We zullen de week van 10 tot 16 maart 2026 onthouden als die van de humanoïden: een gigantische trainingshal in München, een NVIDIA-keynote op de GTC, een Chinees vijfjarenplan, een robotpop op het podium, een projectie van drie miljard machines in 2060. Zes aankondigingen, zes hoofdrolspelers, en de verleiding om ze in kampen te rangschikken — Europa tegen China, open source tegen propriëtaire software. Dat is de enige zin die ze verbindt missen, en dat is NEURA Robotics die het zwart op wit heeft geschreven: de belangrijkste bottleneck in de robotica is niet langer de hardware, maar het verkrijgen van grote hoeveelheden echte fysieke leerd data.

Zodra deze zin is gezet, stopt de week ermee een juxtapositie te zijn. Het wordt een strijd — met drie onverenigbare antwoorden — rond één vraag: waar komt de data vandaan die de robots traint? Handmatig verzamelen, berekeningsmatig synthetiseren, of bij decreet vaststellen door de staat. Niemand heeft gewonnen. We hebben gestreden om te weten wie de fabriek in handen heeft.

Antwoord nr. 1: handmatig verzamelen

Op 10 maart kondigen NEURA Robotics en het MIRMI van de Technische Universität München gezamenlijk het TUM RoboGym aan. De presentatie is recht door zee: het grootste wetenschappelijke centrum van Europa gewijd aan de training van Physical AI op het moment van aankondiging. Maar de inrichting zegt beter dan superlatieven wat het inhoudt. De leerd data wordt er vastgelegd door menselijke trainers die MANUS-handschoenen MANUS en een Xsens-systeem voor lichaamsmotion capture dragen, en vervolgens worden ingevoerd in het Neuraverse-platform.

Dit is de letterlijke bekentenis van de bottleneck: we betalen mensen om handmatig de grondstof te maken die ontbreekt. Neuraverse is bovendien ontworpen als een hardware-agnostisch systeem voor verzameling en distributie, bedoeld om zich te openen naar industriële partners en startups, en het merendeel van de data die in het RoboGym wordt gegenereerd, zal open source worden gedeeld met de robotica-gemeenschap. De menselijke beweging, vastgelegd en herverdeeld, als bron. De data is geen nevenproduct van de training: ze is het product, en daar is een hal van 17 miljoen euro voor nodig.

Antwoord nr. 2: berekeningsmatig synthetiseren

Tijdens de GTC 2026, op 16 maart, voert NVIDIA de exact omgekeerde operatie uit — en staat daar achter. Jensen Huang onthult in première GR00T N2, een robotisch foundation model afkomstig uit het interne DreamZero-onderzoek, met een "world action model"-architectuur, waarvan de algemene beschikbaarheid wordt aangekondigd voor eind 2026. Volgens NVIDIA slagen robots die dit uitvoeren er meer dan twee keer zo vaak in om nieuwe taken uit te voeren in onbekende omgevingen dan concurrenten op basis van vision-language-action-modellen.

Rond het model staat een hele synthetisatieketen: het Physical AI Data Factory Blueprint, een open referentiearchitectuur voor het genereren van trainingsdata op grote schaal, gebouwd op het Cosmos-wereldmodel en de OSMO-orchestrator; Isaac Lab 3.0 in vroege toegang, een reinforcement learning-engine die steunt op de Newton 1.0-fysica-engine en geoptimaliseerd is voor DGX-infrastructuur. The Decoder vat de zet zonder genade samen: NVIDIA wil "het dataprobleem van de robotica veranderen in een rekenprobleem".

De demonstratie die alles samenvat, is Olaf. Om deze robot te trainen, zijn 100.000 virtuele instanties gelijktijdig gesimuleerd in twee dagen op een enkele NVIDIA RTX 4090-graphicscard, via de Kamino-simulator — een eigendomstool van Disney Research, gebouwd op de Newton-oplosser en versneld door een graphicscard. Daar is het harde cijfer, onder het folklore van de drie miljard humanoïden uitgegraven: niet een horizon in 2060, maar 100.000 instanties in twee dagen op een consumentenkaart. De dag waarop het trainen van een robot ophoudt een probleem van armen en handschoenen te zijn en een probleem van graphicscards wordt, verlaat het zwaartepunt van de industrie de werkplaats voor het datacenter. En het gevolg is helder: als data rekenen wordt, bezit degene die rekenen verkoopt, per definitie de data.

