Uvnitř nové robotické soutěže: Data, modely a výroba

Inovace se zřídka objevují v izolaci. Často se rodí v rozhovorech mezi inženýry, zakladateli, výzkumníky a investory, kteří se snaží pochopit, kam směřuje technologie.

Během roku jsem navštívil desítky konferencí po celém světě. Obchodní cesty někdy trvají měsíce a setkání s partnery a klienty se konají od Asie po Severní Ameriku. Ale jedna z mých nedávných cest do Švýcarska se ukázala být zvláště zajímavou – především kvůli lidem a rozhovorům, které tam probíhaly.

Curych se ukázal jako jedno z míst, kde se budoucnost robotiky a Fyzické AI aktivně diskutuje. A čím více se tyto rozhovory prohlubují, tím více je zřejmé, že skutečná soutěž v robotice se odehrává kolem dat.

Evropa jako údolí křemíku

Curych je tradičně spojen s finančním sektorem, ale v posledních letech je stále více nazýván Evropským údolím křemíku. Velká část této pověsti je spojena s ETH Curych, jednou z nejrespektovanějších inženýrských univerzit v Evropě. Přitahuje výzkumníky, doktorandy, podnikatele a inženýry z celého světa. V důsledku toho se kolem univerzity vytvořil silný technologický ekosystém, kde se výzkum, startupy a průmyslové projekty vyvíjejí téměř současně.

Jedním z důvodů mé cesty bylo získat hlubší pochopení toho, co Introspector může nabídnout trhu s robotikou, který od začátku roku 2025 boomuje. Je to průmysl, do kterého se snaží vstoupit široká škála startupů, zatímco technologické průlomy z velkých technologických firem aktivně mění jeho podobu. Přestože je zde veškerý tento impuls, oblast stále vyvolává více otázek než odpovědí.

Curych je také domovem našich partnerů Lightly, kteří mi pomohli seznámit se s kolegy pracujícími na rozhraní robotiky, počítačového vidění a AI. Existuje jeden důležitý aspekt místního technologického ekosystému, který bych chtěl zdůraznit: lidé zde jsou pozoruhodně otevření a vstřícní. Není jim nepříjemné sdílet své nápady a hypotézy, mluvit o výzvách, kterým čelí, a experimentech, které provádějí. V důsledku toho začínáte mnohem rychleji chápat skutečný kontext trhu a kam směřuje průmysl.

Když lidéถามují, jak se evropské „údolí křemíku“ liší od amerického, odpověď je často překvapuje. V Curychu je rovnováha mezi prací a životem mnohem silnější: sporty ráno, soustředěná práce během dne v klidném, ale produktivním rytmu, a večery strávené v horách s rodinou nebo prostě relaxací. V San Francisku je často pocit, že je nutné neustále prokazovat, že pracujete tvrději než ostatní. V Curychu je tempo jiné – udržitelnější. Přesto je úroveň technologické ambice zde stejně vysoká.

Lepší data před lepšími roboty

Jedním z hlavních poznatků z této cesty byla poměrně jednoduchá pozorování: mnoho lidí dnes chce pracovat v robotice. Ale navzdory enormnímu zájmu o průmysl jsou mnohé týmy stále ve fázi průzkumu, snaží se pochopit, jakou roli mohou hrát v nové vlně robotiky a Fyzické AI, a jaký příspěvek mohou učinit.

Mnohé rozhovory nakonec konvergují na stejnou téma: data. Dnes průmysl postrádá data o úkolech jemné motoriky, tj. jemných motorických dovedností. V této oblasti zůstávají schopnosti robotů extrémně omezené. Co lidé dělají svýma rukama téměř automaticky – zvedání objektu, otočení, pečlivé umístění někam, nebo provedení malé manipulace – zůstává jednou z nejobtížnějších úkolů pro roboty.

Klíč k pokroku zde leží primárně ve velkých, správně shromážděných datech. Dnes lidé často mluví o egocentrických datech, zaznamenaných z první osoby, kde systém zachycuje lidské akce, jako by je sám prováděl. Ale v praxi se ukazuje, že samotný koncept „egocentrických dat“ může znamenat velmi rozdílné věci a vyvolává řadu technických otázek. Kde by měla být kamera umístěna? Na čele, na hrudi, nebo perhaps na úrovni očí? Jaké senzory by měly doprovázet videozáznam? Pokud zachycujeme pohyby rukou, měli by operátoři používat speciální rukavice? A pokud ano, měly by tyto rukavice zahrnovat taktilní senzory, gyroskopy, nebo jiné systémy pro sledování pohybu?

