UC Berkeley i NVIDIA proponują robotykę agentową, aby ominąć ograniczenia skalowania danych

UC Berkeley i NVIDIA wspólnie ogłosiły nowe podejście zwane robotyką agentową, które wykorzystuje agentów AI do programowania robotów przemysłowych poprzez symulację i generowanie kodu, zamiast polegać na ogromnych zbiorach danych z demonstracjami ludzkimi. Ta zmiana ma na celu rozwiązanie problemu skalowania danych, który obecnie utrudnia wdrażanie robotów ogólnego przeznaczenia w środowiskach przemysłowych.

Co się wydarzyło

Według IEEE Spectrum, ogłoszenie zostało złożone na konferencji Conference on Robot Learning w 2026 roku. Technika ta wykorzystuje duże modele językowe (LLM) do rozbijania złożonych zadań, takich jak pakowanie artykułów spożywczych, na podzadania przypisane wyspecjalizowanym agentom kodującym. Agenci ci zajmują się percepcją, manipulacją i transportem, pisząc czytelny dla człowieka kod, który wykorzystuje istniejące narzędzia robotyczne, takie jak estymacja pozy i generowanie trajektorii.

Ken Goldberg, profesor robotyki na UC Berkeley i współzałożyciel Ambi Robotics, stwierdził, że paradygmat uczenia przez naśladownictwo „osiągnął plateau”. Zauważył, że choć podejścia oparte na danych sprawdzają się w przypadku robotów domowych, mają trudności z spełnieniem wymogów niezawodności w zastosowaniach przemysłowych. Goldberg, który współpracował z firmami takimi jak Siemens i Bosch, zaobserwował, że dodawanie większej ilości danych często prowadzi do nowych awarii bez gwarancji zbieżności.

Spencer Huang, dyrektor ds. produktu w dziale robotyki w NVIDIA, wyjaśnił, że jakość kodowania agentowego poprawiła się w ciągu ostatniego roku na tyle, by stać się rozwiązaniem wykonalnym. Agenci iterują, uruchamiając kod w symulacjach, dostosowując parametry, a nawet dopasowując środowiska symulacyjne do wideo z rzeczywistego świata. Jednak Torsten Kroeger, dyrektor ds. naukowych w Intrinsic (spółce Alphabet), ostrzegł, że żaden obecny silnik fizyczny nie potrafi dokładnie modelować kontaktu fizycznego, co oznacza, że luka między symulacją a rzeczywistością pozostaje nierozwiązanym wyzwaniem. Aby ograniczyć błędy w kodzie generowanym przez AI, zespół stosuje konfiguracje agentów kontradyktoryjnych, gdzie jeden agent projektuje kod, a drugi próbuje znaleźć w nim luki.

Dlaczego ma to znaczenie dla małych zespołów produkcyjnych i logistycznych

Dla małych firm działających w produkcji lub logistyce obecny standard wdrażania elastycznej automatyzacji jest często zbyt kosztowny lub technicznie niedostępny. Dominujący model wymaga albo zatrudnienia wyspecjalizowanych robotyków do pisania kodu niskiego poziomu, albo zakupu drogich zbiorów danych, co jest nieopłacalne dla pięcioosobowego zespołu. Robotyka agentowa zmienia strukturę kosztów, przekształcając programowanie robotów w problem inżynierii oprogramowania, który może być obsługiwany przez narzędzia AI ogólnego przeznaczenia.

Jest to istotne, ponieważ przesuwa barierę wejścia z „gromadzenia danych” na „konfigurację symulacji”. Jeśli mały zespół może użyć języka naturalnego do zdefiniowania zadania i pozwolić agentom AI zająć się generowaniem kodu oraz dostrajaniem symulacji, czas wdrożenia nowego SKU lub zmiany procesu może skrócić się z tygodni do dni. Należy jednak zachować sceptycyzm. Poleganie na symulacji oznacza, że jeśli silnik fizyczny nie potrafi dokładnie modelować kontaktu, robot zawiedzie w świecie rzeczywistym. Dla małej firmy robot, który działa w symulacji, ale zacina się na hali produkcyjnej, jest obciążeniem, a nie aktywem. Wzmianka o agentach kontradyktoryjnych jest dobrym sygnałem dla bezpieczeństwa, ale dopóki zgodność z normami ISO 10218 lub ISO/TS 15066 nie zostanie wyraźnie rozwiązana dla tych zachowań generowanych przez AI, pozostaje to pilotażem badawczym, a nie gotowym produktem. Warto obserwować, czy to podejście zmniejszy potrzebę nadzoru ludzkiego w pętlach krytycznych dla bezpieczeństwa.

Co zrobić w tym tygodniu

1. Przeprowadź audyt swoich obecnych zadań ręcznych, aby zidentyfikować jeden powtarzalny, niekrytyczny proces, który mógłby być kandydatem do testów opartych na symulacji, np. konkretna sekwencja pakowania lub kontrola jakości.
2. Przejrzyj możliwości symulacyjne swojego obecnego lub potencjalnego dostawcy robotów, aby ustalić, czy oferują API umożliwiające wstrzykiwanie zewnętrznego kodu lub dostrajanie parametrów, co jest warunkiem wstępnym dla przepływów pracy opartych na agentach.
3. Udokumentuj konkretne tryby awarii swojego obecnego procesu automatyzacji lub pracy ręcznej, tworząc bazową listę przypadków brzegowych, które każde rozwiązanie wygenerowane przez agenta AI musi obsłużyć, aby zostać uznane za opłacalne dla Twojej hali produkcyjnej.

Źródła

• Can Agentic Robotics Solve Robotics’ Data Scaling Problem? — IEEE Spectrum - Robotics