Hoe platform Medal.tv 500 miljoen van OpenAI afwees

1. Van AI-bubbel naar robotrevolutie

De afgelopen twee jaar leek de techwereld maar één onderwerp te kennen: AI. Niet de fysieke soort, maar de software-variant – taalmodellen, chatbots, copilots, GPU’s, datacenters. Beleggers, bestuurders en engineers raken inmiddels gewend aan logaritmische grafieken en beurswaardes die in een paar maanden lijken te verdubbelen.

Tegelijkertijd sluimert er een andere discussie: zitten we midden in een AI-revolutie, of bouwen we stiekem aan een AI-bubbel? Die spanning tussen verwachtingen en realiteit zie je ook terug in De AI hype in 2024: Verwachtingen versus realiteit. Van toezichthouders tot centrale banken: steeds vaker klinkt de waarschuwing dat een klein clubje techbedrijven wel erg veel verwachtingen in de koers verwerkt heeft. 

Interessant is dat de bestuurders van diezelfde techbedrijven het gesprek al een stap verder trekken. Zij hebben het niet alleen meer over slimme chatbots of virtuele assistenten, maar over een nieuwe industriële revolutie – waarin AI niet alleen teksten en code produceert, maar fysieke taken overneemt. Robots dus. Van magazijnrobots en zelfrijdende auto’s tot humanoids die straks de vaatwasser inruimen – en in de logistiek zie je nu al hoe dat uitpakt, bijvoorbeeld in Hoe AI de efficiëntie en productiviteit in het magazijn verbetert.

Die verschuiving zie je ook terug buiten de pure techhoek: in dit Baaz-achtergrondstuk lees je waarom je de (AI) robotgolf (en de bedrijven eromheen) als thema nauwelijks nog kunt negeren – van gerobotiseerde distributiecentra tot humanoids: Waarom je beleggen in robots niet meer kunt negeren.

De robotgolf is ook een beleggingsthema geworden: investeren in bedrijven achter slimme machines en automatisering.

En precies daar komt een Nederlandse naam in beeld: Pim de Witte (30), geboren en getogen in Nijmegen. Naar verluidt kreeg hij van OpenAI – het bedrijf achter ChatGPT – een bod van 500 miljoen dollar op zijn videoplatform Medal.tv, waar gamers korte clips van hun games delen. Hij zei nee. Niet omdat het bod te laag was, maar omdat hij gelooft dat hij met diezelfde data zelf een veel grotere AI-speler kan bouwen.

OpenAI en ChatGPT zijn het gezicht van de huidige AI-golf. Medal.tv speelt juist een rol in de volgende stap: robots die leren van menselijk gedrag in 3D-werelden.

Op het eerste gezicht is Medal.tv “gewoon” een site waar je gameclipjes uploadt. Maar onder de motorkap ligt iets wat veel zeldzamer is: een gigantische dataset van menselijk gedrag in virtuele 3D-werelden. Precies het soort data waar de volgende generatie robots van leert.

Het is daarmee meer dan een spectaculair ondernemersverhaal. Het is een casus over datastrategie, AI-infrastructuur en de vraag: wanneer is een platform stiekem veel meer waard dan het lijkt?

2. Van Soulsplit naar Medal.tv: het “jongensboek” in vogelvlucht

Wie het verhaal van Pim de Witte terugspoelt, komt uit bij een lange autorit naar Italië. Uit verveling begon hij op zijn dertiende te leren programmeren. Gewoon op een laptop op de achterbank, zonder masterplan – maar met een obsessie voor games.

Pim de Witte, oprichter van Medal.tv

Een paar jaar later lanceerde hij Soulsplit, een relatief eenvoudige online game en ontmoetingsplek voor gamers. De Witte heeft het er zelf graag wat kleiner over (“niet eens een heel mooi spel”), maar de cijfers logen er niet om:
 

• op zijn 14e verdiende hij al rond de 10.000 euro per maand; 
• het spel trok een miljoenenpubliek wereldwijd; 
• op zijn 19e leidde hij een IT-bedrijf met zo’n dertig medewerkers en een jaaromzet van circa 1 miljoen dollar – met een hoofdkantoor in Nijmegen. 

