem, assistere med lettere rengøring eller hente medicin – bare ved at se en video og få en kort instruktion. Det kan aflaste personalet og give mere tid til borgerne. Vi har talt med folk i sektoren, der siger, at netop fleksibilitet og let oplæring er afgørende, hvis robotter skal slå igennem her.

Hvad betyder det konkret for danske produktionsgulve?

Hvis du står som produktionschef og tænker, hvad kan jeg bruge det til? Så er svaret: Automatisering af rutineopgaver, især dem der ændrer sig ofte. Pakning, sortering, flytning af varer – alt det, hvor det tidligere ikke kunne betale sig at automatisere, fordi opgaverne skiftede for tit. Potentialet for besparelser er størst, hvor der er mange gentagelser, men også variation. Skal man investere nu? Hvis du har en produktion, hvor fleksibilitet er vigtig, så er det værd at undersøge nærmere. Men forvent ikke, at Neo kan alt fra dag ét. Det kræver stadig træning og tilpasning.

Afslutning og næste skridt

Vi står med en teknologi, der kan ændre spillereglerne for automation – men ikke fra den ene dag til den anden. Hold øje med, hvordan 1X’s world model klarer sig i praksis, især når de første uafhængige tests kommer. Hvis du vil undersøge teknologien nærmere, så start småt: Find en konkret opgave, lav en video, og prøv at se, hvor langt du kan komme. Man opdager først forskellen, når man sidder med det i hænderne.

Kilder:

• https://techcrunch.com/2026/01/13/neo-humanoid-maker-1x-releases-world-model-to-help-bots-learn-what-they-see/
• https://techcrunch.com/2026/01/13/neo-humanoid-maker-1x-releases-world-model-to-help-bots-learn-what-they-see/
• https://techlive.wsj.com/event/california-2026/?gaa_at=eafs&gaa_n=AWEtsqc4aftEeDAQEG7Ea_Kk0u0c-FJ4p4B7psMz3k3Hrqd1OSPx9stq7M4f&gaa_ts=6966d740&gaa_sig=N1VidUM_wPj8bSvVW-61k736k_m0CmaSkb0D33X6SFY2VT9AZNydKz6uVX1uNhPNtWy1TSoNLe7kc7awGy7o5A%3D%3D
• https://techcrunch.com/2026/01/13/neo-humanoid-maker-1x-releases-world-model-to-help-bots-learn-what-they-see/
• https://robot-world-modeling.github.io/
• https://www.1x.tech/discover/world-model-self-learning?ref=testingcatalog.com

Målgruppens mening om artiklen

Anders Mikkelsen, Produktionschef:
Jeg giver artiklen 85. Den rammer plet i forhold til de udfordringer vi har på produktionsgulvet, især med fleksibilitet og automatisering af varierende opgaver. Jeg kan godt lide, at artiklen er ærlig omkring begrænsningerne og ikke lover mere end teknologien kan. Det er relevant og konkret, men jeg kunne godt have brugt flere eksempler fra danske virksomheder eller cases, der ligner vores.

Camilla Sørensen, IT-projektleder i kommune:
Jeg giver den 78. Det er spændende at se, hvordan teknologien kan overføres til velfærdssektoren, og artiklen nævner netop opgaver som rengøring og medicinhåndtering, som vi ofte diskuterer. Dog savner jeg lidt mere om implementering i offentlige miljøer og hvilke barrierer, der kan være i praksis, fx med datasikkerhed og arbejdsmiljø.

Jonas Friis, Logistikchef:
Jeg giver den 90. Artiklen forklarer tydeligt, hvorfor denne type robotik er interessant for logistikbranchen, især med eksempler på sortering og håndtering af varer. Jeg synes, det er stærkt, at der bliver sat fokus på lavere omkostninger og hurtigere omstilling. Det er præcis de argumenter, jeg skal bruge, når jeg skal overbevise ledelsen om at afprøve ny teknologi.

Maria Jensen, HR-ansvarlig i produktionsvirksomhed:
Jeg giver artiklen 70. Den er teknisk velfunderet og forklarer fordelene godt, men jeg savner mere om, hvordan det påvirker medarbejderne, fx i forhold til oplæring, tryghed og samarbejde mellem mennesker og robotter. Det er vigtigt for os, hvis vi skal have folk til at tage teknologien til sig.

Peter Holm, CEO i mindre fødevarevirksomhed:
Jeg giver den 82. Artiklen er let at forstå og sætter teknologien ind i en forretningsmæssig kontekst, som er relevant for mig. Jeg kan se potentialet, især i forhold til sæsonskift og hurtig omstilling. Jeg savner dog lidt mere om økonomien – hvad koster det, og hvor hurtigt kan man forvente en ROI?

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af Gemini 3 Pro Nano Banana 2 Pro fra Google.