Roboty uczą się uczyć. 75 mln dolarów dla Tutor Intelligence i ściana danych za fizyczną sztuczną inteligencją

Tutor Intelligence poinformował 2 listopada, że pozyskał 75 mln dolarów w rundzie Series B pod przewodnictwem Andreessen Horowitz. Celem jest rozbudowa potoku danych treningowych dla robotów przemysłowych firmy. Spółka z Watertown w Massachusetts powstała w 2021 roku jako spin-off MIT CSAIL. Stawia na model, w którym człowiek pozostaje w obiegu. Zdalni operatorzy, których firma nazywa „tutorami”, nadzorują floty podłączonych do internetu robotów wykonujących prawdziwą pracę. Dane z tej pracy trenują modele, dzięki którym maszyny z czasem radzą sobie coraz lepiej.

Pomysł jest prosty. Praca fizyczna wytwarza dane, a dane ulepszają roboty.

Według The Robot Report Tutor twierdzi, że dwa razy więcej jego robotów pracuje w niemal czterokrotnie większej liczbie zakładów niż rok wcześniej. Do końca 2027 roku firma spodziewa się ponad 1000 robotów w kontraktach, wszystkich zbudowanych i wdrożonych w USA, choć tutory mogą siedzieć za granicą. Blisko jedna trzecia organizacji, które w ostatnich 12 miesiącach dostały roboty Tutor, to dotychczasowi klienci instalujący kolejne jednostki. Klienci płacą za godzinę albo za podjęcie sztuki, nie kupują sprzętu. Ciężar wdrożenia i utrzymania bierze więc na siebie firma, a roboty pojawiają się w kosztach jako pozycja robocizny.

Dane są wąskim gardłem i pieniądze o tym wiedzą

Finansowanie wpada w tydzień pełen wieści o robotyce. Wspólny wątek to ekonomia danych i wdrożeń, a nie kolejne wideo z pokazu. Agility Robotics przeszła głosowanie akcjonariuszy 2 listopada, podał The Robot Report. Ponad 84% głosów oddanych na specjalnym zgromadzeniu Churchill Capital Corp XI poparło fuzję z SPAC. Transakcja ma się zamknąć 4 listopada, a obrót na Nasdaq pod tickerem AGLT ma ruszyć 5 listopada. Agility ma dostać około 465 mln dolarów kapitału brutto przed kosztami, mniej niż ponad 620 mln dolarów zakładanych przy ogłoszeniu fuzji w czerwcu. Pierwotna transakcja wyceniała Agility na 2,5 mld dolarów wartości kapitału własnego przed pozyskaniem środków.

Warto patrzeć na zasięg handlowy Agility. Roboty Digit pracują w 9 środowiskach klientów. Współpraca z GXO Logistics rozszerzyła się w październiku o dwa kolejne zakłady, w Statesville w Karolinie Północnej i w Lebanon w Tennessee, a wdrożenia mają ruszyć na początku 2027 roku z użyciem Digit 4. Agility twierdzi, że ma ponad 300 mln dolarów wieloletnich zamówień na Digit 5. To wartość wieloletnia, zależna od kamieni milowych w umowach, a nie bieżący przychód.

Obie firmy sprzedają tę samą lekcję: robot jest łatwą częścią, a aktywem są dane z eksploatacji.

Argument kosztowy za otwartymi wagami

Gartner podał 3 listopada ostrzejszą liczbę. W dokumencie „Open-Weight Models Will Run 90% of Enterprise Agentic Workflow Steps” starszy dyrektor Mark Petty i wiceprezes grupy Raymond Paquet napisali, że dziewięć na dziesięć kroków przepływu pracy agenta to rutyna. Modele z otwartymi wagami radzą sobie z nimi równie dobrze za jedną czwartą ceny najtańszego modelu zamkniętego, twierdzą autorzy. W porównaniu z modelem frontier uruchamianym na każdym kroku koszt spada do jednej dwudziestej. Przyznają, że modele otwarte bywają bardziej rozwlekłe i częściej powtarzają próby, więc realna oszczędność na zadanie jest bliższa pięciu, sześciu razom. Założenie planistyczne analityków: do 2030 roku 90% kroków operacyjnych przepływów agentowych w firmach wykona się na modelach z otwartymi wagami.

Dla robotyki ten argument ma znaczenie, bo ten sam podział pojawia się między modelem, który rozumuje, a modelem, który wykonuje pracę powtarzalną. Analitycy Gartnera ustawiają oszczędność jako bonus, a kontrolę jako sedno. Każdy rutynowy krok wysłany do API frontier wynosi kawałek historii twoich przepływów poza twój obwód.

