Przejdź do treści
Czas na świecieEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portal o AI i technologiiwydarzenia · analizy · wywiady · tło techniczne

Szukaj
NA ŻYWO
›

Producenci robotów gonią ludzką prędkość. Innodata otwiera laboratorium motion capture

Innodata otworzyła 30 września laboratorium motion capture, żeby produkować dane treningowe dla robotów humanoidalnych i przemysłowych. Firma twierdzi, że bezpośredni zapis 3D jest lepszy od wnioskowania ruchu z wideo 2D. Tego samego dnia MindOn podał, że model Mind-1 skrócił opóźnienie wnioskowania robota z 82 ms do 32 ms.

TechnologiaAnalizaMarta ZielińskaOpublikowano: 30 września 20267 min czytaniaŹródła 9
Producenci robotów gonią ludzką prędkość. Innodata otwiera laboratorium motion capture

Innodata otworzyła 30 września laboratorium motion capture. Firma zapowiada, że będzie produkować dane treningowe dla robotów humanoidalnych i przemysłowych oraz niezależnie weryfikować wyniki, które roboty raportują o sobie same. Spółka z Ridgefield Park w New Jersey, założona w 1988 roku, twierdzi, że rejestruje dane 3D bezpośrednio z ciał, ludzkich i mechanicznych, zamiast wnioskować ruch z analizy wideo 2D.

Jak podaje The Robot Report, obiekt ma służyć zespołom, które trafiły na to, co Innodata nazywa ścianą danych.

„Nie ma żadnego zamiennika dla bezpośredniego przechwytywania ruchu w 3D” – powiedział The Robot Report Franklin Tanner, wiceprezes Innodaty ds. robotyki i fizycznej AI. Dodał, że czujniki mają rejestrować najdrobniejszy ruch każdego stawu, a przy trenowaniu humanoida ważącego prawie 200 lb (90,7 kg) odczyty „nie mogą być mniej więcej”. Tanner podał przykład robota podnoszącego kubek: chwyt za uchwyt jest normalny, chwyt za dno nie jest błędem, dopóki w kubku nie ma gorącego płynu. Kontekstu, mówił, nie zawsze da się znaleźć w istniejących zbiorach danych.

Problem z danymi nie dotyczy tylko ich ilości. Tanner opisał fizyczną AI jako coś, co musi „zarabiać swoje tokeny w jednej interakcji na raz”. Innodata twierdzi, że produkuje dane treningowe dla humanoidów, sprzętu teleoperowanego, systemów noszonych, zestawów czujników, chwytaków Universal Manipulator Interface i innych multimodalnych układów przechwytywania, a dane mogą zasilać cyfrowe bliźniaki dla przypadków brzegowych. Laboratorium prowadzi też niezależną weryfikację, co ma znaczenie, gdy dostawcy publikują wyniki, których kupujący nie mogą łatwo sprawdzić.

Prędkość staje się kolejnym polem walki

Tego samego dnia MindOn przedstawił Mind-1, model fizycznej AI, który według firmy pozwala robotom wykonywać zadania z ludzką prędkością w logistyce i codziennym otoczeniu, a część zadań kończy szybciej niż człowiek. Spółka opublikowała dane o opóźnieniach: wnioskowanie skrócone z 82 ms do 32 ms. Argument inżynierski jest konkretny. Przy prędkości efektora 3 m/s opóźnienie 10 ms odpowiada mniej więcej 3 cm ruchu, czyli tyle, ile wystarczy do zakłócenia precyzyjnego chwytu, wkładania albo manipulacji wymagającej kontaktu.

MindOn zwraca też uwagę na same dane treningowe. Duża część danych o manipulacji robotami pochodzi z teleoperacji, która często jest wolniejsza od naturalnego ruchu człowieka, więc modele uczą się tempa pokazów razem z zadaniem. Robot, który wykonuje zadanie pięć albo dziesięć razy wolniej niż człowiek, pozostaje trudny do wdrożenia w realnych procesach, przekonuje firma. To zmiana akcentu: z pytania, czy robot potrafi wykonać zadanie, na pytanie, czy zrobi to w czasie cyklu, jakiego potrzebuje magazyn albo fabryka.

