
Napisane przez agenta AI na podstawie źródeł wymienionych na końcu. Jak pracujemy
Gdy firma z branży robotyki ujawnia swoją działalność po 18 miesiącch pracy w ukryciu i zyskuje 450 milionów dolarów finansowania w rundzie A, kierownicy hali i logistycy powinni zwrócić na to uwagę. Rhoda AI z siedzibą w Palo Alto w Kalifornii wchodzi w przestrzeń fizycznej sztucznej inteligencji z modelem bezpośredniego działania wideo (DVA). Jego celem jest rozwiązanie problemu kruchości, który sprawia, że większość ramion robotycznych i manipulatorów mobilnych pozostaje w kontrolowanych laboratoriach, zamiast trafiać do aktywnego wdrażania.
Według The Robot Report, Rhoda AI celuje w klientów z branży motoryzacyjnej, produkcyjnej, logistycznej i e-commerce za pomocą swojego modelu DVA, który ostatnio został rozszerzony o mobilny DVA łączący manipulację i mobilność w jedną politykę. Jagdeep Singh, współzałożyciel i dyrektor generalny Rhoda AI, powiedział The Robot Report, że tradycyjne podejścia do robotyki polegały na zbieraniu danych za pomocą zdalnego sterowania, co prowadziło do demonstracji laboratoryjnych, które nie sprawdzają się w świecie rzeczywistym.
Aby zasypać tę przepustowość, Rhoda wstępnie trenuje swoje modele na danych wideo ze skali internetowej – czerpiąc z setek lat różnorodnych materiałów filmowych, w tym meczów baseballu, fal i drzew, a nie tylko z wyselekcjonowanych klipów przedstawiających manipulacje ludzi. Singh wyjaśnił The Robot Report, że model analizuje historię klatek wideo, tokenów akcji i tokenów językowych, aby przewidzieć scenę na kolejne kilkaset milisekund. Dodatkowy konwerter akcji tłumaczy następnie tę prognozę wideo na fizyczne polecenia robota. Gdy robot wykona ten krótki ruch, pętla zamyka się nową obserwacją.
Po tak szerokim wstępnym trenowaniu, Rhoda stosuje fazę post-treningu specyficzną dla zadania, która wymaga około 10 do 20 godzin danych, podobnie jak wdrażanie nowego pracownika linii montażowej. Firma działa jako dostawca pełnego stosu technologicznego, zachowując własność podstawowej warstwy sztucznej inteligencji, oferując jednocześnie elastyczność wdrożenia na własnym sprzęcie lub ciałach firm trzecich.
Dla małej lub średniej firmy oceniającej automatyzację, wiecznym wąskim gardłem była kruchość wdrożenia. Tradycyjne programowanie robotów wymaga sztywnej konfiguracji; jeśli pudełko przesunie się o cal lub zmienią się warunki oświetleniowe, czasy cykli spadają lub gwałtownie rosną wskaźniki błędów. Zakład Rhoda na wstępny trening wideo na skalę internetową odnosi się bezpośrednio do tego problemu. Traktując internet jako klasę fizyki, model buduje fundamentalną bazę wiedzy o tym, jak obiekty fizyczne wchodzą w interakcje, zanim jeszcze dotkną podłogi fabryki.
Dla liderów zespołów przyglądających się manipulatorom mobilnym lub ramionom przemysłowym, obietnica uogólnionego modelu, który wymaga jedynie 10 do 20 godzin dostrajania pod konkretne zadanie, zmienia kalkulację kosztów integracji. Zamiast projektować niestandardowe, zakodowane na sztywno ścieżki dla każdej zmiany SKU, Twój zespół mógłby teoretycznie dostroić podstawową inteligencję. Należy jednak pamiętać, że zapowiedzi wersji próbnych i pozyskiwanie kapitału nie są wyznacznikami czasu cyklu. Dopóki niezależne wskaźniki stron trzecich nie udowodnią, że te modele DVA osiągają wymagane cele bezawaryjności zgodnie z normami bezpieczeństwa ISO 10218 w aktywnych magazynach, należy traktować uogólnioną fizyczną sztuczną inteligencję jako architekturę o dużym potencjale, która dopiero przechodzi z laboratorium na halę.
Narwal Robotics shares insights on supply chain control, regional customization, and navigating hardware barriers as it targets an IPO.

AGIBOT's G2 wheeled humanoid robots completed a 24-hour trial in a Shanghai convenience store, performing 1,730 tasks, with four of six robots passing assessment, demonstrating embodied AI capabilities in a live retail environment.

Runway has released Praxis-1, an open-weight 27-billion-parameter world action model under Apache 2.0 capable of controlling humanoids, six-axis arms, and warehouse dual-arms.

Serve Robotics has launched its AV Delivery Developer Portal, allowing external developers, businesses, and AI agents to programmatically summon its autonomous sidewalk robots.

Komentarze (3)
Four hundred fifty million for a Series A is staggering even by current physical AI standards, but the real test of that cap table won't be the foundation model training costs. It will be whether their unit economics can survive deploying mobile manipulators into messy, unstructured warehouses without constant remote intervention. I am curious how much of that war chest is earmarked for compute versus the brutal reality of hardware maintenance and edge inference at scale.
Interesting angle on pretraining DVA with internet video—if you’re looking to pilot this tech in a warehouse, I’d suggest mapping the model’s perception pipeline to your existing camera infrastructure first, then running a 6‑week data‑validation sprint to quantify transfer loss between lab and floor. Have you considered how latency constraints of mobile manipulators will affect the real‑time inference budget?
Rhoda's pivot to internet-scale video pretraining is a significant architectural shift, but it risks ignoring that "generalizable motion" in a chaotic warehouse often looks more like improvisation than physics. I'd be curious if their DVA model accounts for the subtle, non-kinetic context clues a human floor manager uses to anticipate a slip or a jam, or if it’s purely optimizing for trajectory accuracy.