Jak ztělesněná umělá inteligence v roce 2026 mění humanoidní robotiku nové generace

Nejdůležitější změnou v humanoidní robotice v roce 2026 není to, že by se roboti náhle stali „lidskými“. Jde o to, že se stack umělé inteligence stává integrovanějším: vnímání, jazyk, prostorové uvažování, pohyb, obratná manipulace, sledování pokroku a zotavení se stále častěji trénují tak, aby fungovaly společně, místo aby byly vytvářeny jako izolované moduly.

Užitečný příklad se objevil 30. července 2026, kdy společnost Google DeepMind představila robota Gemini Robotics 2. Společnost popsala systém vidění, řeči a akce, který dokáže ovládat celé humanoidní tělo – od chůze a dřepění až po natahování a manipulaci s objekty – a spárovala jej s modelem ztělesněného uvažování na vyšší úrovni pro vícekrokové úkoly. DeepMind také publikoval výsledky na úrovni úkolů, místo aby tvrdil univerzální kompetenci: na jednom humanoidním nastavení Apollo byla hlášena míra úspěšnosti 68,4 % při vyzvednutí předmětu ze stolu, 45,7 % ze země a 76,3 % z police. Tato čísla jsou slibná, ale také zviditelňují současné omezení: schopnosti se zlepšují rychleji než spolehlivost.

Pro čtenáře hodnotící daný obor je toto rozlišení důležité. Správná otázka už nezní: „Dokáže to humanoid udělat jednou?“, ale: „Dokáže úkol provést opakovaně, za měnících se podmínek, zotavit se, když se něco pokazí, a zůstat v bezpečí v blízkosti lidí?“ To je standard, který odděluje přesvědčivou demonstraci od systému, který se blíží užitečnému nasazení. Viz oznámení a hlášené benchmarky Google DeepMind Gemini Robotics 2 .

Co ztělesněná umělá inteligence skutečně mění

Vtělená umělá inteligence (AI) je umělá inteligence, která musí vnímat a jednat skrze fyzické tělo. Pro humanoida toto tělo klade omezení, kterým textový model nečelí: gravitace, tření, latence, omezená kapacita baterie, limity kloubů, nejistý kontakt, pohybující se osoby, zakryté objekty a možnost způsobení fyzické újmy.

Dřívější robotické systémy tyto problémy často rozdělovaly do pečlivě navržených modulů. Vnímací zásobník detekoval objekty, plánovač volil cestu, řídicí jednotka prováděla pohyb a každý úkol byl vyladěn pro úzké prostředí. Moderní ztělesněná umělá inteligence stále častěji využívá základní modely – zejména modely vidění-jazyk-akce neboli VLA – k přímému propojení vizuálních pozorování a jazykových instrukcí s akcemi, zatímco modely vyšší úrovně uvažují o cílech a pokroku v úkolu.

Práce Google DeepMind s názvem Gemini Robotics z roku 2025 explicitně přidala fyzické akce jako výstupní modalitu do multimodálního modelu, zatímco její model ztělesněného uvažování se zaměřil na prostorové chápání a mohl by se propojit s konvenčními nízkoúrovňovými řídicími jednotkami. Toto oddělení je důležité: naučená inteligence může rozšířit to, čemu robot rozumí, zatímco deterministické nebo certifikované řídicí vrstvy mohou stále vynucovat omezení kolizí, síly a stability. Původní architektura je popsána v technickém přehledu Gemini Robotics od Google DeepMind .

Jak vypadá „dobré“: Měřte výsledky, ne atraktivitu pro demonstraci

Neexistuje jediný měřítkový ukazatel, který by prokázal, že humanoid je obecně inteligentní. Nejinformativnější hodnocení kombinuje několik signálů. Silný systém by neměl uspět pouze jednou; měl by se elegantně degradovat, když se změní prostředí, a zviditelnit své selhání.

Praktickým krokem pro každého, kdo porovnává humanoidní systémy, je požádat o rozdělení, nikoli o hlavní body: míru úspěšnosti při opakovaných pokusech, co se změnilo mezi tréninkovými a testovacími podmínkami, průměrnou dobu úkolu, frekvenci zásahů a nejčastější režimy selhání. Pokud tyto odpovědi nejsou k dispozici, považujte výsledek spíše za důkaz existence než za důkaz připravenosti k nasazení.

Proč jsou modely Foundation důležitější pro humanoidy než pro stacionární roboty

Humanoidní roboti mají potenciálně užitečnou výhodu: jejich kamery, ruce, paže, trup a pohyb připomínají úhel pohledu a akční prostor v lidském prostředí. Díky tomu jsou lidské demonstrace, internetové video, teleoperace, simulace a datové sady mezi roboty potenciálně cennými zdroji pro školení.