Te komercyjne deklaracje zostaną sprawdzone niezależnymi pomiarami. Fig Inc. opublikowała 30 września ocenę w pięciu dziedzinach, m.in. Bench2Drive, VLABench, IndEgo i Assembly101, i opisała wyniki jako nierówne: w każdej badanej parze modeli słabszy model rozwiązał zadania, które mocniejszy oblał. Najlepszy model zmieniał się w zależności od strony i od etykiet trudności samego testu, a aktualizacja modelu mogła prawie nie zmienić średniej, choć wiele pojedynczych zadań przechodziło na drugą stronę. Fig udostępniła wyniki na poziomie zadań pod nazwą RIDGE.

Ma to znaczenie dla każdego, kto kupuje robota na podstawie liczby z testu. Zdaniem autorów średnia z nagłówka ukrywa, jak bardzo skuteczność różni się między zadaniami, a kategoria zadań, na której model pracuje, wpływa na niezawodność mniej więcej tak samo jak wybór modelu. W fabryce liczy się awaria na własnej linii, nie ta uśredniona.

Startupy sprzedają warstwę, nie ciało

Destro wyszło z ukrycia 30 września z rundą seed o wartości 8 milionów dolarów i nietypową propozycją: to nie jest firma robotyczna. TechCrunch podał, że startup zbudował warstwę AI, która kieruje także ludźmi, i prowadzi pilotaż w zakładzie Yusen Logistics w regionie Pacific Northwest z trzema robotami do przewożenia wózków od Miva Robotics, sterowanymi przez system Vision Destro oparty na otwartych modelach vision-language-action. Richard Brunelle, dyrektor ds. automatyzacji w amerykańskiej grupie logistycznej Yusen, powiedział TechCrunchowi, że poprosił Destro o dostosowanie narzędzia do kompletacji i pakowania na potrzeby cross-dockingu, gdzie towary przechodzą z jednej ciężarówki do mieszanych ładunków dla innych.

„Wiele firm robotycznych zaczynało od inżynierów robotyki pytających, jakie fajne rzeczy mogę zrobić?” – powiedział TechCrunchowi założyciel Destro Manthan Pawar. „Jednym z największych powodów, dla których wygrywamy z firmami robotycznymi, jest to, że nie jesteśmy firmą robotyczną”.

Inbolt, paryska firma robotyki przemysłowej założona w 2019 roku, pozyskała 30 września 11 milionów euro na ekspansję zagraniczną i wejście do produkcji centrów danych i elektroniki, podał Tech.eu. Rundę poprowadził Shift4Good z Bridges Climate Transition Partners i dotychczasowymi inwestorami BNP Paribas Développement i Ora Global, co daje łącznie 30 milionów euro finansowania. Inbolt łączy wizję 3D z niezależną od sprzętu warstwą oprogramowania AI, która dostraja pętle sterowania robotem w czasie rzeczywistym. Firma twierdzi, że jej system działa na ponad 200 robotach w ponad 100 fabrykach na trzech kontynentach, a wśród klientów ma Boscha, Beko, Flexa, Forda, Stellantis i Toyotę.

Obie firmy sprzedają tę samą obserwację: sprzęt staje się towarem, a trudna część polega na tym, żeby zainstalowana baza znosiła zmienność, przesunięte części i zużycie narzędzi bez zatrzymywania linii.

Baza przemysłowa wciąż jest sednem

Najwyraźniejszy kontrapunkt dla humanoidalnej gorączki tkwi w starszej zainstalowanej bazie. Linton Crystal Technologies pozwała Zhejiang Jingsheng w Sądzie Okręgowym USA dla Wschodniego Okręgu Teksasu, Wydział Marshall, 22 września, powołując się na dwa patenty obejmujące system podnoszenia i obracania zarodka w piecach do ciągnięcia kryształów metodą Czochralskiego, podał Electrek. Jingsheng, notowany w Shenzhen i wyceniany na około 53 miliardów juanów, poinformował inwestorów o pozwie 24 września. Firma oświadczyła, że jej produkty stosują „całkowicie inne rozwiązania techniczne” niż patenty, że nie doręczono jej formalnie pozwu i że nie spodziewa się istotnych skutków. Linton żąda odszkodowania, potrójnego odszkodowania za umyślne naruszenie i stałego zakazu.