Ještě složitější otázka vzniká: jak správně zachytit hloubku pohybu. Je důležité pochopit nejen polohu ruky v dvourozměrné rovině, ale také, jak se pohybuje ve třirozměrném prostoru – dopředu, dozadu, nahoru, nebo dolů.

Dosud průmysl nedosáhl jednotné odpovědi. Proto mnohé týmy dnes experimentují s různými konfiguracemi senzorů, metodami záznamu a formáty dat.

Multimodální systémy

Jakmile se rozhovor otočí k sběru dat pro robotiku, další téma rychle vyvstává – další senzory a multimodalita, které umožňují zachytit pohyby těla, akce rukou a interakce s objekty s větší přesností. Tyto také pomáhají snižovat chyby během sběru dat.

Když osoba zaznamenává své akce na kameru, existuje vždy riziko, že část materiálu bude nepoužitelná. Kamera se může mírně pohnout, úhel záběru může být nesprávný, operátor se může náhodou otočit špatným směrem, nebo operátor může provést pohyb příliš rychle. V důsledku toho se značná část zaznamenaného materiálu zahazuje. Jednoduchý příklad: k získání jedné hodiny skutečně použitelného videa musí operátor často zaznamenat kolem dvou hodin surového materiálu.

Další senzory pomáhají kompenzovat některé z těchto problémů. I když se kamera mírně pohne, data ze senzorů mohou stále umožnit rekonstrukci pohybu ruky nebo polohy těla v prostoru. V důsledku toho místo dvou hodin záznamu může stačit přibližně jedna hodina a dvacet minut k získání stejného množství použitelných dat. To výrazně zvyšuje efektivitu sběru dat a snižuje náklady na jejich vytvoření.

Je proto není náhodou, že mnohé týmy také zaznamenávají rostoucí zájem o multimodální anotaci dat. To se stalo jednou z více viditelných trendů přímo spojených s rozvojem robotiky a embodované AI.

Dalším bodem je označení takových dat. Setkali jsme se s podobnými otázkami v Keymakr při práci s klienty pro robotické případy: jak by takové označení mělo vypadat v praxi? Mělo by být skeletální? Dvourozměrné nebo trojrozměrné? Měly by být začleněny prvky učení s posilováním do pipeline? Existuje desítky takových otázek. Inženýři sami přiznávají, že nikdo dosud nemůže s jistotou říci, která konkrétní konfigurace dat nakonec povede k skutečnému technologickému průlomu.

Tyto obavy jsou pochopitelné. Budování komplexních dat je nákladný proces. Každá chyba ve struktuře dat může stát tisíce nebo dokonce miliony dolarů. Je možné shromáždit „špatná“ data nebo zaznamenat je za podmínek, které jsou obtížně reprodukovatelné ve skutečném světě, což nakonec podkopává celý projekt. Právě proto je dnes věnována stále větší pozornost jak samotným modelům, tak kvalitě a architektuře dat, na kterých jsou tyto modely trénovány.

Jaký typ robotů potřebuje trh?

Klasické průmyslové roboty, které fungují na automobilových montážních linkách po desetiletí, vyžadují velmi málo počítačového vidění nebo komplexních modelů AI. Jejich úloha je extrémně specifická: provádět striktně repetitivní pohyby – vlevo, vpravo, nahoru, dolů – s vysokou přesností a konzistencí. V této oblasti již dávno předčily lidi.

Úplně jinou kategorií jsou humanoidní roboti. Tyto systémy vyžadují „mozky“: schopnost navigovat v prostoru, vnímat okolní prostředí, rozumět kontextu situace a ovládat manipulátory ne prostřednictvím předem naprogramovaných trajektorií, ale přizpůsobením se skutečnému světu.

Even s vysokou úrovní automatizace na moderních továrních podlahách jsou mnohé úkoly stále prováděny lidmi. Pohybující se s objektem, zvedání krabice, třídění dílů, utahování součásti, nebo organizování materiálů – tyto jsou malé akce, které vyžadují flexibilitu a koordinaci. Tato oblast zůstává jednou z nejobtížnějších na automatizaci, a je přesně zde, kde humanoidní systémy mohou najít svou roli.

Mnohé týmy, se kterými jsem mluvil, používají podobný obchodní model. Přístupují k továrně a navrhují řešení konkrétního výrobního případu. Například pracovník může strávit celý den pohybující se s krabicemi mezi skladovými zónami. Inženýři navrhují relativně jednoduchý experiment: vybavit pracovníka kamerou a sadou senzorů, zaznamenat tisíce hodin jejich akcí a použít tato data k trénování modelu, který bude ovládat humanoidního robota. Takto se robot učí provádět přesně ty úkoly, které provádí lidský pracovník.