Projekt Open X-Embodiment pomohl stanovit tento směr agregací dat z 22 provedení robotů a demonstrací, že univerzální politika by mohla těžit ze zkušeností shromážděných s jinými roboty. Jeho původní datová sada zahrnovala 527 dovedností a více než 160 000 úkolů. Důležitou myšlenkou nebylo, aby jeden model řešil robotiku, ale aby se robotické učení mohlo začít škálovat prostřednictvím sdílených, heterogenních zkušeností, spíše než jedné politiky na úkol a na stroj. Článek je k dispozici ve výzkumné publikaci Open X-Embodiment .

Společnost NVIDIA prosazovala podobnou škálovací strategii pro humanoidy prostřednictvím Isaaca GR00T. V roce 2026 GR00T N1.7 kombinoval uvažování o vizuální řeči s generováním akcí a komplexním vývojovým pracovním postupem zahrnujícím sběr dat, simulaci, následné trénování, vyhodnocení a nasazení. NVIDIA uvádí, že model byl předtrénován na desítkách tisíc hodin reálných a simulovaných dat a podporuje komerční využití pod otevřenou licencí. Praktický význam spočívá v tom, že robotický tým může začít s obecným modelem a specializovat se na něj, místo aby trénoval každé chování od nuly. Viz komplexní pracovní postup GR00T pro humanoidy od společnosti NVIDIA .

Krok vpřed v roce 2026: Inteligence celého těla

Po léta se mnoho působivých výsledků v oblasti robotického učení zaměřovalo na manipulaci se stolem, protože to izoluje jeden z nejtěžších problémů: přimět ruce a paže k interakci s nepředvídatelnými objekty. Humanoidi musí přidat lokomoci a rovnováhu, aniž by obětovali kvalitu manipulace.

Gemini Robotics 2 je pozoruhodný, protože DeepMind hlásí přechod od úkolů prováděných horní částí těla k ovládání celého těla na platformě Apollo od Apptroniku. V příkladech této společnosti dokáže model interpretovat cíl, dojít k objektu, v případě potřeby se ohnout nebo dřepnout, uchopit ho, přesunout se na jiné místo a umístit ho. Související model ztělesněného uvažování sleduje vícekrokové úkoly po dobu několika minut a dokáže se sám opravit, když se krok nezdaří.

To je směr, kterým se je třeba dívat. Humanoid se stává užitečnějším, když pohyb není samostatným předprogramovaným „taxíkem“, který pohybuje rukama z jedné stanice na druhou, ale součástí stejné reprezentace úkolu. Testem kvality je, zda robot dokáže zachovat záměr úkolu, i když se jeho úhel pohledu, stav rovnováhy, dosažitelný pracovní prostor a kontaktní podmínky neustále mění.

Obratnost se stává problémem s daty – a stále problémem s hardwarem

Moderní ztělesněná umělá inteligence se dokáže naučit chování vyžadující kontakt, které by bylo obtížné popsat ručně psanými pravidly. Například společnost Figure uvedla, že její rodina Helixů dokáže využít jednu naučenou architekturu VLA v oblasti logistiky, prádelny a manipulace s domácností. V květnu 2026 společnost Figure zveřejnila demonstraci, ve které dva humanoidi Helix-02 společně resetovali ložnici pomocí naučené zásady, včetně otevírání dveří, věšení oblečení, stěhování nábytku, umisťování předmětů a stlání postele.

To je zajímavý systémový výsledek, ale měl by být interpretován správně: jedná se o demonstraci hlášenou společností, nikoli o nezávislý multiplatformní benchmark. Užitečným poznatkem je, že data mohou naučit jednu architekturu kvalitativně odlišnému chování, aniž by bylo nutné přepracovat základní model. Výsledek a jeho deklarované podmínky jsou zdokumentovány ve zprávě Figure o úklidu ložnice Helix-02 .

Zároveň lepší modely nemohou donekonečna kompenzovat špatné senzory nebo slabé aktuátory. Jemná manipulace závisí na umístění kamery, hmatové nebo silové zpětné vazbě, rozsahu pohybu prstů, vůli, řízení točivého momentu a mechanické robustnosti. Pozdější hardwarová práce Figure například explicitně přepracovala snímání a ovládání naučeného ovladače. Toto je širší ponaučení: pokud humanoid opakovaně selhává při kontaktu, stabilitě úchopu nebo manipulaci s malými objekty, správnou opravou může být hardware, kalibrace nebo snímání – nikoli větší model.