Soulsplit was geen hyperrealistische AAA-titel, maar het raakte iets wat cruciaal is in de gamewereld: community. Spelers vormden een hechte groep, gaven geld uit aan virtuele items en bleven terugkomen. Voor De Witte was het een crash course in schaalbare online infrastructuur, digitale economieën, community management en het bouwen van een platform rondom een enthousiaste gebruikersbasis.

Daarna volgden verhuizing naar de VS, nieuwe projecten en uiteindelijk – veel belangrijker in de context van AI – de geboorte van Medal.tv. In essentie is Medal.tv een plek waar gamers clipjes van hun gameplay kunnen vastleggen, editen en delen met vrienden of een bredere community.

Voor De Witte was dat de logische volgende stap na Soulsplit: opnieuw een platform, maar dit keer vanaf dag één ontworpen met data als belangrijkste asset.

Klinkt simpel. Maar in tegenstelling tot Soulsplit, dat primair een game was, is Medal.tv vanaf het begin een data-machine geweest. En dat is precies waarom partijen als OpenAI er zo veel geld voor over hadden.

3. Medal.tv: gameclips aan de voorkant, gedragsdata aan de achterkant

Aan de gebruikerskant is Medal.tv overzichtelijk: je speelt een game, drukt op een hotkey en het platform vangt automatisch de laatste seconden of minuten van je gameplay. Die opname kun je vervolgens direct bewerken en delen met vrienden of volgers. In die zin voelt Medal.tv voor de gebruiker als een simpele ‘clip-knop’, maar onder de motorkap gebeurt er veel meer.

Medal.tv-platform waar gamers hun gameplayclips delen en bewaren.

Voor wie onder de motorkap kijkt, verandert Medal.tv van een sociaal platform in een gedragslaboratorium op wereldschaal.

De Witte vertelde in een interview met Nieuwsuur dat YouTube ongeveer 800 miljoen uploads per jaar verwerkt. Medal.tv verwacht daar dit jaar overheen te gaan qua aantal geüploade clips. Alleen al qua volume hebben we het dus over een platform dat niet onderdoet voor Big Tech-namen. 

Maar het echte verhaal zit in wat er meegeregistreerd wordt. Het platform Medal.tv slaat niet alleen de video op van wat er in de game gebeurt, maar ook de input van de speler: welke knoppen wanneer worden ingedrukt, welke bewegingen de muis maakt en hoe de speler reageert op specifieke situaties in het spel.

Die twee datastromen – beeld en input – zijn tijdgesynchroniseerd. Frame voor frame is daardoor zichtbaar:
 

• welke situatie zich in de 3D-gamewereld voordoet; 
• welke actie de speler precies op dat moment uitvoert; 
• wat vervolgens het gevolg is in de game.

De Witte vatte de Medal.tv-dataset zelf samen als: “De grootste dataset van hoe mensen zich gedragen in een gesimuleerde wereld.” 

En dat is precies waar het interessant wordt voor iedereen die aan AI voor robots werkt.

4. Waarom juist gameclips goud waard zijn voor robots & AI

De meeste mensen kennen AI inmiddels via taalmodellen: systemen die je code laten genereren, mailtjes laten schrijven of vragen laten beantwoorden. Dat zijn modellen die getraind zijn op gigantische hoeveelheden tekst (en steeds vaker ook op beeld en audio). 

Maar een robot die:
 

• een vaatwasser wil inruimen, 
• een doos van een schap moet pakken, 
• of door een drukke stad moet navigeren, 

heeft iets anders nodig dan alleen tekst-statistiek. Die heeft een wereldmodel nodig: een intern begrip van waar objecten zich in de ruimte bevinden, wat er gebeurt als je tegen iets aanduwt of het optilt en hoe je veilig reageert op onverwachte gebeurtenissen.

In AI-termen: spatial reasoning en cause-and-effect in een driedimensionale omgeving. 

Games vormen verrassend goede oefenterreinen voor dat soort wereldmodellen:

1. Stabiele camera en visuele structuur

Veel games worden vanuit een consistent perspectief gespeeld (first person, third person, top-down). Voor AI is dat prettig: er zijn minder variabelen dan in chaotische, echte camerabeelden. 

2. Duidelijke regels en fysica

De gamewereld heeft vaste regels – zwaartekracht, botsingen en object­eigenschappen. Dat maakt het eenvoudiger voor een model om patronen te leren. 