Modele frontier też nie stoją w miejscu

Gemini 4 Carbon od Google, wydany w zeszłym tygodniu, prowadzi teraz w Intelligence Index V5 firmy Artificial Analysis z wynikiem 59, podał Tom's Hardware. To o punkt więcej niż Claude Opus 5.5 i o dwa niż GPT-6 Astra od OpenAI. Model prowadzi też w teście halucynacji i przypominania AA-Omniscience v1.1 tej firmy. Najlepszy wynik w skali od -100 do +100 to tylko 54, co dobrze pokazuje, jak daleko modelom jeszcze do spójnego odtwarzania faktów. Koszt zadania w Intelligence Index wynosi 7,76 dolara, nieco taniej niż Gemini 3.8 Flash i znacznie poniżej Claude Opus 5.5 lub Sonnet 5.5. Google daje cyberobrońcom pierwszy dostęp w ramach programu Fairwind.

Dla budowniczych robotów istotna jest cena, nie ranking. Model o punkt lepszy jest ciekawy. Model o kilka dolarów tańszy na zadanie zmienia to, na co cię stać w pętli.

Bezpieczeństwo przychodzi razem ze stosem treningowym

Wspomagane sztuczną inteligencją badanie podatności skraca też czas między znalezieniem luki a koniecznością jej załatania. VicOne znalazł 28 zgłoszeń zero-day w mniej niż dwa dni przy użyciu badań wspomaganych AI, napisał The Robot Report 1 listopada. Praca objęła oprogramowanie i narzędzia stojące za ekosystemem fizycznej AI, w tym projekty rozwijane lub utrzymywane przez Google, NVIDIA i Meta. Firma podała, że wstępna walidacja klasyfikuje wszystkie 28 jako podatności zero-day. Liczba może się zmienić po przeglądzie dostawców i instytucji zajmujących się podatnościami, a część zgłoszeń nie ma jeszcze numerów CVE.

Trzy czwarte zgłoszeń dotyczyło narzędzi do tworzenia, trenowania, symulacji lub walidacji. To ta część powinna niepokoić każdego, kto wysyła modele do fabryk. Przejęty model wstępnie wytrenowany potrafi zachowywać się normalnie w rutynowych testach. Po wdrożeniu może odpowiedzieć błędnie na konkretny obiekt, scenę albo polecenie. Przejęte środowisko symulacji może sprawić, że robot przejdzie testy, które powinien oblać. W żadnym z tych scenariuszy napastnik nie musi dotykać robota.

Badania podgryzają ten sam problem

Po stronie badań najnowsze prace biorą się za problem zmienności, a nie za architekturę modelu. Praca QUAL została zgłoszona do arXiv 30 października i przyjęta na NeurIPS 2026 Workshop on Foundation Models for Temporal Systems. Wykorzystuje pulę modeli bazowych dla szeregów czasowych jako odniesienie prawdopodobieństwa, żeby wyrównać kwantyle każdego członka przed ich połączeniem, bez etykiet i bez ponownego trenowania. Na GIFT-Eval autorzy raportują, że wyrównanie kwantyli obniża średnie MASE i CRPS członków o 7,4% i 9,8%. Framework pozostaje stabilny, gdy do puli wchodzą słabi prognostycy, których jakości nie da się z góry zweryfikować. Ta ostatnia właściwość jest praktyczna: w terenie rzadko wiadomo, który model jest dobry, dopóki nie zobaczy się wyników.

Osobno 67-stronicowa praca zgłoszona do arXiv 29 października przez Yudę Songa i dziewięciu współautorów stawia szerszą tezę. Wstępne trenowanie, trenowanie pośrednie, nadzorowane dostrajanie i uczenie ze wzmocnieniem można jej zdaniem wyrazić jako dopasowanie metodą największej wiarygodności do rozkładów docelowych generowanych przez model. To sprowadza etapowy cykl życia do jednego trenera, który miesza dane statyczne i generacje z uczenia ze wzmocnieniem. Teza obiecuje lepszy stosunek dokładności do kosztu obliczeń i szersze pokrycie zadań. Jeśli się utrzyma, będzie miała większe znaczenie dla krzywych kosztów niż dla czołowych benchmarków.

Nic z tego nie zamyka luki, na którą gra Tutor. Roboty wciąż uczą się z cienkiego zapisu w porównaniu z tekstami i obrazami, na których trenowano modele językowe. Firmy najbliżej hali fabrycznej płacą za budowanie tego zapisu ręcznie, sztuka po sztuce.