Innodata otwiera laboratorium motion capture, gdy hype na humanoidy zderza się z fabrykami

Innodata Inc. poinformowała 30 września, że otworzyła laboratorium do rejestrowania danych ruchowych. Mają one posłużyć do trenowania kolejnej generacji robotów podobnych do ludzi oraz do niezależnej weryfikacji wyników, jakie te roboty generują u siebie. Firma inżynierii danych z Ridgefield Park w New Jersey, założona w 1988 roku, przedstawia obiekt jako odpowiedź na niedobór, który stał się głównym ograniczeniem całej branży.

„Physical AI rośnie szybciej niż każdy inny segment AI, ale każdy zespół robotyczny trafia na tę samą ścianę: danych z realnych interakcji jest za mało, a te, które są, powstają drogo i wolno” powiedział Rahul Singhal, dyrektor generalny Innodaty, w oświadczeniu cytowanym przez The Robot Report. Franklin Tanner, wiceprezes firmy ds. robotyki i physical AI, powiedział temu samemu portalowi, że „physical AI musi zapracować na swoje tokeny jedna interakcja po drugiej i muszą to być interakcje celowe”.

Oferta jest wąska i techniczna. Inni dostawcy danych wnioskują o ruchu 3D, analizując wideo 2D. Innodata twierdzi, że rejestruje dane 3D bezpośrednio z ciał, ludzkich albo mechanicznych, a jej czujniki wychwytują ruch każdego stawu. Tanner przekonuje, że dokładność ma znaczenie, bo humanoid może ważyć prawie 200 funtów (90,7 kg), więc odczyty „nie mogą być mniej więcej”.

Problem z danymi to problem z wdrożeniem

Laboratorium Innodaty rusza w tygodniu pełnym zapewnień o tempie, w jakim roboty wchodzą do fabryk, i sceptycyzmu co do tego, ile z tego jest prawdą. Tego samego dnia spółka-matka The Robot Report, Arrowfly, uruchomiła AI for Engineers, platformę, konferencję i radę doradczą dla inżynierów stosujących AI w projektowaniu produktów, produkcji i robotyce. Arrowfly twierdzi, że jej sieć inżynierska dociera do 2,1 miliona zweryfikowanych czytelników branżowych w ponad 20 markach i że 30 000 specjalistów inżynieryjnych zajmowało się już tematami AI w jej portfolio. Konferencja, zaplanowana na 20–22 września 2027 roku w Henderson w Nevadzie, ma zgromadzić 700 inżynierów w pięciu ścieżkach, w tym robotyce i operacjach przemysłowych. Amanda Buehner, starsza wiceprezes ds. sprzedaży i strategii w dywizji inżynierskiej Arrowfly, powiedziała, że wyzwanie, o którym mówią liderzy inżynierii, to nie to, czy wdrażać AI, ale „jak przejść od eksperymentowania do praktycznych, powtarzalnych zastosowań, które dają wyniki”.

Po stronie modeli startup MindOn opublikował 30 września tekst techniczny, w którym twierdzi, że jego nowy model physical AI, Mind-1, skraca opóźnienie wnioskowania robota z 82 ms do 32 ms. Firma przekonuje, że o wejściu robotów do realnych procesów decyduje szybkość, nie tylko możliwości. Przy prędkości efektora 3 metry na sekundę 10 ms opóźnienia odpowiada mniej więcej 3 cm ruchu, co wystarczy, żeby zaburzyć precyzyjne chwytanie i wkładanie. MindOn wskazuje też na problem z danymi treningowymi, który brzmi podobnie jak ten Innodaty. Wiele danych o manipulacji pochodzi z teleoperacji, wolniejszej niż naturalny ruch człowieka, a modele uczą się tempa pokazów razem z zadaniem. Wolne pokazy, twierdzi firma, dają zachowawcze polityki.

Benchmarki ukrywają nierówny obraz

Niezależna ocena opublikowana 30 września komplikuje każdą opowieść o postępie opartą na jednej liczbie. Badacze z Fig Inc. ocenili modele frontier, w tym Astra i Opus 5.5, w automatyzacji sieciowej i czterech domenach fizycznych: Bench2Drive, VLABench, IndEgo i Assembly101. Ich wniosek, ogłoszony razem ze zbiorem danych RIDGE: w każdej testowanej parze modeli słabszy model rozwiązał co najmniej jedno zadanie, którego nie rozwiązał model lepszy.

Aktualizacje modeli zmieniały te profile, nie ruszając średnich. Aktualizacja w obrębie jednej rodziny modeli zostawiła średnią prawie bez zmian, choć wiele pojedynczych zadań się odwróciło. Inna aktualizacja podniosła średnią, a i tak straciła zadania rozwiązywane przez starszy model. Ta sama nierówność pojawiła się w domenach fizycznych. Modele bijące Gemini 3.5-Flash w każdej średniej domenowej wypadały gorzej w niektórych kategoriach zadań. Dla fabryk ma to znaczenie, bo decyzje o wdrożeniu opierają się na wynikach benchmarków. Jeśli odsetek sukcesów waha się mocno w obrębie jednej raportowanej liczby, robot, który wygląda na niezawodny średnio, może zawieść na konkretnym zadaniu, którego linia potrzebuje.

