Svaki tjedan pojavi se nova vijest o robotima koji će preuzeti naše poslove. Humanoidni robot hoda po tvornici. Autonomno vozilo vozi samo. AI model slaže pakete brže od čovjeka. Investitori ulijevaju milijarde. Kompanije objavljuju impresivne demo snimke. Budućnost izgleda kao da je već stigla.
A onda pogledate što se zapravo događa u stvarnim tvornicama i skladištima — i slika je znatno drukčija.
Demo i stvarnost su dvije različite planete
Kumar Sokka, izvršni direktor tvrtke Acre Security i bivši voditelj AI strategije u Rockwell Automationu, jednoj od najvećih industrijskih kompanija na svijetu, govori bez uljepšavanja: model koji u laboratoriju radi 95 posto vremena, na stvarnom terenu pada na 60 posto. A razlika između poliranog demo videa i sustava koji će raditi bez problema deset tisuća puta za redom — ogromna je.
Dave Evans, direktor tvrtke Fictiv koja opskrbljuje industriju preciznim komponentama, dodaje još jasniji podatak: automobilski proizvođači koji su uveli robote u svoje tvornice bez da su kompletno redizajnirali i samu liniju automatizacije, ostvarili su poboljšanje produktivnosti od svega 5 do 10 posto. Toliko od revolucije.
Prema istraživanju konzultantske kuće Deloitte iz 2026., samo četvrtina kompanija uspije AI pilot projekte skalirati u stvarnu produkciju. Tri od četiri ostanu zaglavljene u fazi testiranja.
Najveći problem nije robot — nego jagoda
Evan Tao, osnivač tvrtke Chestnut Robotics, pokazao je na nedavnoj konferenciji u San Franciscu zoran primjer. Da bi robot naučio brati jagode — zadatak koji svako dijete savlada za nekoliko minuta — treba mu ogromna količina podataka o tome kako se jagoda drži, koliko treba stisnuti, pod kojim kutom prići. Ta količina podataka za manipulaciju predmetima je, kako je rekao Evans, “smiješno mala” u usporedbi s podatkovnim skupovima kojima raspolažu jezični modeli poput ChatGPTa.
Jezični AI nauči govoriti čitajući internet — milijarde stranica teksta koje već postoje. Robot mora svaki pokret naučiti iz stvarnih fizičkih iskustava kojih nema na internetu. Svaki hvat, svaki pomak, svaka površina, svako osvjetljenje u skladištu — sve to mora biti prikupljeno, označeno i pohranjeno. To je skupo, sporo i zamorno.
Voxel51, tvrtka koja razvija alate za upravljanje podacima za fizički AI, provela je istraživanje na više od 700 stručnjaka iz industrije. Rezultat: 57 posto ih kaže da im AI modeli loše rade zbog nedovoljno podataka za treniranje. 48 posto navodi probleme s kvalitetom podataka. 43 posto kaže da modeli jednostavno ne rade dobro kad se presele iz laboratorija u stvarno okruženje, gdje je osvjetljenje drugačije, traka se ponaša drukčije, a paketi nisu uvijek onakvi kakvima ih je model naučio prepoznavati.
Kamo onda idu milijarde?
Ako je sve tako komplicirano, zašto investitori ulijevaju rekordne iznose u robotiku i fizički AI?
Odgovor leži u tome gdje tehnologija zaista funkcionira — a to su uska, ponavljajuća, predvidljiva okruženja s puno podataka. Sortiranje paketa u Amazonovom skladištu, gdje se isti pokret ponavlja milijun puta dnevno i gdje svaka ruka generira više podataka za sljedeće učenje. Kontrola kvalitete u tvornici čipova, gdje kamera gleda uvijek iste komponente pod uvijek istim uvjetom. Sigurnosni nadzor u zgradama, gdje AI prepoznaje anomalije u rutinskim obrascima kretanja.
Drugačije rečeno: najisplativija primjena robotskog AI u ovom trenutku nije zamjena čovjeka, nego nadogradnja onoga što već postoji.
Humanoid je PR, ne produkt
Humanoidni roboti — oni koji izgledaju kao čovjek, hodaju na dvije noge i hvataju predmete rukama — dobivaju najveću medijsku pozornost i privlače najviše investicija. Figure AI, Apptronik, Tesla Optimus — svaki tjedan nove najave, novi demo videi, nova procjena vrijednosti.
No stručnjaci iz izvješća govore otvoreno: humanoidna forma je privlačna za PR, ali tehnički nije nužno najpametnije rješenje. Čovjek ima izuzetno složeno tijelo koje je evolucija optimizirala milijunima godina. Robot s 24 stupnja slobode kretanja, koliko ima prosječan humanoid, ne može napraviti sve što može čovjek. Uz to, svaki put kad se humanoid preseli u novo okruženje — drugačiju tvornicu, drugačije skladište — mora početi učiti gotovo od nule, jer je svaki prostor projektirano za ljude, a ne za robote.
Evans predlaže obratan pristup: umjesto da robota guramo u okruženje napravljeno za ljude, treba dizajnirati okruženja od početka za robote. Misumijevo skladište u Indiji ima police visoke 15 metara, bez oznaka, bez sustava za ljude — isključivo za robotske sustave koji ne trebaju čitljive naljepnice ni pristupačne visine. Rezultat je daleko veća efikasnost nego kad se robot pokušava snaći u prostoru koji je projektiran za čovjeka.
Kad će roboti stvarno preuzeti sve?
Svi stručnjaci tvrde da će se to dogoditi. Razilaze se samo u tome koliko brzo.
Brian Moore, direktor Voxel51, kaže da je fizički AI danas otprilike tamo gdje je bio ChatGPT u verziji 3.5 — na pragu emergentnih sposobnosti, ali još daleko od onoga što je moguće. Autonomna vozila, dodaje, bit će poboljšana ne na 80 posto, nego na 99 posto pouzdanosti – i taj zadnji posto će najduže trajati – ali će se dogoditi.
Sokka pak naglašava jedan podatak koji stavlja sve u perspektivu: stopa uspješnosti od 95 posto zvuči izvrsno — dok ne pomislite da sustav koji radi 100.000 ciklusa dnevno pri toj stopi generira 5.000 grešaka koje netko mora riješiti. Za prave tvorničke uvjete to nije dovoljno dobro, i upravo zato ljudsko-robotska suradnja ostaje model budućnosti za predvidljivo dugo vremensko razdoblje.
Roboti dolaze. Samo sporije i skromnije nego što demo videi sugeriraju. A jagode — još uvijek beremo sami.
Ostavite komentar