Antwoord nr. 3: bij decreet vaststellen

Op 12 maart keurt de Nationale Volkscongres formeel het 15e Chinese Vijfjarenplan (2026-2030) goed. Voor het eerst wordt belichaamde artificial intelligence er geclassificeerd als een autonome strategische industriële categorie, op hetzelfde niveau als quantum, brain-computer interfaces en 6G; humanoïde robots staan vermeld onder de acht aangewezen nationale strategische industrieën, een statusverhoging ten opzichte van het 14e plan.

Het belangrijke detail hier is niet de algemene ambitie, maar de lijst. Het plan somt vijf assen op voor belichaamde AI, en twee daarvan noemen de data specifiek als staatsinfrastructuur: de coördinatie van trainingsgebieden en de virtueel-reële fusie voor collaboratieve training — dat wil zeggen de eerste twee antwoorden, verzameling en synthese, van bovenaf gepland. Alles ondersteund door een staatsrisicokapitaalfonds van 1.000 miljard yuan (ongeveer 138 miljard dollar) gewijd aan AI, robotica en opkomende technologieën.

En om de data te laten bestaan, zijn er lichamen nodig die haar produceren. In maart tekent UBTech Robotics een strategische samenwerkingsovereenkomst met Siemens Digital Industries Software om de productie van de Walker S2 te brengen naar 10.000 eenheden per jaar, door de Siemens-software voor ontwerp, simulatie en planning in de hele fabricagecyclus te integreren. Massaal de machines fabriceren die, eenmaal ingezet, op hun beurt de data zullen genereren: de cirkel sluit zich op staatsniveau.

De "geopolitieke bifurcatie" houdt geen stand

Het gemakkelijke verhaal van de week was dat van een breuk: een Europees tegenwicht — het RoboGym positioneert zich overigens expliciet tegen de veertig Chinese verzamelcentra en Amerikaanse initiatieven — tegenover rivaliserende blokken. De grafiek van de week ontmantelt dit verhaal.

De enige echte autonomie die wordt gedemonstreerd, zonder teleoperator, is op de GTC: RealSense en LimX Dynamics realiseren de wereldpremière van autonome 3D-navigatie voor humanoïden, door RealSense-dieptecamera's te combineren met NVIDIA's cuVSLAM, waarbij de robot zich in gedeelde ruimtes met mensen beweegt zonder enige tussenkomst van een operator. Deze robot is echter Chinees — LimX is gevestigd in Shenzhen — en hij is getraind met reinforcement learning in NVIDIA Isaac Lab om de sim-to-real-gap te verkleinen.

Deze week kondigen NEURA (Europa), Figure AI (VS), Agility Robotics (VS) en AgiBot (China) allemaal de adoptie van de Isaac GR00T N-modellen aan — terwijl NVIDIA de Newton-engine toevertrouwt aan de Linux Foundation en deze publiceert als open source onder de Apache 2.0-licentie, mede ontwikkeld met Disney Research en Google DeepMind. De "kampen" strijden misschien om de data via geografie. Maar ze trainen allemaal op dezelfde simulator, met hetzelfde foundation model, op dezelfde fysica-engine. De breuk zit in de verzameling, niet in het gereedschap: op het niveau van de stack zijn er niet twee blokken, er is één leverancier.

Een laag lager

Deze draad daalt de stack laag voor laag af, week na week. In december was de demo het product; op CES in januari werd teleoperatie een datagebaseerd bedrijf; in februari bleek het lichaam consumabel, zat de waarde in de hersenen; op 9 maart was de vraag: wie bezit de hersenen? Deze week daalt een stapje dieper, onder de hersenen: wie bezit de datafabriek die hen voedt? Het object is nieuw — de trainingsdata en de productiemethode — en het wordt dezelfde week bevestigd door een fysiek centrum (het RoboGym), een synthese-stack (de Data Factory en Olaf) en een staatsplan (het 15e Plan).

Dus vraag niet welke robot deze week het beste scoorde. Vraag waar zijn trainingsdata vandaan komt. De drie antwoorden — handmatig verzamelen, simuleren, bij decreet vaststellen — tekenen de echte krachtenkaart. En terwijl de drie zich druk maken, werkt NVIDIA eraan dat er maar één vraag overblijft om te stellen: hoeveel GPU's?