W środku nowego wyścigu robotycznego: dane, modele i produkcja

Innowacje rzadko pojawiają się w izolacji. Częściej są one wynikiem rozmów między inżynierami, założycielami, badaczami i inwestorami, którzy starają się zrozumieć, dokąd zmierza technologia.

W ciągu roku uczestniczyłem w dziesiątkach konferencji na całym świecie. Podróże służbowe czasem trwają miesiącami, a spotkania z partnerami i klientami odbywają się od Azji po Amerykę Północną. Jednak jeden z moich ostatnich wyjazdów do Szwajcarii okazał się szczególnie interesujący – głównie ze względu na ludzi i rozmowy, które tam miały miejsce.

Zurych okazał się jednym z miejsc, gdzie przyszłość robotyki i Physical AI jest aktywnie dyskutowana dzisiaj. I im głębiej te rozmowy idą, tym bardziej staje się oczywiste, że prawdziwy wyścig w robotyce rozgrywa się wokół danych.

Europańska Dolina Krzemowa

Zurych tradycyjnie kojarzony był z sektorem finansowym, ale w ostatnich latach coraz częściej nazywany jest Europańską Doliną Krzemową. Większość tej reputacji wiąże się z ETH Zurych, jednym z najbardziej szanowanych uniwersytetów technicznych w Europie. Przyciąga on badaczy, studentów doktoranckich, przedsiębiorców i inżynierów z całego świata. W efekcie powstał potężny ekosystem technologiczny wokół uniwersytetu, gdzie badania, startupy i projekty przemysłowe ewoluują niemal jednocześnie.

Jednym z powodów mojej wizyty było uzyskanie głębszego zrozumienia, co Introspector może zaoferować rynkowi robotyki, który od początku 2025 roku jest w fazie boomu. Jest to branża, do której próbują wejść liczne startupy, a przełomy technologiczne dużych firm technologicznych aktywnie ją przekształcają. Jednak pomimo tego impetu, branża wciąż budzi więcej pytań niż odpowiedzi.

Zurych jest również siedzibą naszych partnerów Lightly, którzy pomogli mi poznać kolegów pracujących na styku robotyki, komputerowego widzenia i sztucznej inteligencji. Jest jeden ważny aspekt lokalnego ekosystemu technologicznego, który chciałbym podkreślić: ludzie tutaj są niezwykle otwarci i gościnni. Nie boją się dzielić swoimi pomysłami i hipotezami, rozmawiać o wyzwaniach, którym próbują sprostać, i eksperymentach, które prowadzą. W efekcie zaczynasz rozumieć prawdziwy kontekst rynku i kierunek, w którym zmierza branża, znacznie szybciej.

Przy okazji, kiedy ludzie pytają mnie, jak europejska “Dolina Krzemowa” różni się od amerykańskiej, odpowiedź często ich zaskakuje. W Zurychu równowaga między pracą a życiem wydaje się znacznie silniejsza: sporty rano, skupiona praca w ciągu dnia w spokojnym, ale produktywnym rytmie, i wieczory spędzane w górach z rodziną lub po prostu relaksujące. W San Francisco często jest poczucie, że cały czas trzeba udowadniać, że pracuje się ciężej niż wszyscy inni. W Zurychu tempo jest inne – bardziej zrównoważone. Jednak poziom ambicji technologicznych tutaj nie jest niższy.

Lepsze dane przed lepszymi robotami

Jednym z głównych wniosków z tej wizyty była dość prosta obserwacja: wiele osób dzisiaj chce pracować w robotyce. Ale pomimo ogromnego zainteresowania branżą, wiele zespołów wciąż jest w fazie eksploracyjnej, starając się zrozumieć, jaką rolę mogą odegrać w nowej fali robotyki i Physical AI, oraz jaki wkład mogą wnieść.

