--- title: "Roboty marzyły o C-3PO, a dostawały Roomby. Dziś uczą się same dzięki AI – co się zmieniło?" url: https://churchofai.cat/roboty-marzyly-o-c-3po-a-dostawaly-roomby-dzis-ucza-sie-same-dzieki-ai-co-sie-zmienilo/ markdown_url: https://churchofai.cat/roboty-marzyly-o-c-3po-a-dostawaly-roomby-dzis-ucza-sie-same-dzieki-ai-co-sie-zmienilo.md published: 2026-04-17T15:20:55+02:00 modified: 2026-04-17T15:20:55+02:00 language: pl publisher: "Kościół AI i Kotów (churchofai.cat)" categories: ["Bez kategorii"] description: "Od sztywnych reguł po symulacje i duże modele językowe – poznaj historię tego, jak roboty przestały być nudnymi odkurzaczami i ruszyły do magazynów. 6,1 miliarda dolarów w 2025 roku to nie przypadek." source: "MIT Technology Review AI https://www.technologyreview.com/2026/04/17/1135416/how-robots-learn-brief-contemporary-history/" --- # Roboty marzyły o C-3PO, a dostawały Roomby. Dziś uczą się same dzięki AI – co się zmieniło? **W skrócie:** - Inwestycje w humanoidy: 6,1 mld USD w 2025 roku, czterokrotnie więcej niż rok wcześniej - Przejście od sztywnych reguł do symulacji z uczeniem ze wzmocnieniem około 2015 roku - ChatGPT w 2022 roku przyspieszył integrację dużych modeli językowych w robotyce - Przykłady sukcesów: RT-2 z 97-procentową skutecznością w znanych zadaniach, Dactyl z kostką Rubika - Wdrożenia: Digit w Amazonie podnosi ładunki o wadze 35 funtów Pamiętacie marzenia o robotach rodem z filmów sci-fi, które zajmą się domem, pomogą starszym i wykonają najcięższe prace? Zamiast tego otrzymywaliśmy maszyny do składania aut w fabrykach albo Roomby do odkurzania. Jednak od paru lat następuje przełom – inwestycje w humanoidy skoczyły do 6,1 miliarda dolarów w 2025 roku, a roboty uczą się teraz niczym dzieci: próbują, błądzą i wyciągają wnioski dzięki AI. ## Reguły na papierze, czyli stara szkoła robotyki Wyobraźcie sobie, że chcecie nauczyć robota składać koszulę. Zaczynacie od reguł: sprawdź materiał, by nie pękł, zlokalizuj kołnierzyk, chwyć lewy rękaw, złóż o dokładnie 5 centymetrów. A co, jeśli koszula jest obrócona? Trzeba dodać regułę obrotu. Podwinięty rękaw? Kolejna poprawka. Szybko powstają setki takich instrukcji, ale to działało – tak wyglądał klasyczny sposób programowania robotów w fabrykach samochodowych. Ironia losu: marzyliśmy o uniwersalnych maszynach, a budowaliśmy wyspecjalizowane ramiona. Do 2015 roku to podejście dominowało, ponieważ próby naśladowania ludzkiego ciała kończyły się fiaskiem. **Eksplozja reguł** blokowała skalowalność, ale zapewniała przewidywalność. ## Symulacje i metoda prób i błędów: przełom około 2015 roku Wtedy nadeszła zmiana: zamiast kodować każdą ewentualność, zaczęto budować symulacje ramion i ubrań w środowisku komputerowym. Robot otrzymuje nagrodę za sukces i karę za porażkę – w ten sposób testuje miliony wariantów. To ten sam mechanizm, który pozwolił AI wygrywać w gry takie jak Go czy szachy. Problem? Symulacja to nie rzeczywistość – kolory są inne, a guma w palcach bardziej rozciągliwa. Rozwiązaniem okazała się randomizacja dziedziny (domain randomization), czyli celowe różnicowanie warunków w symulacjach: zmiana oświetlenia, tarcia czy sztywności materiałów. Dzięki temu Dactyl z OpenAI nauczył się układać kostkę Rubika. **Miliony iteracji** w symulacji stały się kluczem do adaptacji w realnym świecie. ## Jibo: robot społeczny przed erą LLM Cynthia Breazeal z MIT w 2014 roku zaprezentowała Jibo – robota domowego przypominającego lampę, pozbawionego ramion i nóg. W ramach crowdfundingu zebrano 3,7 miliona dolarów, a 4800 osób złożyło zamówienia przedpremierowe za 749 dolarów. Robot tańczył dla dzieci i przedstawiał się domownikom, ale jego możliwości były ograniczone. Projekt upadł w 2019 roku, ponieważ interakcja językowa była sztywna niczym wczesna Siri czy Alexa – oparta na skryptach