Europa finansuje warstwę percepcji

Pieniądze nadal płyną do firm atakujących lukę w percepcji i sterowaniu, a nie do samych humanoidów. Paryska Inbolt pozyskała 11 milionów euro, doniósł 30 września Tech.eu, w rundzie prowadzonej przez Shift4Good z udziałem Bridges Climate Transition Partners oraz dotychczasowych inwestorów BNP Paribas Développement i Ora Global. Łączne finansowanie sięga teraz 30 milionów euro. Inbolt, założona w 2019 roku przez Rudy'ego Cohena, Albane Dersy i Louisa Dumasa, łączy wizję 3D z niezależną od sprzętu warstwą oprogramowania AI. Pozwala ona robotom korygować pętle sterowania w czasie rzeczywistym, na nowych i istniejących liniach produkcyjnych. Tech.eu podaje, że system działa na ponad 200 robotach w ponad 100 fabrykach na trzech kontynentach, a wśród klientów są Bosch, Beko, Flex, Ford, Stellantis i Toyota.

Firma celuje w przyziemny tryb awarii: przesunięte części albo zużyte narzędzia, które zatrzymują roboty, generują błędy lub produkują wadliwe elementy. To przestój, nie problem z demonstracją.

Łańcuch dostaw Tesli w fotowoltaice i zamówienie na Robotaxi, które nim nie jest

Nie każda historia z tego tygodnia dotycząca robotów jest o robotach. Planowana fabryka fotowoltaiki Tesli w Teksasie została wciągnięta w amerykański spór patentowy między dwoma chińskimi producentami sprzętu, doniósł 30 września Electrek. Linton Crystal Technologies, spółka z Rochester w Nowym Jorku w całości należąca do chińskiego Dalian Linton, pozwała Zhejiang Jingsheng w Eastern District of Texas, Marshall Division, 22 września. Powołuje się na dwa patenty obejmujące system podnoszenia i obracania zarodka w piecach do wyciągania kryształów metodą Czochralskiego. Jingsheng, notowana w Shenzhen, poinformowała inwestorów o pozwie 24 września. Twierdzi, że jej produkty stosują „rozwiązania techniczne całkowicie odmienne” od opatentowanych, że nie doręczono jej formalnie pozwu i że nie spodziewa się istotnych skutków. Linton domaga się odszkodowania, potrójnego odszkodowania za umyślne naruszenie i stałego zakazu. Chińskie doniesienia branżowe mówią, że Jingsheng zdobyła zamówienie Tesli na piece do wyciągania kryształów o wartości około 3 miliardów juanów, czyli około 420 milionów dolarów. Tesla nie jest stroną pozwu i ani Tesla, ani Jingsheng nie potwierdziły zamówienia.

Piec do wyciągania sztab jest pierwszym ogniwem łańcucha Tesli. W sierpniu, zauważa Electrek, Tesla złożyła wniosek o fabrykę „Project Crystal Sun” za 10,1 miliarda dolarów w hrabstwie Fort Bend. Obejmuje ona cały proces od wzrostu sztab po gotowe moduły, z produkcją planowaną na początek 2029 roku. Bez pieców, pisze portal, nie ma płytek, nie ma ogniw.

Osobno handel wokół Robotaxi dał podręcznikowy przykład, jak cienkie bywają niektóre ogłoszenia o automatyzacji. KIDZ AI, dawniej internetowa szkoła programowania Classover Holdings, ogłosiła 30 września, że wysłała Tesli „zapytanie zakupowe” na 500 Robotaxi. Electrek wskazuje, co sam komunikat przyznaje: zapytanie „nie stanowi wiążącego zamówienia”, plan jest na wstępnym etapie, a firma „może zdecydować, że nie będzie kontynuować”. KIDZ AI podała 8,88 miliona dolarów w gotówce i gotówce ograniczonej na koniec czerwca. Wyniki za drugi kwartał 2026 roku pokazały przychody z usług niższe o 34 procent rok do roku, do 0,48 miliona dolarów, i 2,5 miliona dolarów straty kwartalnej. Electrek wylicza, że 500 Cybercabów, nawet przy deklarowanym przez Elona Muska celu „poniżej 30 000 dolarów”, kosztowałoby około 15 milionów dolarów, czyli mniej więcej sześć razy więcej niż wartość rynkowa spółki. Akcje spadły po otwarciu o około 6 procent, po wzroście o około 10 procent przed sesją.

Co 30 000 robotycznych psów mówi o wysyłce

Najbardziej osadzona w rzeczywistości relacja z tego tygodnia nie przyszła z laboratorium ani z dokumentu urzędowego, ale od konstruktora. Rongzhong Li, który zbudował prototyp OpenCat w akademiku dziesięć lat temu, napisał na Hackster, że od kampanii Nybble w 2018 roku jego firma wysłała ponad 30 000 czworonogów, a jego trzeci produkt, Quaddle, jest na Kickstarterze od 99 dolarów.

Liczby Li są najmniej efektowne w tym zestawie i prawdopodobnie najbardziej użyteczne. Pierwszy prototyp OpenCat miał 14 stopni swobody, listę materiałów wartą około 300 dolarów i koszt mierzony czasem, nie częściami. Li zauważa, że najlepiej „dostarczanymi” produktami w robotyce ostatnich lat były filmy, a narzekania, że roboty tylko tańczą albo szybko biegają, mijają się z punktem: spektakl od dawna jest częścią tej pracy. Jego otwarte pytanie, nierozstrzygnięte od dekady, nie dotyczy siłowników ani opóźnienia wnioskowania. Dotyczy tego, czy konstruktor może zbudować robota i uczynić tę pracę na tyle sensowną, żeby inni chcieli ją podtrzymywać. To pytanie nie pojawia się w żadnym benchmarku.