Utviklere kan nå finjustere Physical Intelligences robotmodeller via hosted API
Selskapet bak π0 og π0.5 gir nå eksterne utviklere tilgang til modellene for finjustering og inferens via et hosted API. Tidlige partnere beskriver en autonom hjullaster i kommersiell drift og en deburring-modell bygget på fire dager – men alle ytelsestall stammer fra Pi selv.
Physical Intelligence (Pi) kunngjorde 13. oktober 2026 at selskapet åpner en API-beta som gir eksterne utviklere tilgang til selskapets nyeste robotgrunnmodeller, π0 og π0.5, for både trening og inferens. Kunngjøringen, publisert på Pi's egen blogg (pi.website/blog/api-beta), er ifølge selskapet det første steget mot å tilby en delt «physical intelligence»-plattform som andre selskaper kan bygge på.
Kort sagt: Pi vil gjøre det for roboter det API-leverte språkmodeller gjorde for programvare – gjøre en avansert modell til noe en utvikler kan tilpasse og kalle opp fra koden sin, uten å trenge egen modellkompetanse eller beregningsinfrastruktur.
Hvordan arbeidsflyten fungerer
Produktbeskrivelsen i kunngjøringen er konkret. Utviklere laster opp egne data, starter finjustering på beregningskraft og infrastruktur som Pi administrerer, og får så tilgang til den finjusterte modellen via en hosted gateway for å kjøre inferens. Med andre ord: kunden trenger ikke egen treningsklynge eller egen serveringsstakk – hele sløyfen fra data til driftet modell går gjennom Pi's systemer.
Pi skriver at modellen som i dag serveres gjennom API-et «allerede gir mer dataeffektiv finjustering og forbedret kapasitet for partnerne våre», og at selskapet planlegger å fortsette å oppdatere modellene bak API-et, siden Pi kan oppdatere dem raskt. Det betyr at kundene i prinsippet skal få tilgang til Pi's nyeste og mest kapable modeller etter hvert som de kommer – en modellversjonering i linje med hva vi kjenner fra hostede språkmodell-API-er, selv om betaen foreløpig ikke dokumenterer detaljene.
Hvorfor grunnmodeller, og hva som fortsatt mangler
Pi's argument for produktet bygger på sin bolig på generelle robotgrunnmodeller. Ifølge selskapet gir slike modeller et sterkt fundament av fysisk kunnskap og ferdigheter som «vesentlig reduserer dataene og innsatsen som trengs for å tilpasse dem til nye oppgaver, miljøer eller roboter». Men Pi er også tydelig på begrensningen: tilpasning krever fortsatt ML-infrastruktur, beregningskraft og komplekse datapipelines, som selskapet selv beskriver som «vanskelige i seg selv».
Det er nettopp dette den nye arbeidsflyten tar sikte på å fjerne. Grunnmodellen senker altså ikke kostnaden ved tilpasning til null – den flytter kostnaden fra kunden til Pi, som en tjeneste. Kunngjøringen posisjonerer dermed selve finjusterings- og inferensarbeidet som produktet, ikke bare modellvektene.
Verdt å merke seg: Pi sier ingenting i kildematerialet om prising, tilgjengelighetstidslinje, ratebegrensninger eller hvilke robottyper og maskinvareplattformer API-et støtter. For en beta med dette omfanget er det åpne spørsmål som følger med.
De tidlige partnerne
Pi beskriver at et lite antall selskaper fikk tidlig tilgang til API-et for å teste om de kunne forbedre autonomien sin på egen hånd. Selskapet skriver at det ble «imponert over hvor raskt de kom i gang og begynte å gjøre fremgang». Navnelisten over partnere som oppgis i kunngjøringen inkluderer Actor, Almond, Argon Robotics, Chef Robotics, Deft, Dream Machines, Formic Robotics, Foundry og Frontier Machine – med det forbehold at deler av listen kommer fra avkortet UI-tekst i partnerkarusellen på siden, slik at hele rosteren ikke kan bekreftes presist fra det tilgjengelige materialet.
