Grote taalmodellen maken het mogelijk om robots aan te sturen via natuurlijke taal, maar zijn in de praktijk vaak te rekenintensief voor kleinere robots of toepassingen waarbij binnen fracties van seconden gereageerd moet worden. TeNet biedt hiervoor een oplossing door het taalmodel slechts één keer in te zetten: het zet een instructie eenmalig om in een compact neuraal netwerk voor de besturing, waarna de robot zelfstandig en razendsnel kan opereren.

Het framework is ontwikkeld door de computerwetenschappers Ariyan Bighashdel en Kevin Sebastian Luck, binnen het NWO-gefinancierde Tenet-project. De gegenereerde controllers bevatten ongeveer 40.000 parameters, aanzienlijk minder dan de 1 tot 39 miljoen parameters die gebruikelijk zijn bij bestaande modellen. Dankzij die compactheid behaalt TeNet besturingssnelheden van meer dan 9 kHz, waardoor robots zeer snel kunnen reageren op veranderingen in hun omgeving en geschikt zijn voor realtimetoepassingen.

De lagere rekenkracht heeft ook gevolgen voor de toegankelijkheid van de technologie. Doordat geen zware of kostbare hardware nodig is, kunnen ook kleinere en goedkopere robots gebruikmaken van geavanceerde AI. Dat maakt de methode potentieel inzetbaar in sectoren als de zorg, logistiek, industrie en dienstverlening. Daarnaast verbruikt een systeem dat alleen een compacte controller actief houdt aanzienlijk minder energie dan systemen die continu een groot taalmodel draaien, wat bijdraagt aan een duurzamer gebruik van AI.

Volgens Luck gaat de efficiëntie niet ten koste van het taalbegrip. TeNet blijft robuust wanneer gebruikers dezelfde opdracht op verschillende manieren formuleren, waardoor mensen op een natuurlijke manier met robots kunnen communiceren zonder vaste of vooraf geprogrammeerde commando’s te gebruiken.