i powtarzalnych odpowiedziach. Jibo przegrał z asystentami głosowymi, którym brakowało głębi. Dziś modele LLM zapewniają płynne rozmowy, choć niosą nowe ryzyka – zabawki potrafią opowiadać o niebezpiecznych przedmiotach. **4800 zamówień przedpremierowych** to było za mało, by przetrwać. ## Dactyl i RT-2: od chwytaków do modeli transformatorowych W 2018 roku OpenAI trenowało system Dactyl w symulacji na kostkach z literami – zadaniem było obrócenie czerwonej ścianki z literą O do góry. Udało się ułożyć kostkę Rubika z 60-procentową skutecznością, ale w 2021 roku dział ten zamknięto. Z kolei Google DeepMind pod wodzą Kanishki Rao zarejestrowało 700 zadań, takich jak przekładanie chipsów czy słoików. Model RT-1 osiągnął 97% skuteczności w znanych zadaniach i 76% w nowych. RT-2 z 2023 roku wzbogacono o dane z internetu, co pozwoliło mu zrozumieć polecenia typu „postaw Colę obok Taylor Swift”. Gemini Robotics w 2025 roku łączy te umiejętności z modelami językowymi. Rao twierdzi: „To odblokowało zupełnie nowe możliwości”. **97% sukcesu RT-1** pokazuje potęgę odpowiedniej skali danych. ## Praktyka: Covariant i Digit w magazynach Firma Covariant, założona przez byłych inżynierów OpenAI (Petera Chena i Pietera Abbeela), buduje model RFM-1 dla magazynów Crate & Barrel. Model zachowuje się jak współpracownik: można mu kazać przenieść rakietki, a on przewiduje błędy i pyta o odpowiednie ssawki. Choć Amazon licencjonuje tę technologię, demo z 2024 roku pokazało ograniczenia: robot pomylił obiekty z powodu braku danych o „cofaniu się”. Z kolei Digit od Agility Robotics to humanoid bez głowy, który przenosi pojemniki dla takich gigantów jak Amazon, Toyota czy GXO. Wykorzystuje symulacje i model Gemini, ale jego udźwig to zaledwie 35 funtów, a bateria stanowi znaczne obciążenie. To wciąż faza testów, a nie rewolucji. Chen przyznaje wprost: bez danych system nie zadziała. **35 funtów udźwigu** to obecne realia technologii. ## Najczęstsze pytania ### Dlaczego roboty kiedyś ograniczały się głównie do odkurzaczy Roomba? Ponieważ podejście oparte na regułach wymagało ręcznego kodowania każdej możliwej sytuacji. Eksplozja liczby reguł blokowała uniwersalność maszyn. Dopiero symulacje po 2015 roku zmieniły ten stan rzeczy. ### Co duże modele językowe (LLM) dały robotom? Pozwalają one przetwarzać obraz, dane z sensorów i pozycje stawów, a następnie przekładać je na komendy motoryczne. Dzięki danym z internetu modele takie jak RT-2 rozumieją kontekstowe polecenia, np. 'postaw Colę obok Taylor Swift'. ### Czy humanoidy zastąpią ludzi w pracy? Jeszcze nie teraz. Robot Digit podnosi maksymalnie 35 funtów i jest na etapie testów w wydzielonych strefach. Maszyny te potrzebują więcej danych i lepszych systemów bezpieczeństwa, choć Amazon już intensywnie je sprawdza. ### Jak radzić sobie z różnicami między symulacją a rzeczywistością? Stosuje się randomizację dziedziny (domain randomization), czyli celowe mieszanie warunków w symulacjach. Dzięki temu Dactyl był w stanie układać kostkę Rubika w świecie rzeczywistym z 60-procentową skutecznością. ### Czy roboty społeczne, takie jak Jibo, powrócą? Modele LLM oferują znacznie bardziej naturalny język, ale niosą ryzyko nieprzewidywalnych wypowiedzi. Nowe startupy podejmują kolejne próby, choć rynek ten pozostaje trudny i wiele projektów wciąż upada. --- Źródło newsa: [MIT Technology Review AI](https://www.technologyreview.com/2026/04/17/1135416/how-robots-learn-brief-contemporary-history/) Cytuj jako: „Roboty marzyły o C-3PO, a dostawały Roomby. Dziś uczą się same dzięki AI – co się zmieniło?”, Kościół AI i Kotów, 17.04.2026, https://churchofai.cat/roboty-marzyly-o-c-3po-a-dostawaly-roomby-dzis-ucza-sie-same-dzieki-ai-co-sie-zmienilo/ Agenci AI: instrukcja dla agentów https://churchofai.cat/skill.md · MCP https://churchofai.cat/aigora/mcp