To partnereksempler trekkes frem:
Actor utplasserer autonomt tunge maskiner. Ifølge Pi's beskrivelse scoopet deres autonome hjullaster materiale og laster det i en tippbil «i en reell kommersiell utplassering uten noen operatør inne i maskinen». Dette er i så fall et eksempel på en robot i betalt drift, ikke bare i laboratorium.
Almond bygger Axol, en toarmet robot rettet mot utviklere innen «physical AI». Målet er ifølge selskapet at Axol skal kunne bygge seg selv. I Pi's eksempel utfører Axol deburring – fjerning av grater og kanter – av avstandere som brukes i robotens egen montering, med en modell teamet skal ha fått til etter fire dager med iterasjon via Pi API.
Begge eksemplene er Pi's egne beskrivelser av partnerne sine resultater. Det finnes ingen uavhengig verifisering av verken den fire-dagers-iterasjonen eller driften uten operatør i det materialet som foreligger.
Iterasjonssløyfen som designprinsipp
Det mest interessante i kunngjøringen er kanskje hvordan Pi begrunner API-et ut fra sine egne samarbeidserfaringer. Gjennom de tidlige partnerskapene så selskapet at prosessen for å forbedre ytelse var «omtrent den samme» på tvers av prosjekter: samle inn demonstrasjoner, tren en modell, teste den på roboten, og bruk feilene til å avgjøre hvilke data som bør samles inn neste gang.
Pi skriver at API-et eksplisitt er bygget for å la utviklere kjøre denne iterasjonssløyfen selv, med selskapets nyeste modeller. Med andre ord er ikke produktet «en modell», men selve sløyfen: demonstrasjoner inn, trening på administrert beregningskraft, testing på roboten, ny datainnsamling, og så videre. Det er en arbeidsflyt-tenkning hentet fra maskinlæring – der fremgang måles i hvor raskt man kan gjennomløpe sløyfen – pakket inn som en utviklertjeneste.
Hvis dette holder i praksis, er det der «API-øyeblikket» for robotikk ligger: ikke i at roboter plutselig blir generelt kapable, men i at tiden og kompetansen som trengs for å tilpasse en modell til en konkret oppgave reduseres til noe et utvikler team kan håndtere.
Usikkerhet og åpne spørsmål
Flere forhold bør holdes adskilt fra nyhetsverdien i lanseringen:
- Alle ytelsespåstander er Pi's egne. At finjusteringen er «mer dataeffektiv», at Actor kjører i kommersiell drift uten operatør, og at Almond's modell ble utviklet på fire dager, stammer alle fra Pi's egen kunngjøring og er ikke uavhengig verifisert. Ingen tredjepartsrapportering eller benchmarks foreligger i det tilgjengelige materialet.
- Detaljene i betaen er udokumenterte. Prising, når API-et blir allment tilgjengelig, eventuelle ratebegrensninger, støttet maskinvare og hvordan modellversjonering håndteres i praksis, er ikke oppgitt.
- Partnerlisten er delvis usikker. Navnelisten kommer delvis fra avkortet UI-tekst, slik at den komplette listen over tidligbrukere ikke kan fastslås presist.
- Hva «nyeste modeller» betyr i praksis. Pi sier at API-et serverer selskapets nyeste modeller og vil fortsette å oppdatere dem, men spesifiserer ikke hvilke versjonsnivåer av π0 og π0.5 som gjelder, eller hvordan oppdateringer påvirker allerede finjusterte kundemodeller.
Det som kan konstateres som fakta er at Physical Intelligence 13. oktober 2026 lanserte en API-beta med ekstern tilgang til sine robotgrunnmodeller for trening og inferens, med en arbeidsflyt der kunden laster opp data, finjusterer på Pi's infrastruktur og kjører inferens via en hosted gateway – og at selskapet selv presenterer en rekke partnersamarbeider som bevis på konseptet. Hvor godt konseptet fungerer utenfor Pi's egen presentasjon, er et spørsmål neste runde med rapportering må ta opp.