3. Directe koppeling met menselijke input

Alles wat er in de game gebeurt, is gekoppeld aan besturingsacties: druk bijvoorbeeld op A en de avatar springt, beweeg de joystick naar rechts en de auto stuurt bij. Die actie-reactiepatronen zijn precies wat je later in een robot wilt zien.

4. Massale schaal van Medal.tv

Miljarden clips betekent:
 

• miljarden keren “dit zag de speler”,
• gecombineerd met “dit deed de speler”,
• met feedback over “dit gebeurde er daarna”. 

Hoogleraar innovatie Deborah Nas (TU Delft) wees er in Nieuwsuur op dat robots in de echte wereld vaak óók worden aangestuurd via console-achtige interfaces. De stap van controller naar robotarm is daarmee kleiner dan hij op het eerste gezicht lijkt. 

Met andere woorden: Medal.tv is geen verzameling grappige fragmenten, maar een gigantisch trainingsveld. Je kunt er modellen op trainen die leren:
 

• hoe een mens in een 3D-wereld beweegt, 
• hoe hij reageert op dreiging, obstakels en doelen, 
• hoe je complexe taken in kleine actie-stapjes opsplitst. 

Dat maakt de dataset aantrekkelijk voor iedereen die werkt aan humanoid-robots, zelfrijdende voertuigen, drones en autonome systemen én generieke “wereldmodellen” die later in allerlei hardware kunnen worden ingegoten.

Dezelfde verschuiving zie je nu al in de praktijk: in warehouses en fulfillmentcentra wordt AI-robotica ingezet om processen slimmer en autonomer te maken, zoals bij GXO optimaliseert geautomatiseerd voorraadbeheer met AI-gestuurde robotica.

De afgewezen 500 miljoen: bod, twijfel en strategie

Dat een partij als OpenAI interesse had in Medal.tv, is dan ook niet zo vreemd. Volgens meerdere media kreeg De Witte een bod van 500 miljoen dollar op Medal.tv. Hij mag om juridische redenen niet bevestigen dat het om OpenAI ging (al hoewel dit inmiddels al bekend is), maar zegt wél het volgende: 

“Ik kan je wel vertellen hoe het is om 500 miljoen af te slaan.”

Hij beschrijft het moment zelf als iets in de trant van in de spiegel kijken, wat water in je gezicht slaan, diep ademhalen en dan de telefoon pakken om “nee” te zeggen.

Je hoeft geen CFO te zijn om te snappen hoe bizar zo’n beslissing voelt. Voor de meeste ondernemers is een exit van een paar miljoen al een life changing event. Hier gaat het om een half miljard – en De Witte legt het naast zich neer. 

De redenering achter het afwijzen van de 500 miljoen voor Medal.tv is verrassend rationeel:

1. Als een grote AI-speler bereid is 500 miljoen neer te leggen, dan is de dataset waarschijnlijk strategisch cruciaal, schaars en lastig naïef te reproduceren.

2. Als zij met die data een wereldmodel voor robots willen bouwen, waarom zou je dat dan niet zelf proberen? 

3, Bovendien kan de beurswaarde van de uiteindelijke AI-lagen die op zulke data rusten in theorie ver boven die 500 miljoen uitkomen.

De Witte koos dus voor de moeilijkste route: niet cashen, maar doorbouwen – van platform naar een eigen AI-stack.

Voor iedereen die met IT- en datastrategie bezig is, is dat interessant, omdat het raakt aan een fundamentele vraag rond data:

“Ben je grondstofleverancier voor Big Tech, of bouw je zelf producten en infrastructuur op je data?” 

Medal.tv is in dat verhaal de mijn; het nieuwe bedrijf General Intuition moet de raffinaderij worden. En daar zit nog een tweede laag onder: zónder extra AI-capaciteit en cloudinfrastructuur kun je dit soort modellen niet opschalen. Dat OpenAI die infrastructuurkant serieus neemt, zie je aan de samenwerking met Oracle en Microsoft in OpenAI kiest Oracle Cloud Infrastructure om Microsoft Azure AI-platform uit te breiden.

Van Medal.tv naar General Intuition: zelf de robots trainen 

Na het afgewezen bod volgde geen stille periode, maar een versnelling. De Witte richtte General Intuition op, een AI-bedrijf dat zich richt op zogeheten world models: modellen die ruimtelijk begrip en oorzaak-gevolg kunnen nabootsen. Het begrip world models is niet nieuw; het idee dat een model een interne simulatie van de wereld leert, werd al vroeg uitgewerkt in World Models (Cornell University, New York).