Simulace a syntetická data zmenšují datovou mezeru

Fyzická data jsou drahá. Lidská teleoperace vyžaduje čas, roboti se opotřebovávají a vzácné hraniční případy je obtížné bezpečně shromažďovat. Týmy s vtělenou umělou inteligencí proto vytvářejí datové „setrvačníky“, které kombinují skutečné demonstrace se simulací, syntetickými trajektoriemi, videem a automatickým přeznačováním.

Platforma Isaac GR00T od společnosti NVIDIA explicitně kombinuje reálná zachycená data, simulovaná data a video v internetovém měřítku, zatímco její referenční humanoidní design z roku 2026 spojuje integrované výpočty s otevřenými modely a společným vývojovým balíčkem. Tento přístup je důležitý, protože týmy mohou vyhodnotit zásady v simulaci předtím, než stráví čas s hardwarem v každém experimentu. Referenční platforma společnosti je popsána v oznámení o referenčním humanoidovi NVIDIA Isaac GR00T .

Simulace nevylučuje realitu. Tření, deformovatelné materiály, šum senzorů, časování kontaktů, ohřev aktuátorů a lidský pohyb se mohou od simulátoru výrazně lišit. Dobrý pracovní postup využívá simulaci k rozšíření pokrytí a urychlení iterací a poté explicitně měří rozdíl mezi simulací a skutečností. Pokud se politika dobře osvědčuje ve virtuálním prostředí, ale vyžaduje časté resetování hardwaru, je nepravděpodobné, že by další simulace sama o sobě problém vyřešila.

Umělá inteligence v zařízení je důležitější, než se zdá

Roboti pracují v reálném čase. Pro plánování na vysoké úrovni může být přijatelná okružní cesta přes cloud, ale rychlé vizuomotorické řízení často těží z lokální inference, protože robot musí okamžitě reagovat na uklouznutí, pohybující se osoby a změnu kontaktu.

Práce Google DeepMind na projektu Gemini Robotics On-Device z roku 2025 se zaměřila na lokální spouštění VLA a její adaptaci na nová provedení robotů s relativně malým množstvím dat. Do roku 2026 společnost DeepMind popsala modely na zařízeních jako součást širšího celotělového stacku. Praktickou metrikou není jen velikost modelu, ale jde o latenci řízení od začátku do konce za reálných výpočetních, tepelných a energetických limitů. Základní směr je zdokumentován v publikaci Gemini Robotics On-Device .

Bezpečnost musí být vrstvená, ne nabádaná

Vtělená umělá inteligence zvyšuje náklady na chyby, protože robot může aplikovat sílu ve fyzickém světě. Robustní architektura proto odděluje odpovědnosti. Umělá inteligence na vysoké úrovni dokáže interpretovat cíle, identifikovat nebezpečí a rozhodnout se, kdy zastavit nebo požádat o pomoc. Řídicí jednotky na nižší úrovni mohou nezávisle vynucovat omezení kloubů, předcházení kolizím, omezení síly, dynamickou stabilitu, nouzové zastavení a omezené zóny.

Verze DeepMind Robotics 2 z roku 2026 popisuje tento vrstvený přístup a zavádí agentní bezpečnostní benchmark, který testuje, zda model uvažování odmítá nebezpečná volání nástrojů a rozpoznává, kdy je nutný lidský zásah. To je užitečný pokrok, ale úspěch benchmarku by se neměl zaměňovat s bezpečnostní certifikací. Reálné nasazení stále vyžaduje posouzení rizik specifických pro danou aplikaci, validované hardwarové limity, provozní postupy a testování v reálném prostředí.

Jednoduché pravidlo je užitečné: pokud lze bezpečnostně kritickou funkci deterministicky vynutit na úrovni řízení nebo hardwaru, nespoléhejte se na generativní model jako jedinou překážku.

Když je jeden end-to-end model špatnou volbou

Komplexní učení je atraktivní, protože může snížit křehkost ručně kódovaných rozhraní. Není to vždy nejlepší architektura. Pokud robot selhává u dlouhých úkolů, má nepředvídatelnou latenci nebo pracuje v přísně regulovaném prostředí, může být hierarchický systém snazší ladit a validovat.

