Een racewagen die met hoge snelheid een bocht induikt, laat weinig ruimte voor twijfel. Toch koos Google precies die omgeving om te demonstreren wat er mogelijk wordt wanneer AI-agenten niet alleen software helpen schrijven, maar ook complexe systemen helpen bouwen die in realtime moeten functioneren. Het resultaat: een AI-racecoach die tijdens het rijden telemetrie analyseert en de bestuurder onmiddellijk advies kan geven.
Centraal in het experiment staat Google Antigravity, een agent-first ontwikkelplatform waarmee AI-agenten rechtstreeks kunnen werken met code-editors, terminals en browsers. Daarmee verschuift softwareontwikkeling steeds meer van zelf iedere regel code schrijven naar het aansturen en orkestreren van autonome ontwikkelagenten.
AI als copiloot op het circuit
Het project ontstond rond een opvallende uitdaging: kan generatieve AI snel en betrouwbaar genoeg reageren om een coureur tijdens een echte rit te begeleiden?
Op Sonoma Raceway werkten Google Developer Experts aan een systeem dat voortdurend gegevens uit de racewagen verwerkt. Daarbij gaat het onder meer om snelheid, positie, gasinput en andere telemetrie. Die gegevens worden gecombineerd met kennis over voertuigfysica en rijtechniek.
Het doel is niet simpelweg achteraf vertellen waar een bestuurder tijd verloor. De AI moet tijdens het rijden ontdekken waar verbetering mogelijk is en dat inzicht precies op het juiste moment communiceren.
|
Bridging the Domain Gap: AI Race Coach built with Antigravity and Gemini- Google Developers BlogOn May 23, 2026, fresh off the stage at Google I/O, our Google Developer Experts (GDEs) converged on... |
Tijdens een test identificeerde het systeem bijvoorbeeld een andere zone voor het opnieuw openen van het gaspedaal midden in een bocht. Dat leverde volgens Google ongeveer 0,1 seconde tijdwinst op.
Antigravity orkestreert de ontwikkeling
Google Antigravity speelt daarbij een bijzondere rol. Het platform is ontworpen rond AI-agenten die zelfstandig complexe ontwikkeltaken kunnen plannen, uitvoeren en controleren.
In plaats van uitsluitend suggesties voor code te geven, kunnen dergelijke agenten door verschillende onderdelen van een ontwikkelomgeving bewegen. Ze kunnen bijvoorbeeld code aanpassen, commando's in een terminal uitvoeren, toepassingen in een browser testen en resultaten controleren.
Voor het racecoachproject werd Antigravity onder meer ingezet rond de orkestratie en verwerking van telemetrie. Daardoor konden softwareontwikkelaars zich meer concentreren op het gedrag van het systeem en de expertise van professionele racecoaches vertalen naar software.
Dat illustreert een bredere verschuiving: AI helpt programmeurs niet alleen sneller werken binnen hun eigen expertise, maar kan ook helpen de afstand tot een onbekend vakgebied te verkleinen.
Van Pixel 10 tot Gemma 4
Achter de racecoach zit een hybride architectuur waarin lokale AI en cloudmodellen samenwerken.
Python verwerkt de binnenkomende telemetrie, terwijl een Android-app met Jetpack Compose de gegevens visualiseert. Een Pixel 10 werd via een speciaal ontwikkelde USB-interface rechtstreeks verbonden met het telemetrienetwerk van de auto. Daardoor kon het systeem een datastroom van 10 Hz uit de sensoren van de wagen ontvangen.
Voor de onmiddellijke beslissingen draait Gemma 4 lokaal op het toestel. Dat is belangrijk omdat een racecoach niet afhankelijk mag zijn van een trage of wegvallende internetverbinding. Volgens Google kon het systeem dankzij de TPU van de Pixel 10 ongeveer 40 tokens per seconde verwerken.
Voor complexere analyses wordt de Gemini API in de cloud gebruikt. Agent Development Kit, of ADK, helpt verschillende AI-agenten te organiseren, terwijl text-to-speech de uiteindelijke aanwijzingen rechtstreeks als gesproken coaching aan de bestuurder kan doorgeven.
De interface verdwijnt naar de achtergrond
Misschien is dat laatste wel een van de interessantste aspecten van het experiment. Een coureur die een bocht met hoge snelheid nadert, kan onmogelijk uitgebreid naar een scherm kijken.
De AI moet daarom niet alleen intelligent zijn, maar ook begrijpen wanneer informatie relevant is en hoe die het best wordt aangeboden. In dit geval wordt de interface grotendeels audio: de digitale coach spreekt wanneer een aanwijzing nodig is.
Daarmee wordt het raceproject ook een experiment in een toekomstige vorm van mens-computerinteractie. Wanneer AI lokaal snel genoeg kan waarnemen, redeneren en reageren, hoeft een gebruiker niet voortdurend naar een traditionele interface te kijken.
Van vibe coding naar betrouwbare AI
Google gebruikt het experiment bovendien om een onderscheid te maken tussen een indrukwekkend AI-prototype en een systeem dat onder moeilijke omstandigheden werkelijk bruikbaar blijft.
Bij een racewagen kan een hallucinatie immers veel ernstigere gevolgen hebben dan een verkeerd antwoord van een chatbot. Daarom wordt generatieve AI gecombineerd met telemetrie, natuurkundige regels, menselijke expertise en realtime verificatie.
De architectuur bestaat daarmee niet alleen uit een groot taalmodel. Rond het model ontstaat een complete technische laag van sensoren, regels, lokale modellen, cloudmodellen, agenten en controles.
Dat is precies waar agentic softwareontwikkeling naartoe lijkt te bewegen: niet één AI die alles probeert te doen, maar verschillende gespecialiseerde componenten die samen een betrouwbaar systeem vormen.
Racen als testomgeving voor de echte wereld
Een AI-racecoach klinkt in eerste instantie als een spectaculaire demonstratie, maar Google ziet een bredere betekenis.
Dezelfde principes kunnen worden toegepast in omgevingen waar grote hoeveelheden realtimegegevens moeten worden omgezet in snelle beslissingen. Denk aan productie, logistiek, energie, robotica en andere industriële toepassingen.
Daar ligt wellicht de belangrijkste les van het experiment. Antigravity wordt niet alleen gepresenteerd als een snellere manier om code te schrijven. Het platform laat zien hoe ontwikkelaars AI-agenten kunnen inzetten om complexe softwarearchitecturen te bouwen, testen en orkestreren.
De racewagen is in dat verhaal vooral het laboratorium. Als een AI-systeem betrouwbaar genoeg kan worden gemaakt om op racesnelheid relevante informatie te leveren, ontstaat een blauwdruk voor veel meer toepassingen waarin software, sensoren, edge AI, cloudmodellen en autonome agenten samenkomen.