General Intuition richt zich op robots die zelfstandig in de fysieke wereld kunnen opereren – getraind op data uit virtuele werelden zoals die van Medal.tv.

Een paar kernpunten:
 

• De Witte gebruikt zijn ervaring met Medal.tv en de bijbehorende dataset als basis. 
• General Intuition werkt aan AI-systemen die:
  • vanuit videobeelden kunnen voorspellen wat er in een omgeving gebeurt;
  • kunnen afleiden welke actie logisch is in een bepaalde context;
  • dat gedrag kunnen genereren voor robots en andere autonome systemen. 

Die voorsprong zit niet alleen in de ruwe data, maar ook in de infrastructuur eromheen: jaren ervaring met low-latency videoregistratie, het strak synchroniseren van input en beeld en het opslaan en ontsluiten van miljarden clips. Dat zijn precies de bouwstenen die je nodig hebt om robuuste wereldmodellen op schaal te trainen. 

Investeerders blijken het idee te lusten. Volgens Nieuwsuur haalde De Witte inmiddels ruim 130 miljoen dollar op, met de bereidheid van financiers om daar in de toekomst nog honderden miljoenen aan toe te voegen. 

Het strategische verschil met “gewoon verkopen” is duidelijk:

Bij verkoop verdwijnt de dataset in een black box en wordt General Intuition één van de vele klanten van een groot AI-platform. In het huidige scenario blijft De Witte eigenaar en regisseur van de data, bouwt hij zélf aan een generieke AI-laag voor robots en kan hij later bepalen hoe en aan wie die technologie wordt geleverd.

Hij positioneert dat expliciet als een kans voor Europa en Nederland om een rol te spelen in een speelveld dat nu vooral door de VS en China wordt gedomineerd. Met de juiste combinatie van wiskundig talent, infrastructuur en kapitaal, denkt hij dat een Europees AI-bedrijf op het gebied van wereldmodellen niet bij voorbaat kansloos is. 

Of dat lukt, is een tweede. Maar als casus rond datastrategie is het fascinerend: in plaats van “data verkopen aan de hoogste bieder”, kiest hij voor “data als kern van een eigen infrastructuur-company”.

Wat betekent dit voor de techwereld?

Het verhaal van De Witte is geen kant-en-klare routekaart voor iedere ondernemer. Niet iedereen zit op een dataset die een half miljard waard is. Maar er zitten wél een paar belangrijke lessen in voor IT’ers, product owners en techbeslissers. 

Gedragsdata in context is veel waardevoller dan losse events

Veel organisaties verzamelen al jaren enorme hoeveelheden data:
 

• logs van applicaties, 
• klikgedrag, 
• metingen van IoT-sensoren, 
• bewegingen van AGV’s of robots in een magazijn. 

Toch wordt die data vaak alleen gebruikt voor:
 

• monitoring, 
• simpele operationele dashboards, 
• af en toe een optimalisatiestudie. 

Handig, maar het blijft een vrij beperkte manier om met zo’n rijk databestand om te gaan.

De casus van Medal.tv laat zien dat er méér in kan zitten en wat er gebeurt als je dezelfde berg data anders bekijkt. Niet de losse events op zichzelf zijn doorslaggevend, maar de combinatie van wat er in een omgeving gebeurt (video of sensordata), wat een mens of machine daarop doet (input, besturing) én wat er daarna gebeurt (het resultaat). Samen vormt dat geen stapel logregels meer, maar een doorlopende film van gedrag in context – precies het type dataset en trainingsmateriaal waar je AI-modellen op kunt trainen.

Het verschil bij Medal is dat die gedragsdata vanaf dag één als potentieel trainingsmateriaal is gezien, niet als bijproduct. Het platform is bewust zo ontworpen dat actie en reactie synchroon worden vastgelegd en jarenlang bewaard blijven, juist met het oog op toekomstige AI-toepassingen.

AI-modellen leren door menselijk gedrag in context te ‘spiegelen’ – precies wat een platform als Medal.tv met miljarden gameclips mogelijk maakt.