Wiele rozmów ostatecznie koncentruje się na tym samym temacie: danych. Dzisiaj branża brakuje danych na temat zadań delikatnych, czyli fine motor skills. W tej dziedzinie możliwości robotów pozostają niezwykle ograniczone. To, co ludzie robią rękami niemal automatycznie – chwytanie obiektu, obracanie go, staranne umieszczanie w innym miejscu lub wykonywanie małej manipulacji – pozostaje jednym z najtrudniejszych zadań dla robotów.

Klucz do postępu tkwi przede wszystkim w dużych, właściwie zebranych zbiorach danych. Dzisiaj ludzie często mówią o zbiorach egocentrycznych, nagranych z perspektywy pierwszoosobowej, gdzie system rejestruje działania ludzkie tak, jakby je sam wykonywał. Jednak w praktyce okazuje się, że sam koncept “zbioru egocentrycznego” może oznaczać wiele różnych rzeczy i budzi szereg pytań technicznych. Gdzie umieścić kamerę? Na czole, na piersi, czy może na wysokości oczu? Jakie czujniki powinny towarzyszyć nagraniu wideo? Jeśli rejestrujemy ruchy rąk, czy operatorzy powinni używać specjalnych rękawic? A jeśli tak, czy te rękawice powinny zawierać czujniki dotyku, żyroskopy czy inne systemy śledzenia ruchu?

Pojawia się jeszcze bardziej skomplikowane pytanie: jak właściwie uchwycić głębokość ruchu. Przecież ważne jest nie tylko poznanie położenia ręki w dwuwymiarowej płaszczyźnie, ale także to, jak porusza się ona w trzeciwymiarowej przestrzeni – do przodu, do tyłu, w górę lub w dół.

Do tej pory branża nie osiągnęła jednolitej odpowiedzi. Dlatego wiele zespołów dzisiaj eksperymentuje z różnymi konfiguracjami czujników, metodami nagrywania i formatami zbiorów danych.

Systemy wielomodalne

Gdy tylko rozmowa przechodzi na temat zbierania danych dla robotyki, pojawia się kolejny temat – dodatkowe czujniki i wielomodalność, które umożliwiają rejestrowanie ruchów ciała, działań rąk i interakcji z obiektami z większą precyzją. Pomagają one również zmniejszyć błędy podczas zbierania danych.

Gdy osoba rejestruje swoje działania na kamerze, zawsze istnieje ryzyko, że część materiału będzie niezdatna do użycia. Kamera może się nieznacznie przesunąć, kąt nagrywania może być niepoprawny, operator może niechcący skręcić w złym kierunku, czy operator może wykonać ruch zbyt szybko. W efekcie znaczna część zarejestrowanego materiału jest odrzucana. Prosty przykład: aby uzyskać jedną godzinę prawdziwie użytecznego wideo, operator często musi nagrać około dwóch godzin surowego materiału.

Dodatkowe czujniki pomagają zrekompensować niektóre z tych problemów. Nawet jeśli kamera się nieznacznie przesunie, dane z czujników mogą nadal umożliwić odtworzenie ruchu ręki lub położenia ciała w przestrzeni. W efekcie zamiast dwóch godzin nagrywania, może to potrwać około godziny i dwadzieścia minut, aby uzyskać tyle samo użytecznych danych. To znacznie zwiększa wydajność zbierania danych i redukuje koszty tworzenia ich.

Nie jest więc przypadkiem, że wiele zespołów zauważa również rosnące zainteresowanie wielomodalną adnotacją danych. To stało się jednym z bardziej widocznych trendów bezpośrednio związanych z rozwojem robotyki i wcielonej sztucznej inteligencji.