V podstatě společnost kupuje humanoidní platformu, zatímco vývojový tým buduje přizpůsobený model, který replikuje chování konkrétního operátora. To není univerzální inteligence schopná řešit jakýkoli úkol. Spíše se jedná o sadu dovedností trénovaných pro konkrétní scénář nebo skupinu výrobních úkolů. Pro mnohé inženýry dnes tato přístup vypadá mnohem realističtěji. Místo pokusu o vytvoření univerzálního robota okamžitě se týmy soustředí na úzké, ale ekonomicky životaschopné scénáře automatizace.

Obchodní rozměr

Pokud budoucnost leží v přizpůsobených modelech, je důležité pochopit, že z ekonomického hlediska je to poměrně dlouhá vývojová cesta.

Každý průmysl je v podstatě svým vlastním světem. Každé výrobní prostředí má své vlastní procesy, pracovní postupy a výjimky. Robot trénovaný pro fungování v automobilové továrně nemůže být jednoduše přenesen do potravinářské výroby nebo logistiky skladu. V každém případě musí být systém přetrénován od začátku.

To vede k další logické otázce: kdo budou první zákazníci takové technologie?

V této fázi jsou primárními adoptéry pravděpodobně velké podniky – ty, které mají rozpočty a pro které může automatizace generovat významný ekonomický dopad. Dnes stojí humanoidní robot přibližně 60 000–90 000 dolarů pouze za hardware. To je pouze základní konfigurace. Kromě toho jsou zde náklady na údržbu, baterie, nabíjecí stanice, infrastruktura a software.

V důsledku toho jsou společnosti, které jsou nejvíce schopné experimentovat s takovými systémy, velké organizace, automobilové výrobce, potravinářské korporace a velké průmyslové podniky.

Samozřejmě, menší sektory mohou také vidět některé rané adoptéry. Některé společnosti mohou koupit jeden nebo dva roboty pro konkrétní úkoly. Nicméně ve většině případů tyto podniky prostě nejsou připraveny investovat stovky tisíc eur do sběru a anotace přizpůsobených dat, která jsou vyžadována pro trénování systémů pro vysoce specifické provozní scénáře. Pro ně zůstává lidská práce stále levnější variantou.

Dlouhá hra inovací v robotice

Nakonec dospíváme k fundamentální ekonomické otázce: co je efektivnější – člověk nebo robot? Pokud se podíváme na dnešní ekonomiku, odpověď je zřejmá: lidská práce je levnější, přizpůsobuje se rychleji novým podmínkám a nevyžaduje komplexní infrastrukturu.

Proč tedy průmysl pokračuje ve investicích do robotiky dnes? Odpověď je z velké části strategická.

Mnohé společnosti chápou, že probíhá某種 technologického vedení. Již nyní vyvíjejí řešení, navzdory vysokým nákladům, aby byly předními, až se ekonomika robotiky změní.

Jakmile pokročí elektronika, sníží se náklady na komponenty a zlepší se efektivita výpočtů, robotika se nevyhnutelně stane dostupnější. A když k tomu dojde, výhodou budou společnosti, které již vybudovaly modely, shromáždily data a vytvořily nezbytnou technologickou infrastrukturu.

Představte si, že například nové regulace umožní rozsáhlé použití humanoidních robotů ve výrobě. Nebo že vlády začnou dotovat robotizaci průmyslu. V takovém scénáři by trh mohl dramaticky růst během pouhých několika let. A ti, kteří se připravili dopředu, kteří mají existující modely, výzkum, data a připravenou technologickou sadu, budou těmi, kteří budou nejvíce profitovat.

Proto pokračuje vývoj i nyní, navzdory skutečnosti, že ekonomika podnikání nemusí vypadat ideálně. Pro mnoho společností je to investice do budoucnosti – do okamžiku, kdy technologie budou dostupnější a poptávka prudce vzroste.

A v této soutěži, jako v mnoha technologických revolucích, často rozhoduje jeden faktor: kdo začal dříve. V tomto smyslu dnešní robotika silně připomíná rané fáze umělé inteligence. I tehdy existovaly více otázek než odpovědí. Přesto to byly týmy, které začaly pracovat s daty a infrastrukturou dříve než ostatní, které nakonec určily směr celého průmyslu.