Hoe Hitachi de fysieke AI-race wint met industriële kennis

Sophie Jansen · 2026-02-23

Fysieke AI – de tak van kunstmatige intelligentie die robots en industriële machines in de echte wereld aanstuurt – heeft een hiërarchieprobleem. Bovenaan staan OpenAI en Google die multimodale foundation-modellen opschalen. In het midden bouwt Nvidia de platforms en tools voor fysieke AI-ontwikkeling. En dan is er een derde kamp: industriële fabrikanten zoals Hitachi en het Duitse Siemens. Zij maken het stillere, maar misschien wel meer gegronde argument dat je machines niet kunt trainen om de fysieke wereld te navigeren zonder die eerst te begrijpen. Dat argument verplaatst zich nu van boardroom-strategie naar fabrieksvloer-implementatie, zoals Hitachi onthulde in een recent interview. ### Waarom fysieke AI een beter model nodig heeft Kosuke Yanai, adjunct-directeur van Hitachi's Centre for Technology Innovation-Artificial Intelligence, is duidelijk over wat levensvatbare fysieke AI scheidt van de theoretische variant. Hij vertelde: "Fysieke AI kan niet in de samenleving worden geïmplementeerd zonder een systematisch begrip dat begint met fundamentele kennis van natuurkunde en industriële apparatuur." Hitachi's verkoopargument is dat ze al over veel van die fundamentele kennis beschikken – opgebouwd over decennia van het bouwen van spoorwegen, energie-infrastructuur en industriële controlesystemen. Het bedrijf heeft thermische vloeistofsimulatietechnologie die het gedrag van gassen en vloeistoffen modelleert, en signaalverwerkingstools voor het monitoren van apparatuurconditie. ### Praktijkvoorbeelden: Daikin en JR East Terwijl Hitachi's overkoepelende fysieke AI-architectuur – het Integrated World Infrastructure Model (IWIM) – zich nog in het conceptverificatiestadium bevindt, tonen twee praktijkimplementaties aan dat de onderliggende aanpak al resultaten oplevert. In samenwerking met Daikin Industries heeft Hitachi een AI-systeem ingezet dat storingen diagnosticeert in productieapparatuur voor commerciële airconditioners. Het systeem, getraind op onderhoudsgegevens, procedurehandleidingen en ontwerptekeningen, kan nu identificeren welk component waarschijnlijk defect is wanneer een afwijking wordt gedetecteerd. Met East Japan Railway (JR East) heeft Hitachi een AI gebouwd die de hoofdoorzaak van storingen identificeert in de besturingsapparaten van het treinverkeersmanagementsysteem in het grootstedelijk gebied van Tokio, en vervolgens operators helpt bij het formuleren van een reactieplan. ### De R&D-pijplijn: Ontwikkeltijd verkorten Hitachi's fysieke AI-push komt ook naar voren in zijn onderzoeksoutput. In december 2025 publiceerde het bedrijf bevindingen van twee projecten die een hardnekkige bottleneck in industriële AI aanpakken: de tijd en moeite die nodig zijn om besturingssoftware te schrijven en aan te passen. In de automotive-sector ontwikkelden Hitachi en zijn dochteronderneming Astemo een systeem dat retrieval-augmented generation gebruikt om automatisch integratietestscripts te produceren voor voertuigelektronische besturingseenheden (ECU's). In een pilot met multi-core ECU-testing reduceerde de technologie de integratietestmanuren met 43% vergeleken met handmatige uitvoering. In de logistiek ontwikkelde het bedrijf variabiliteitsmanagementtechnologie die robotbesturingssoftware modulariseert in herbruikbare componenten. Door de omgevingsvariabelen en operationele vereisten van verschillende magazijninstellingen van tevoren in kaart te brengen, stelt het systeem operators in staat om robotsoftware snel aan te passen. ### Wat dit betekent voor de industrie Het interessante aan Hitachi's aanpak is hoe ze hun industriële expertise inzetten als concurrentievoordeel. Terwijl techreuzen zich richten op algemene modellen, duikt Hitachi diep in de specifieke kennis die nodig is om machines in de echte wereld te laten functioneren. Denk aan: - Decennialange ervaring met fysieke systemen - Praktijkkennis van onderhoud en storingen - Begrip van hoe apparatuur in verschillende omgevingen presteert Dit is geen abstracte technologie – het gaat over het oplossen van concrete problemen op de fabrieksvloer. En zoals Yanai zegt, zonder dat fundamentele begrip van de fysieke wereld blijft AI theoretisch. De echte test komt natuurlijk wanneer deze systemen op grotere schaal worden ingezet. Maar de eerste resultaten zijn veelbelovend. Het verminderen van testtijd met 43%? Dat vertaalt zich direct naar lagere kosten en snellere innovatie. Voor professionals in Nederland die met industriële automatisering werken, biedt deze ontwikkeling interessante inzichten. Soms komt de meest praktische AI niet uit Silicon Valley, maar uit decennia van ervaring met echte machines in echte fabrieken.