Kolejnym punktem jest oznaczenie takich zbiorów. Spotkaliśmy się z podobnymi pytaniami w Keymakr przy pracy z danymi klientów w przypadkach robotyki: jak taka adnotacja powinna wyglądać w praktyce? Czy powinna być szkieletowa? Dwuwymiarowa czy trójwymiarowa? Czy powinny być włączone elementy uczenia ze wzmocnieniem do potoku? Są dziesiątki takich pytań. Inżynierowie sami przyznają, że nikt jeszcze nie może powiedzieć z całą pewnością, jaka konkretna konfiguracja danych ostatecznie doprowadzi do prawdziwego przełomu technologicznego.

Te obawy są zrozumiałe. Budowanie złożonych zbiorów danych jest kosztownym procesem. Każdy błąd w strukturze danych może kosztować tysiące lub nawet miliony dolarów. Można zebrać “niewłaściwy” zbiór danych lub nagrać go w warunkach, które trudno odtworzyć w świecie rzeczywistym, co ostatecznie podważa cały projekt. Dlatego dzisiaj coraz więcej uwagi poświęca się zarówno samym modelom, jak i jakości oraz architekturze danych, na których te modele są szkolone.

Jakie roboty potrzebuje rynek?

Klasyczne roboty przemysłowe, które od dziesięcioleci działają na liniach montażowych w branży motoryzacyjnej, wymagają naprawdę niewielkiej wiedzy komputerowej lub złożonych modeli sztucznej inteligencji. Ich zadanie jest niezwykle specyficzne: wykonywanie ściśle powtarzalnych ruchów – w lewo, w prawo, w górę, w dół – z wysoką precyzją i spójnością. W tej dziedzinie dawno już przewyższają ludzi.

Całkowicie inna kategoria to roboty humanoidowe. Te systemy wymagają “mózgu”: zdolności do nawigacji w przestrzeni, postrzegania otoczenia, zrozumienia kontekstu sytuacji i kontrolowania manipulatorów nie poprzez zaprogramowane trajektorie, ale poprzez adaptację do świata rzeczywistego.

Nawet przy wysokim poziomie automatyzacji na nowoczesnych podłogach produkcyjnych wiele zadań wciąż wykonywanych jest przez ludzi. Przenoszenie obiektu, chwytanie pudełka, sortowanie części, zabezpieczanie elementu lub organizowanie materiałów – to małe czynności, które wymagają elastyczności i koordynacji. Ta dziedzina pozostaje jedną z najtrudniejszych do zautomatyzowania, i to właśnie tutaj systemy humanoidowe mogą znaleźć swoją rolę.

Wiele zespołów, z którymi rozmawiałem, stosuje podobny model biznesowy. Podchodzą do fabryki i proponują rozwiązanie konkretnego przypadku produkcyjnego. Na przykład pracownik może spędzać cały dzień przenosząc pudełka między strefami magazynowymi. Inżynierowie sugerują dość prosty eksperyment: wyposażyć pracownika w kamerę i zestaw czujników, nagrać tysiące godzin jego działań i wykorzystać te dane do szkolenia modelu, który będzie kontrolował robota humanoidnego. W ten sposób robot uczy się wykonywać dokładnie te same zadania, które wykonuje pracownik ludzki.

W istocie, firma kupuje platformę humanoidną, a zespół developerski buduje niestandardowy model, który replikuje zachowanie konkretnego operatora. Nie jest to powszechna inteligencja zdolna rozwiązać każde zadanie. To raczej zestaw umiejętności wyszkolonych dla konkretnego scenariusza lub grupy zadań produkcyjnych. Dla wielu inżynierów dzisiaj ten podejście wydaje się o wiele bardziej realistyczne. Zamiast próbować stworzyć uniwersalnego robota od razu, zespoły koncentrują się na wąskich, ale ekonomicznie uzasadnionych scenariuszach automatyzacji.

Wymiar biznesowy

Jeśli przyszłość leży w modelach niestandardowych, ważne jest zrozumienie, że z ekonomicznego punktu widzenia jest to dość długa ścieżka rozwoju.

