Embodied AI i modele VLA — ile autonomii naprawdę jest w humanoidach

Czym jest embodied AI i czym są modele VLA

Embodied AI (ucieleśniona sztuczna inteligencja) to systemy, które postrzegają świat fizyczny, podejmują decyzje i wykonują ruch — w odróżnieniu od chatbotów operujących wyłącznie na tekście. Dominującym podejściem są dziś modele VLA (vision-language-action): sieć neuronowa dostaje obraz z kamer robota i polecenie w języku naturalnym, a na wyjściu generuje ciągłe komendy dla przegubów. Śledztwo Reuters z sierpnia 2026 podkreśla, że modele VLA są znacznie trudniejsze w treningu niż LLM-y, bo wymagają tysięcy godzin danych z interakcji ze światem fizycznym — i znajdują się na wcześniejszym etapie rozwoju.

Trzy najgłośniejsze modele VLA wyznaczają stan techniki. NVIDIA GR00T N1 (marzec 2025) to — według NVIDIA — pierwszy otwarty model fundamentowy dla humanoidów: System 2 (moduł wizyjno-językowy) interpretuje scenę i polecenie, a System 1 (transformer dyfuzyjny) generuje płynne akcje; model trenowano na mieszance trajektorii prawdziwych robotów, nagrań ludzi i danych syntetycznych, a zademonstrowano m.in. na humanoidzie Fourier GR-1. Figure Helix steruje całą górną połową ciała robota (35 stopni swobody): System 2 to VLM o 7 mld parametrów pracujący z częstotliwością 7–9 Hz, System 1 to szybka polityka wizyjno-ruchowa 80 mln parametrów działająca w pętli 200 Hz. π0 od Physical Intelligence łączy 3-miliardowy VLM z ekspertem akcji opartym na flow matching i generuje komendy z częstotliwością do 50 Hz; wagi opublikowano otwarcie w repozytorium openpi, a checkpointy bazowe trenowano na ponad 10 000 godzin danych robotów.

RL i sim2real: dlaczego humanoidy świetnie tańczą, ale nie pracują

Chód, bieg, taniec i kung-fu to efekt uczenia ze wzmocnieniem (RL) w symulacji. Frameworki takie jak NVIDIA Isaac Lab czy MuJoCo pozwalają trenować tysiące wirtualnych kopii robota równolegle, a randomizacja domeny (losowe tarcie, masy, opóźnienia sygnału) umożliwia przeniesienie wytrenowanej polityki na fizyczny sprzęt — to tzw. sim2real. Ta część technologii jest dojrzała i faktycznie działa autonomicznie, dlatego pokazy zwinności wychodzą tak efektownie.

Problem w tym, że lokomocja to nie inteligencja. Alan Fern, profesor robotyki z Oregon State University, skomentował dla Reuters pekiński półmaraton robotów wprost: oprogramowanie umożliwiające humanoidom bieganie zademonstrowano ponad pięć lat wcześniej, a pokazy zwinności niewiele mówią o zdolności do użytecznej pracy. Chodzenie po scenie nie wymaga rozumienia sceny. W sprzedawanych w Polsce wariantach EDU (Unitree SDK2, ROS 2, NVIDIA Isaac Sim) kupujący może trenować własne polityki RL — to realna wartość dla uczelni i zespołów R&D, ale wymaga własnej pracy inżynierskiej; szczegóły w przewodniku ROS i SDK w humanoidach.

Teleoperacja i choreografia: człowiek za kulisami pokazu

Teleoperacja oznacza, że operator w goglach widzi obraz z kamer robota i steruje jego rękami przez kontrolery z czujnikami ruchu. Najgłośniejszy przykład: roboty Tesla Optimus na evencie "We, Robot" (październik 2024) rozmawiały z gośćmi i serwowały drinki, ale — jak ujawniły Bloomberg i The Verge — wiele interakcji nadzorowali zdalnie pracownicy Tesli; robot-barman sam przyznał gościom, że wspomaga go człowiek, a analityk Morgan Stanley napisał w nocie, że pokazy opierały się na teleoperacji. Programu Optimus i tak nie da się kupić w Polsce.