Sprawa dotyka planowanej fabryki ogniw słonecznych Tesli w Teksasie, bo piece do ciągnięcia kryształów są pierwszym krokiem produkcji wafli. Chińska prasa branżowa podawała, że Jingsheng zdobył w tym roku zamówienie Tesli o wartości około 3 miliardów juanów (około 420 milionów dolarów) na piece do ciągnięcia kryształów. Prasa opisała też harmonogram: przetarg Tesli zamknięto w lutym, umowy podpisano w marcu, wysyłki ruszyły w kwietniu, a pełna dostawa była planowana na trzeci kwartał. Ani Tesla, ani Jingsheng nie potwierdziły zamówienia, a Tesla nie jest stroną pozwu. Electrek zauważył też, że przychody Jingsheng spadły w pierwszej połowie 2026 roku o około 40% rok do roku, a Dalian Linton zanotował w tym samym okresie niewielką stratę, bo nadpodaż w chińskiej produkcji ogniw słonecznych zdusiła zamówienia na sprzęt.

Inny rodzaj konfrontacji z rzeczywistością przyniosła KIDZ AI, notowana na Nasdaq spółka warta około 2,4 miliona dolarów, która 30 września ogłosiła, że wysłała Tesli zapytanie ofertowe na 500 Robotaxi. Electrek podał, że firma, wcześniej internetowa szkoła programowania Classover Holdings, zastrzegła, że zapytanie nie jest wiążącym zamówieniem, a plan jest na wstępnym etapie. Jej wyniki za drugi kwartał 2026 roku pokazały przychody z usług niższe o 34% rok do roku, do 0,48 miliona dolarów, i 2,5 miliona dolarów straty kwartalnej. Akcje wzrosły o około 10% w handlu przedsesyjnym i spadły o około 6% po otwarciu, a w ciągu ostatniego roku straciły około 99,97%.

W tej samej porcji doniesień z 30 września wydawca The Robot Report, Arrowfly, uruchomił AI for Engineers, platformę z redakcją newsową, doroczną konferencją zaplanowaną na 20–22 września 2027 roku w Henderson w Nevadzie, własnymi badaniami i radą doradczą. Jest skierowana do inżynierów stosujących AI w projektowaniu produktów, produkcji, robotyce, technologiach medycznych i energetyce, a przekaz dotyczy przejścia od eksperymentów do powtarzalnych zastosowań, nie konkretnego robota. Rongzhong Li, który od kampanii Nybble w 2018 roku dostarczył ponad 30 000 robotów czworonożnych, napisał na Hacksterze, że najlepiej sprzedającymi się produktami w robotyce w ostatnich latach były filmy, a każde wcielenie w końcu znajduje ścieżkę najbliższą temu, co robi najlepiej. Fabryka humanoidów będzie oceniana tak samo.

Komentarze 0

Źródła

9
  1. 01Innodata opens motion-capture lab to help humanoids move more like peopleEN
  2. 02Mind-1: Cutting robot inference latency from 82ms to 32msEN
  3. 03How Do Astra and Opus 5.5 Perform on Robotics and Web TasksEN
  4. 04Destro AI's secret sauce is getting robots and humans on the same pageEN
  5. 05Inbolt raises €11M to bring real-time vision and intelligence to industrial robotsEN
  6. 06Tesla's solar factory dragged into patent war between Chinese suppliersEN
  7. 07Tesla Robotaxi fleets are the new crypto treasury for zombie companiesEN
  8. 08The Robot Report parent Arrowfly launches AI for Engineers platform, events for engineers navigating AIEN
  9. 09What 30k robot dogs taught me about degrees of freedom, shipping a real productEN

Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.

Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.

Marta Zielińska

Marta Zielińska

AI, modele i technologie

Marta Zielińska pisze o technologiach, AI i modelach oraz mediach i internecie, opierając się na dokumentacji, preprintach i danych z API, a nie na zapowiedziach producentów. Przy każdej publikacji sprawdza karty modeli, parametry treningowe i benchmarki, a liczby porównuje z niezależnymi testami i wynikami z repozytoriów. Rozmawia z badaczami i inżynierami, czeka na kolejne wydania modeli i zestawia ich działanie z wcześniejszymi wersjami. Prywatnie drukuje w 3D, naprawia stare komputery i sprawdza, jak modele uczą się na śmieciach z internetu. Nie publikuje wyników, których nie może odtworzyć na własnym sprzęcie.

Redakcja →

Komentarze

0
  1. Brak komentarzy — bądź pierwszy.

Dodaj komentarz

Komentarze są widoczne publicznie. Nie publikujemy wulgaryzmów, spamu i treści reklamowych.