Voor bedrijven die al werken met robots, geautomatiseerde voertuigen of complexe workflows, is dat een belangrijke denkoefening:
 

• welke data over actie + reactie ligt er eigenlijk al op de plank? 
• en wat wordt er nu nog helemaal niet mee gedaan?

Zodra je data serieus als trainingsmateriaal wilt inzetten, moet je grip hebben op datakwaliteit, eigenaarschap en toegang – anders worden “bergen data” vooral een risico. Dat is precies het punt in Geen data governance strategie als MKB-organisatie? Dat is niet zonder risico’s.

Simulatie en games als serieuze AI-laboratoria

Games laten zien hoe krachtig gesimuleerde werelden zijn voor AI:
 

• in een game kun je miljarden scenario’s doorlopen zonder fysiek risico, 
• je kunt regels naar wens aanpassen, versnellen of herhalen, 
• je krijgt alle data in een consistent formaat terug. 

In de industriële praktijk zie je die logica terug als:
 

• digital twins van fabrieken of machines – bijvoorbeeld in Digital twins in het MKB: optimaliseer je supply chain,
• simulatiemodellen voor logistiek, 
• synthetische data die wordt gegenereerd voor zeldzame maar kritieke scenario’s.

De stap van “we bouwen een simulator” naar “we trainen hiermee een wereldmodel” is kleiner dan vaak gedacht. De Witte bewijst dat een consumer-product (gameclips delen) tegelijk dienst kan doen als AI-lab in de achtertuin.

Wie dit op schaal wil doen, loopt bovendien tegen een praktisch probleem aan: je wilt 3D-data en simulaties uitwisselbaar maken tussen tools en ketenpartners. Daarom is die beweging richting standaarden interessant, zoals de Alliance for OpenUSD om digital twins en 3D-modellering te verbeteren.

Voor organisaties die bezig zijn met OT/IT-integratie, smart industry, fleet management, of autonome voertuigen of dat van plan zijn, is het zinvol om na te denken: kunnen wij met simulatie en real-world data iets vergelijkbaars doen – op kleinere schaal, maar met grote impact op onze eigen processen? 

Dat “wereldmodellen trainen op gesimuleerde omgevingen” niet alleen een niche-idee is, blijkt ook bij big tech: DeepMind schuift dit expliciet naar voren met Genie 3, een interactief world model in real-time.

De macht verschuift naar wie de trainingsdata bezit

Wie zowel de datasets als de AI-stack beheert, bepaalt uiteindelijk wie er aan de knoppen zit – dataleverancier of eigenaar van het algoritme.

Naarmate AI-modellen en tooling toegankelijker worden, verschuift de echte machtsvraag van: 

“Welk model gebruik ik?” 

naar: 

“Op welke data wordt er getraind – en van wie is die data?”

De Medal.tv-case legt die spanning bloot:
 

• een partij als OpenAI wil toegang tot de dataset; 
• de eigenaar kiest ervoor om die data niet te verkopen, maar een eigen modelstack te bouwen; 
• de waardecreatie verschuift dan van “eenmalige verkoop” naar “langdurig exploiteren”. 

Voor bedrijven die experimenteren met generatieve AI, copilots of machine learning, is dat een relevante spiegel:
 

• Laat je je data volledig de cloud in trekken zonder duidelijke afspraken? 
• Wat leer je terug van de modellen die jouw data zien? 
• En heb je scenario’s waarin je zelf een AI-laag wilt ontwikkelen bovenop je data, in plaats van die rol uit te besteden?

Daarbij raakt dit direct aan datasoevereiniteit: zodra je AI inzet, is het vaak onduidelijk wat er met je data gebeurt en wie er toegang toe heeft — zeker als je afhankelijk bent van niet-Europese aanbieders. Dat spanningsveld (CLOUD Act, AI Act en ‘regie terugpakken’) wordt concreet in Datasoevereiniteit onder druk door slimme AI.

Risico’s, scepsis en realiteitscheck

Het is verleidelijk om De Witte nu al neer te zetten als de Europese tegenhanger van OpenAI op robotgebied. Maar zo simpel is het natuurlijk niet. 

Een paar nuchtere kanttekeningen: 

Technisch risico

World models en spatial AI zijn nog volop in ontwikkeling. Er zijn indrukwekkende demo’s, maar óók veel mislukkingen en hype. De kans bestaat dat de Medal.tv-data weliswaar waardevol is, maar niet automatisch leidt tot een onverslaanbare robot-AI. 

