Een ijsrobot ter waarde van €28 miljard: de behendige hand wordt de geldmachine van embodied AI

Bij de DQ‑filiaal op de Wujiangweg in Shanghai staat een robot die een ogenschijnlijk “dom” karweitje uitvoert.

Het pakt een bekertje uit de steriliser, haalt een papieren beker, zet deze onder de ijsmachine, strooit Oreo‑kruimels erover, mengt, veegt de rand schoon en zet het bekertje ondersteboven om de “omgekeerde beker zonder lekken” te testen. Vijf‑vijf stappen, volledig autonoom, terwijl de medewerker naast hem met één vingertje niets hoeft te doen.

Een mens maakt een ijsje in twee tot drie minuten. De robot heeft er zes minuten voor nodig – twee keer zo lang. Maar niemand haast hem.

Omdat DQ en Sharpa, het bedrijf achter de robot, helemaal niet naar snelheid kijken. Ze draaien om één ding: data.

Later in dit artikel vertel ik drie concrete manieren waarop gewone mensen hier geld kunnen verdienen.

Dit is geen verlaging, dit is een upgrade

De eerste reactie op het nieuws is vaak: “Een honderd‑miljoen‑waard bedrijf gaat ijsjes maken in een DQ‑winkel? Dat is toch overkill?”

Wie dat zegt, snapt de competitieve logica van embodied intelligence niet.

De meeste “robots” die je in een restaurant ziet, doen niets anders dan borden dragen of maaltijden bezorgen. Ze zijn eigenlijk gewoon op wielen geplaatste serveerborden, ze verplaatsen dingen met een laag vrijheidsgraad. Voor zo’n apparaat heb je geen “hand” nodig – alleen kunnen lopen, obstakels ontwijken en op de juiste plek komen. De technische drempel ligt praktisch bij nul, er is geen verdedigbare gracht.

Sharpa gaat juist de andere kant op. Het laat de robot werken met menselijke apparatuur, menselijke ingrediënten en wereldwijde standaarden, en laat het het hele proces van begin tot eind zelf uitvoeren.

Li Yifan, een van de oprichters van Sharpa, zei eens: “Als een tientallen‑vrijheidsgraad robot met visie en krachtregeling uiteindelijk alleen maar een kopje koffie kan brengen – iets wat een gewone robotarm ook kan – dan loopt de kostenstructuur nooit uit.”

De kern daarvan is: een robot mag de omgeving niet aan zich aanpassen en mag niet negen stappen doen en de tiende aan een mens overlaten. Dat schept geen productiviteit, dat geeft de robot een bijbaan.

Daarom is de DQ‑uitdaging lastig: de 55 stappen zijn sterk onderling verbonden. Een papieren beker kan vervormen, de hardheid van het ijs verandert met de temperatuur, drie toevoegingen zien er bijna identiek uit en een kleine afwijking leidt tot volledige mislukking.

En juist die mislukkingen zijn wat Sharpa nodig heeft.

De echte muur zit niet in de chips, maar in de “valpartijen” data

Wat is de grootste hindernis voor embodied intelligence?

Het is niet het kijken naar filmpjes en het kopiëren van bewegingspatronen. Laat GPT honderd keer een ijsje‑maken video zien, het leert nog steeds niet met welke kracht je een beker moet vasthouden. Video’s bevatten geen tastzin, geen krachtgevoel, geen logica voor foutherstel.

Als je een mens één keer ziet doen, weet je alleen hoe hoog de hand gaat. Maar je weet niet: hoeveel kracht is nodig om de beker niet plat te drukken? Was een morsen veroorzaakt door een verkeerde giethoek of door te snel roeren? Welke hoek van twee graden bij het schoonmaken van de rand leidt tot welk resultaat?

Die informatie komt alleen vrij wanneer de robot in de echte wereld struikelt, fouten maakt, zich corrigeert en die data verzamelt. Deze “falende data” voeden het model, zodat de volgende poging minder omwegen hoeft te maken.

Sharpa heeft dit DQ‑proces minder dan vijf maanden getraind; in het lab is de slagingspercentage hoog. Maar dat aantal telt niet. De echte test komt uit de winkel zelf: piekuren met klantendrukte, temperatuurschommelingen van de machine, batchverschillen in ingrediënten.

Vandaag oefenen ze in DQ het grijpen, scheppen, mengen en gieten. Morgen kunnen dezelfde bewegingen worden overgezet naar het inpassen van producten in een convenience‑store, hotelkamerservice of zelfs huishoudelijke taken. Als je voor elke nieuwe context opnieuw tienduizend uur moet trainen, is het project een eenmalige klus zonder commerciële waarde.

Dat is de echte ambitie van Sharpa: één DQ‑winkel gebruiken als bron voor een overdraagbare data‑basis voor behendige manipulatie.

Waardering van €28 miljard – meer dan het moederbedrijf

Sharpa bestond eind 2024 nog niet; nu is het minder dan twee jaar oud. Het kondigde onlangs een nieuwe financieringsronde aan van meer dan €5,8 miljard (≈ ¥45 miljard), waardoor de post‑money waarde opliep naar ongeveer €28 miljard (≈ ¥220 miljard).

Het opvallende is de afkomst: alle drie oprichters komen van Hesai, de wereldleider in LiDAR. Hesai zelf heeft ook een behoorlijke beurswaarde.

Een twee‑jarig startupbedrijf dat zijn moederbedrijf in waarde overtreft – waarom zet Hesai dit project niet binnen het bedrijf, maar spin‑off het als aparte entiteit?

Dit is een klassiek industrieel spel.

1. Verschillende waarderingslogica. LiDAR zit in een volwassen productiemarkt: je kijkt naar volumes, marge en kosten. Humanoïde robotica zit in een vroege groeifase: je kijkt naar technische barrières, data‑opbouw en verbeeldingskracht. Een onafhankelijke financieringsronde geeft een veel hoger plafond.

2. Flexibelere beloningen. Als aparte firma kan het aandelenpakket opnieuw worden ingedeeld zonder de bestaande aandeelhouders van Hesai te verdunnen. Het kernteam krijgt andere prikkels en meer autonomie.

Kijk naar de investeerders in deze ronde: AliExpress‑groep, Meituan, JD‑Industrie‑kapitaal, plus topfondsen als Sequoia en Hillhouse. Zij wedden op één ding: Sharpa kan het succesverhaal van Hesai in LiDAR overnemen en het toepassen op humanoïde robots.

Eerst verover je de kerncomponent, vervolgens sluit je de lus met scenario‑data, en uiteindelijk bouw je een volledige stack.

Tip voor de praktijk:

1. Data‑verzameling via niche‑toepassingen – bouw een eenvoudige robot voor een herhalende taak (bijv. brood smeren in een lokale bakkerij) en verkoop de gegenereerde kracht‑ en visiedata aan AI‑bedrijven.
2. Licentie van beweging‑modellen – train een behendige‑hand model op een specifieke taak (bijv. elektronica‑assemblage) en licentieer het aan fabrikanten die geen eigen AI‑team hebben.
3. Hardware‑as‑a‑service voor KMU’s – verhuur een plug‑and‑play behendige hand module met maandelijkse abonnement, inclusief onderhoud en data‑updates.

Met deze drie wegen kun je meteen inspelen op de groeiende vraag naar echt bruikbare embodied intelligence – zonder zelf een miljardenfonds nodig te hebben.