4 juni 2026
De wereldwijde uitgaven voor kunstmatige intelligentie (AI) zullen tegen het einde van 2025 naar verwachting $1,5 biljoen bedragen, en de opkomst van robotica gaat hand in hand met deze groei. Robots bewegen en gedragen zich steeds meer op een manier die bijna menselijk aanvoelt. Toch faalt een groot aantal van hen in realistische omgevingen. Zo kan een robot in een rustige laboratoriumomgeving zonder problemen een doos vervoeren, maar vastlopen in een drukke loods. De kern van het probleem ligt niet in de hardware, maar in data; machines kunnen moeilijk verifiëren wat ze waarnemen.
Mensen passen voortdurend onze perceptie aan. We vertrouwen doorgaans op onze ogen, maar schakelen over op balans of gehoor wanneer iets niet klopt. AI-modellen missen echter deze instinctieve aanpassingsmogelijkheid. Zelfs de meest geavanceerde modellen vertonen bij ongeveer een derde van hun output hallucinaties of feitelijke fouten. Ze verwerken enorme hoeveelheden informatie, maar missen de evaluatiecapaciteit.
Pas wanneer robots in staat zijn om hun waarnemingen te beoordelen, uit te dagen en intern te rangschikken, zullen ze echte autonomie bereiken. Dit begint met een netwerk van IoT-apparaten (Internet of Things), sensoren en nabijgelegen robots die met elkaar delen wat ze waarnemen. Wanneer een robot zijn eigen waarneming kan vergelijken met die van tientallen andere apparaten, kan het eindelijk een eenvoudige vraag stellen en beantwoorden: zien anderen hetzelfde?
Het verbinden van een groot taalmodel (LLM) met een robot klinkt veelbelovend, maar biedt geen oplossing. We hebben gezien dat robots instructies verkeerd begrijpen, hun omgeving verkeerd interpreteren (soms met desastreuze gevolgen) of met irrelevant redeneren komen als ze onzeker zijn. Wat ze missen, zijn de signalen die hen helpen te begrijpen wat echt is.
Robots hebben een structuur nodig die slechte data filtert en signalen die gelijk zijn aan de omgeving versterkt. Ze hebben een feedbackloop nodig die functioneert zoals de onze – en bij voorkeur nog sneller.
Hier komt blockchain in het spel. Het is uniek in het creëren van een gedeeld register van sensordata van apparaten die in dezelfde fysieke ruimte opereren. In tegenstelling tot conventionele systemen vereist blockchain geen verwerking door een centrale autoriteit om tot nauwkeurige conclusies te komen; het opereert op basis van een set gedeelde, vooraf bepaalde principes.
Blockchain is de sleutel tot autonomie. In plaats van dat elke robot slechts vertrouwt op zijn eigen sensoren, kunnen individuele eenheden hun metingen vergelijken met verschillende bronnen. Consensusmechanismen zijn verantwoordelijk voor de evaluatie. Ze beoordelen signalen op consistentie en relevantie, en wanneer de omstandigheden veranderen, past de scoring zich in real-time aan.
Wanneer perceptie een gedeeld systeem wordt, krijgen robots eindelijk de interne controles die hen tot nu toe ontbraken. Ze kunnen inschatten wat betrouwbaar is, wat niet, en zo een levendiger, meer gefundeerd en menselijker beeld van de wereld opbouwen – maar dan verrijkt en uitgebreid op manieren die we ons momenteel nog niet volledig kunnen voorstellen.
Mensen zijn niet perfect. We vergeten, oordelen verkeerd of raken afgeleid. Robots erven deze zwakheden en, met hun beperkte waarneming, zijn ze nog fallibeler. Maar als je ze een verificatielaag biedt die nooit vervalt, ondersteund door sensoren om hen heen, krijgen ze iets dat wij niet hebben: een geheugen en perspectief dat oneindig kan groeien, gevoed door meer dan slechts één individu, maar door een netwerk van apparaten die allemaal volgens dezelfde regels opereren.
Met een collectief model dat is opgebouwd uit duizenden standpunten, creëren robots een wereldbeeld dat breder en nauwkeuriger is dan wat een menselijk zenuwstelsel kan beheersen. Echte autonomie zal niet voortkomen uit sterkere motoren of betere frames. Het zal komen van betrouwbare data en het vermogen om deze met digitale snelheid te verifiëren.
Hoe kunnen robots profiteren van blockchain-technologie?
Blockchain stelt robots in staat om sensorinformatie in een gedeeld netwerk te vergelijken, waardoor ze nauwkeuriger en betrouwbaarder worden in hun waarnemingen.
Welke rol speelt consensus in de ontwikkeling van autonome robots?
Consensusmechanismen helpen bij het evalueren van gegevens, waardoor robots leren om onderscheid te maken tussen betrouwbare en onbetrouwbare informatie in real-time.
Wat zijn de grootste uitdagingen voor robots in de echte wereld?
De grootste uitdagingen zijn het interpreteren van complexe omgevingen en het missen van de noodzakelijke feedbacksignalen om weloverwogen beslissingen te nemen.
Bitcoin (BTC)
Ethereum (ETH)
XRP (XRP)