Concurrentiepositie

Grote spelers als Google, Meta, Tencent en talloze gamebedrijven zitten zelf óók op enorme hoeveelheden 3D- en game-data: van e-sports tot VR, van AR-platforms tot eigen simulatieomgevingen. General Intuition heeft een voorsprong in één specifieke dataset, maar staat niet alleen in deze race.

Businessrisico

500 miljoen dollar afwijzen is een gok van de buitencategorie. Lukt het, dan kan de uiteindelijke waarde veel hoger liggen. Gaat het mis, dan is het een gemiste kans die je niet snel nog een keer krijgt.

Regulering en ethiek

Het hergebruik van game-data als trainingsmateriaal roept vragen op:
 

• weten gebruikers precies waarvoor hun clips en inputs worden gebruikt? 
• welke regels gaan hier in de toekomst mogelijk voor gelden? 
• hoe ga je om met privacy, consent en mogelijke opt-outs? 

De Witte zelf lijkt zich dat ook bewust. In interviews benadrukt hij dat veel van wat nu gebeurt in AI-land nog steeds “een enorme belofte” is. De spanning tussen potentie en realiteit is precies wat dit verhaal zo interessant maakt: het is geen afgerond succes, maar een live experiment op wereldschaal.

Juist daarom is governance geen bijzaak: wie mag wat uploaden, wat gebeurt er met data bij leveranciers, en hoe borg je compliance (zoals de AI Act) voordat teams op eigen initiatief tools en data gaan gebruiken? In AI in gemeenten: risico’s, beleid en controle zie je die risico’s (zoals datalekken en omgang met persoonsgegevens) én de bijbehorende maatregelen concreet uitgewerkt – ook bruikbaar buiten de publieke sector.

Wat we van deze halve-miljard-“nee” kunnen leren

Los van de uitkomst is één ding duidelijk: het verhaal van Pim de Witte gaat niet alleen over een knappe ondernemer die een groot bod afslaat. Het laat zien:
 

• hoe een “simpel” videogameplatform kan uitgroeien tot een strategisch AI-asset; 
• hoe datasets met menselijk gedrag in gesimuleerde werelden – zoals die van Medal.tv – de brandstof kunnen zijn voor de volgende golf robots; 
• en hoe cruciaal keuzes rond data-eigendom en datastrategie zijn in een tijdperk waarin AI-modellen zelf steeds meer commodity worden.

Voor IT-professionals, beslissers, architecten en tech-ondernemers zijn dat geen abstracties. In veel organisaties ligt al jaren meer data op de plank dan er daadwerkelijk wordt gebruikt, terwijl systemen, sensoren en gebruikerslogica in steeds complexere stacks aan elkaar worden geknoopt. Vroeg of laat komt dan dezelfde strategische vraag op tafel: plug je gewoon in op bestaande AI-platforms, of ga je zelf bouwstenen ontwikkelen bovenop je eigen data?

De Witte koos voor dat laatste: OpenAI wilde de gamegegevens van de Nijmeegse developer gebruiken om robots slimmer te maken. Hij besloot dat hij die robots liever zélf leert denken.

Wil je dit soort afwegingen concreet maken in je eigen organisatie? Dan helpt het om AI niet “los” te benaderen, maar met een aanpak die verder gaat dan pilots: AI implementatie: begin met deze 5 praktische stappen. En als je meteen wilt borgen dat je security, risico’s en adoptie meeneemt: Een stappenplan voor AI-integratie.

Tot slot: wat doe je met je eigen datagoudmijn?

Of dat General Intuition uiteindelijk tot het rijtje grootste AI-bedrijven gaat behoren, weten we pas over tien jaar. Maar één les is nu al helder: er lopen meer Pim de Wittes rond dan we denken – mensen en bedrijven die ongemerkt op data zitten die voor een volgende AI-golf van levensbelang kan zijn. 

De vraag is niet alleen of hun datasets echt zoveel waard zijn. 

De vraag is vooral: zien ze het zelf – en durven ze er, net als De Witte, naar te handelen?

AI-teams die hun eigen data onder de loep nemen: de volgende AI-golf begint bij je eigen datagoudmijn.

Wil je meer voorbeelden van waar fysieke AI nu al landt – van magazijn- en industriële robotica tot autonome systemen – duik dan in ons dossier robots.