• Hierarchické plánování použijte, když úkol trvá několik minut a vyžaduje kontrolní body, odhad průběhu nebo zotavení.
• Pokud mají síly, kolize nebo stabilita tvrdá omezení, udržujte nízkoúrovňové bezpečnostní řídicí jednotky oddělené .
• Přesunout inferenci na zařízení , když latence sítě nebo připojení naruší odezvu uzavřené smyčky.
• Přidejte strukturované vnímání nebo stav úkolu, když čistá VLA opakovaně ztrácí přehled o zásobách, počtech nebo přesném stavu procesu.
• Zlepšete snímání nebo mechaniku, pokud jsou chyby způsobeny okluzí, slabou hmatovou zpětnou vazbou, zpětnou rázovou vazbou nebo nedostatečným ovládáním aktuátoru.
• Eskalaci s lidskou účastí použijte v případech, kdy je nejistota vysoká a náklady na chybný fyzický zásah jsou nepřijatelné.

Správná architektura je ta, která poskytuje požadovanou spolehlivost a pozorovatelnost, nikoli ta s nejmenším počtem modulů.

Co ztělesněná umělá inteligence dosud nevyřešila

Několik omezení lze snadno podcenit.

Spolehlivost stále zaostává za schopnostmi

Robot může projevovat obtížné chování, ale zůstat nevhodný pro nepřetržitý provoz. Vlastní výsledky DeepMind z roku 2026 zaměřené na celé tělo ukazují smysluplnou, ale zdaleka ne dokonalou míru úspěšnosti na základních místech vyzvedávání. Sklad, továrna, nemocnice nebo domov potřebují systém, který zvládne hodiny provozu, nejen jednotlivé pokusy o provedení úkolu.

Benchmarky se těžko porovnávají

Různé organizace používají různé roboty, ruce, kamery, sady objektů, rozvržení, kritéria úspěšnosti a úrovně lidského zásahu. Nelze předpokládat, že 90% výsledek na jednom nastavení překoná 75% výsledek na jiném. Nejužitečnější srovnání udržují hardware a podmínky hodnocení neměnné.

Složení chyb v dlouhém horizontu

Pokud je robot v každém z 20 závislých kroků spolehlivý na 95 %, může být šance na dokončení celého řetězce bez jakékoli chyby mnohem nižší, než naznačuje počet kroků. Obnova a sledování pokroku jsou proto stejně důležité jako přesnost hrubých akcí.

Fyzikální ekonomie je důležitá

Vtělená umělá inteligence neodstraňuje potřebu odolného hardwaru, baterií, údržby, bezpečných pohonů, náhradních dílů a přijatelné doby cyklu. Systém může být technicky působivý a přesto neekonomický pro konkrétní úlohu.

Generalizace není totéž co neomezená autonomie

Model, který se přizpůsobuje novým objektům nebo rozvržením, je obecnější než skriptovaný robot. To neznamená, že dokáže bezpečně zpracovávat libovolné instrukce v libovolném prostředí. Obálky nasazení je stále třeba definovat a otestovat.

Lepší způsob, jak posoudit humanoidní robotickou „revoluci“

Nejsilnějším důkazem pokroku nebude robot, který provede ten nejúžasnější jednorázový úkol. Bude to robot, který se dokáže naučit nový úkol s menším objemem dat, přenést dovednosti do jiného prostředí, pracovat déle bez zásahu, zotavit se z běžných chyb a přitom dodržovat bezpečnostní omezení.

Podle tohoto měřítka již ztělesněná umělá inteligence mění inženýrskou cestu pro humanoidní robotiku. Datové sady pro křížové ztělesnění činí obecný předtrénink praktickým. Modely VLA propojují jazyk a zrak s akcí. Modely celého těla kombinují pohyb s manipulací. Inference na zařízení snižuje závislost na latenci cloudu. Syntetická data a simulace rozšiřují pokrytí tréninku. Ztělesněné uvažování na vyšší úrovni zlepšuje dekompozici úkolů, sledování pokroku a obnovu.

Tato oblast se však stále nachází v přechodu od „možného“ k „spolehlivému“. Proto jsou nejužitečnější aktualizace pro rok 2026 ty, které odhalují naměřené míry úspěšnosti, delší horizonty úkolů, podmínky přenosu, bezpečnostní chování a zotavení po selhání – nejen plynulejší demonstrace.

Pro každého, kdo se rozhoduje, zda jsou humanoidi nové generace připraveni na skutečný pracovní postup, by poslední otázkou měla být provozní: Splňuje systém požadovanou míru úspěšnosti, dobu cyklu, míru zotavení, míru intervencí a bezpečnostní rámec v prostředí, kde bude skutečně fungovat? Pokud ne, správným krokem nemusí být nutně opuštění vtělené umělé inteligence. Může to být zúžení úkolu, přidání dohledu, změna architektury, sběr lepších dat nebo vylepšení těla robota, dokud nebude naměřený výsledek dostatečně dobrý.