Podobnie 1X NEO, reklamowany jako pierwszy konsumencki humanoid domowy (premiera październik 2025, cena 20 000 USD): zadania, których robot nie zna, wykonuje za niego zdalny operator 1X, patrząc przez kamery robota na wnętrze domu klienta. W Polsce NEO nie jest oficjalnie sprzedawany. Teleoperacja ma też drugą, uczciwszą rolę: dostarcza dane do treningu modeli VLA. Reuters opisał centrum treningowe w Liuzhou (sprzęt UBTech z przetargu wartego 18 mln USD), gdzie kilkunastu trenerów w goglach uczy ponad 100 humanoidów pakowania makaronu i parzenia kawy — początkujący trener uzyskuje jeden użyteczny ruch na około 300 prób, doświadczony jeden na 50. Sama teleoperacja nie jest oszustwem; problemem jest sugerowanie widzom, że robot działa samodzielnie. Cytowany przez Reuters szef startupu robotycznego ujął to dosadnie: duża część tego, co widzimy, to taniec udający pracę.

Twarde liczby 2025–2026: fabryki, przetargi, zawody

Śledztwo Reuters (sierpień 2026) daje najtwardsze dostępne dane. Humanoidy w centrum treningowym wykonują proste zadania z około 20% prędkości lub wydajności człowieka. Ponad 150 chińskich firm rozwija humanoidy (dane NDRC) — więcej niż istnieje chińskich marek aut elektrycznych. Chińskie zakupy państwowe humanoidów i powiązanego sprzętu sięgnęły co najmniej 230 mln USD w pierwszej połowie 2026 r. (rok wcześniej 62 mln USD, w I poł. 2024 r. 6 mln USD) — popyt jest w dużej mierze publiczny, nie komercyjny. Morgan Stanley prognozuje spadek średniej ceny humanoida o 15% w 2026 r. W fabryce Zeekr (Geely), gdzie testowano humanoidy UBTech przy sortowaniu i przenoszeniu komponentów, wszystkie kluczowe zadania na czynnej linii nadal wykonują ramiona przemysłowe i pojazdy automatyczne.

Zawody potwierdzają ten obraz. W półmaratonie E-Town w Pekinie (kwiecień 2025) wystartowało 21 robotów, a trasę ukończyło tylko 6; zwycięzca Tiangong Ultra potrzebował 2 h 40 min i trzech wymian baterii, podczas gdy najszybszy człowiek przebiegł dystans w 1 h 2 min. Roboty biegły w asyście ludzkich opiekunów, a część przewróciła się już na starcie. Więcej o tym, co działa poza salą demonstracyjną: wdrożenia robotów humanoidalnych.

Co naprawdę dostaje kupujący w Polsce

Wersje podstawowe humanoidów dostępnych od ręki — Unitree R1 (od 45 000 zł) i Unitree G1 (od 94 050 zł) — w ogóle nie wspierają programowania: producent zaznacza wprost brak "secondary development". Kupujący dostaje aplikację mobilną, pilota i zestaw fabrycznych zachowań: chód, taniec, machanie, podążanie za operatorem. To platformy pokazowe na eventy i do podstawowej edukacji, nie pracownicy.

Warianty badawcze dodają narzędzia, nie autonomię: Unitree R1 EDU od 73 500 zł i Unitree G1 EDU za ok. 150 000–280 000 zł oferują Unitree SDK2, ROS 2 i wsparcie Isaac Sim, a wyższe konfiguracje także moduł NVIDIA Jetson Orin; Booster K1 (od 29 900 zł netto) daje Pythona, ROS/ROS 2 i głosowy LLM (Doubao, bezpłatnie przez 6 miesięcy). SDK to zestaw do samodzielnej budowy autonomii — żaden robot sprzedawany w Polsce nie ma fabrycznie działającego modelu VLA, który wykonywałby prace użytkowe.

Praktyczny test przed zakupem: poproś sprzedawcę o pokaz zadania użytkowego bez operatora i o nagranie bez cięć. Koszty całkowite policzysz w kalkulatorze TCO, a rachunek opłacalności w analizie czy robot humanoidalny się opłaca.

Stan techniki 2026: co jest realne, a co marketingiem

Realne są trzy rzeczy: autonomiczna lokomocja (polityki RL działają na pokładzie robota bez operatora), otwarte modele VLA obniżające próg wejścia dla badaczy (GR00T N1, openpi) oraz laboratoryjne demonstracje manipulacji — π0 składa pranie w nieciętym, autonomicznym nagraniu. Marketingiem pozostają: "AI pracownik", obietnice autonomii domowej i pokazy bez ujawnienia teleoperacji. Prognozę pracownika centrum w Liuzhou, że roboty dogonią ludzi w 2–3 lata, traktujemy jako nadzieję branży, nie zobowiązanie — cytowany przez Reuters inwestor uważa konsolidację za pewną („prędzej czy później”), a wielu founderów i inwestorów spodziewa się jej początku na przełomie 2026 i 2027 r.