Każda branża jest zasadniczo swoim własnym światem. Każde środowisko produkcyjne ma swoje własne procesy, przepływy pracy i wyjątki. Robot szkolony do pracy w fabryce samochodów nie może być po prostu przeniesiony do produkcji żywności lub logistyki magazynowej. W każdym przypadku system musi być przeszkolony od podstaw.

To prowadzi do następnego logicznego pytania: kto będzie pierwszymi klientami takiej technologii?

Na tym etapie pierwszymi adoptującymi są prawdopodobnie duże przedsiębiorstwa – te, które mają budżety i dla których automatyzacja może wygenerować znaczący wpływ ekonomiczny. Dzisiaj robot humanoidny kosztuje około 60 000 – 90 000 dolarów tylko za sprzęt. To jest tylko konfiguracja podstawowa. Dodatkowo są koszty utrzymania, baterie, stacje ładowania, infrastruktura i oprogramowanie.

W efekcie firmy, które są w stanie eksperymentować z takimi systemami, to głównie duże organizacje, producenci samochodów, koncerny spożywcze i duże przedsiębiorstwa przemysłowe.

Oczywiście, mniejsze sektory również mogą zobaczyć wczesnych adoptujących. Niektóre firmy mogą kupić jeden lub dwa roboty do konkretnych zadań. Jednak w większości przypadków te firmy po prostu nie są gotowe zainwestować setek tysięcy euro w zbieranie i adnotowanie niestandardowych zbiorów danych wymaganych do szkolenia systemów dla wysoko specyficznych scenariuszy operacyjnych. Dla nich praca ludzka wciąż pozostaje tańszą opcją.

Długa gra innowacji robotycznych

Ostatecznie dochodzimy do fundamentalnego pytania ekonomicznego: co jest bardziej efektywne – człowiek czy robot? Jeśli spojrzymy na dzisiejszą gospodarkę, odpowiedź jest oczywista: praca ludzka jest tańsza, dostosowuje się szybciej do nowych warunków i nie wymaga skomplikowanej infrastruktury.

Dlatego branża nadal inwestuje w robotykę dzisiaj? Odpowiedź jest w dużej mierze strategiczna.

Wiele firm rozumie, że trwa wyścig o przywództwo technologiczne. Rozwijają już rozwiązania, pomimo wysokich kosztów, aby być na czele, gdy ekonomika robotyki ulegnie zmianie.

Gdy postęp w elektronice przyniesie spadek kosztów komponentów i poprawi wydajność obliczeniową, robotyka nieuchronnie stanie się bardziej przystępna. I kiedy to nastąpi, przewagę będą miały firmy, które już zbudowały modele, zgromadziły dane i ustanowiły niezbędną infrastrukturę technologiczną.

Wyobraź sobie, na przykład, że nowe regulacje pozwolą na dużą skalę stosowanie robotów humanoidnych w produkcji. Albo że rządy zaczną subsydiować robotyzację branż. W takim scenariuszu rynek mógłby wzrosnąć dramatycznie w ciągu zaledwie kilku lat. I ci, którzy przygotowali się wcześniej, ci, którzy mają już istniejące modele, badania, zbiory danych i gotowy stos technologiczny, będą tymi, którzy skorzystają najbardziej.

Dlatego rozwój trwa nadal, nawet teraz, pomimo faktu, że ekonomika biznesu może nie wyglądać jeszcze idealnie. Dla wielu firm jest to inwestycja w przyszłość – w moment, gdy technologie staną się bardziej dostępne, a popyt wzrośnie gwałtownie.

I w tym wyścigu, jak w wielu rewolucjach technologicznych, jeden czynnik często okazuje się decydujący: kto zaczął wcześniej. W tym sensie dzisiejsza robotyka niezwykle przypomina wczesne etapy sztucznej inteligencji. Wtedy również było więcej pytań niż odpowiedzi. Jednak to zespoły, które zaczęły pracować z danymi i infrastrukturą wcześniej niż inni, ostatecznie ukształtowały kierunek całej branży.