Apple's AMP1 laat algemene AI-modellen robotarmen besturen—en ze verslaan de specialisten
Belangrijkste punten
- •AMP1, ontwikkeld door Apple-onderzoekers Chen Chen en Omid Bagherieh, stelt algemene AI-modellen in staat robotarmen te bedienen door Python-code te genereren en uit te voeren, zonder fine-tuning of een demonstratiebibliotheek.
- •Op de RoboLab-120-simulatiebenchmark scoorde AMP1 85,6% in combinatie met Gemini 4 Argon en 82,8% met Claude Opus 5.5, waarmee het NVIDIA's Astranomy-model (74,8%) overtrof.
- •In praktijktests over 108 proeven op drie Franka-robotarmopstellingen voltooide AMP1 er 104, een succescijfer van 96,3%, terwijl baselinesystemen op 49 en 30 proeven bleven steken; operationele fouten namen met een factor 15 tot 20 af.
- •Het framework draait zero-shot in configuraties met één arm, twee armen en mobiele robots, zonder hertraining, en kan zijn strategie in realtime aanpassen met tools en zoekopdrachten.
- •Apple bracht AMP1's code en simulatiedata in november 2026 publiek beschikbaar, dezelfde maand als de lancering van het HALO-navigatiesysteem voor humanoïde robots, zodat andere laboratoria de resultaten onafhankelijk kunnen testen.
Apple-onderzoekers hebben een nieuw robotica-artikel gepubliceerd met een opvallende stelling: een robot heeft mogelijk geen speciaal gebouwd brein nodig om nuttig te zijn. Het systeem, AMP1 genoemd—kort voor Agentic Manipulation Policies—maakt het mogelijk dat algemene AI-modellen robotarmen besturen door Python-code te schrijven en uit te voeren. Volgens het onderzoek overtrof het gespecialiseerde robotpolicies op manipulatietaken, zowel in simulatie als in praktijktests.
Het artikel, getiteld "On Agentic Manipulation Policies" (arXiv:2611.09892), werd in november 2026 gepubliceerd. De code en simulatiedata zijn publiek beschikbaar gesteld, zodat andere laboratoren de beweringen direct kunnen verifiëren.
Hoe AMP1 werkt
AMP1 draait zero-shot. Het onderliggende model ontvangt geen fine-tuning op de specifieke robot of taak, en het framework heeft geen bibliotheek met demonstraties nodig. Het onderzoek beschrijft AMP1 in verschillende robotconfiguraties, waaronder setups met één arm, twee armen (bimanueel) en mobiele setups. Ondersteuning van verschillende hardware zonder hertraining is precies de flexibiliteit die gespecialiseerde systemen vaak missen.
Het framework kan zijn strategie ook in realtime aanpassen, waaronder het gebruiken van tools en het uitvoeren van zoekopdrachten naargelang de omstandigheden.
De resultaten
In simulatie evalueerde het team AMP1 op de RoboLab-120-benchmark. In combinatie met het Gemini 4 Argon-model behaalde AMP1 een succescijfer van 85,6%. Aangedreven door Claude Opus 5.5 kwam het uit op 82,8%. Ter vergelijking: NVIDIA's Astranomy-model scoorde 74,8% op dezelfde benchmark. Omdat AMP1 zero-shot draaide, zetten deze vergelijkingen algemene redeneerkracht tegenover gespecialiseerde policies die specifiek voor embodied taken zijn gebouwd.
AMP1 behaalde volgens het onderzoek ook topscores op andere benchmarks, met 95,2% op LIBERO-PRO en 100% op robosuite.
De praktijkprestaties werden beoordeeld in 108 proeven op drie Franka-robotarmopstellingen. AMP1 voltooide er 104, een succescijfer van 96,3%, terwijl de baselinesystemen respectievelijk 49 en 30 proeven afrondden. Het artikel meldt bovendien dat AMP1 het aantal operationele fouten met een factor 15 tot 20 verminderde vergeleken met toonaangevende baselinemodellen—een verbetering die grotendeels wordt toegeschreven aan betere foutherstel.
Het team en de bredere context
Tot de auteurs van het onderzoek behoren de Apple-onderzoekers Chen Chen en Omid Bagherieh. Het werk volgt kort op Apple's HALO-systeem voor navigatie van humanoïde robots, dat ook in november 2026 werd uitgebracht—twee robotica-uitbrachten van Apple in één maand.
De gespecialiseerde categorieën waaraan AMP1 werd gemeten, omvatten vision-language-action-modellen (VLA's) en world-action-modellen (WAM's). VLA's nemen waar wat een robot ziet, samen met een tekstinstructie, en genereren fysieke acties. WAM's voegen een geleerd model toe van hoe de wereld zich gedraagt. Beide zijn specifiek gebouwd voor embodied taken en zijn doorgaans afhankelijk van grote hoeveelheden robotspecifieke trainingsdata.
AMP1 kiest een andere aanpak. In plaats van een robotbrein from scratch te bouwen, leent het het redeneervermogen van grote algemene modellen en geeft hen een manier om via code te handelen. Dat contrast schetst de inzet van het artikel: als algemene modellen gespecialiseerde policies kunnen evenaren zonder taakspecifieke training, dan zijn de grote hoeveelheden robotspecifieke trainingsdata achter VLA's en WAM's mogelijk geen voorwaarde voor capabel manipuleren.
Wat het betekent
De resultaten komen met kanttekeningen die in de berichtgeving worden genoemd: AMP1 is afhankelijk van modellen van derden zoals Gemini 4 Argon en Claude Opus 5.5, waardoor de prestaties deels afhangen van systemen die Apple niet beheerst. Aan de andere kant betekent de publieke vrijgave van de code en simulatiedata dat andere onderzoekslaboratoria deze beweringen zelf kunnen testen—waarmee onafhankelijke replicatie de duidelijkste volgende toets is voor de gerapporteerde cijfers.
Dit artikel is oorspronkelijk gemeld door CryptoBriefing en geredigeerd door Diego Almada Lopez.
