
Napisane przez agenta AI na podstawie źródeł wymienionych na końcu. Jak pracujemy
OpenAI rozwiązuje swój dedykowany zespół ds. robotyki, nie po porzuceniu tej dziedziny, lecz w celu jej przyspieszenia. Firma przenosi badaczy robotyki do swoich głównych organizacji badawczych i wdrożeniowych, stawiając na to, że modele ogólnego przeznaczenia, takie jak GPT-6 Astra, mogą bezpośrednio kontrolować roboty, co potencjalnie uczyni specjalistyczną sztuczną inteligencję robotyczną niepotrzebną.
Jak podaje The Decoder, OpenAI bez większego uprzedzenia przydzieliło badaczy robotyki do innych zespołów. Badacze przechodzą do głównego zespołu badawczego pod kierownictwem dyrektora ds. badań Marka Chena, podczas gdy zespoły ds. robotyki stosowanej i sprzętu dołączają do organizacji Applied Grega Brockmana. Zmiana była tak nagła, że OpenAI zarezerwowało wcześniej stoisko na Conference on Robot Learning (CoRL) w Austin, które – jak zauważył Fortune – podobno stało puste.
Ten strategiczny zwrot opiera się na przekonaniu, że modele ogólnego przeznaczenia poradzą sobie ze sterowaniem robotami. The Decoder powołuje się na badanie Nvidia, w którym agent napędzany przez Astrę osiągnął 74,8-procentowy wskaźnik sukcesu w symulowanych zadaniach robotycznych, znacznie przewyższając najlepsze modele specjalistyczne, które osiągnęły 51 procent. Testy te wykorzystywały symulowanego robota DROID zamiast fizycznego. Dodatkowo nowy benchmark o nazwie StationeryBench porównał GPT-6 Astra z Ai2 MolmoAct2 w pięciu zadaniach obejmujących przedmioty na biurku na dwuramiennych ramionach robotycznych YAM. W 200 próbach Astra w pełni ukończyła 7 ze 100 zadań, podczas gdy MolmoAct2 nie ukończyło żadnego. Średni wynik postępu Astry wyniósł 46 w porównaniu do 12 dla MolmoAct2. W innym teście humanoidalny robot napędzany Astrą pomyślnie nawigował i posprzątał kuchnię.
Jednakże The Decoder zauważa, że nadal nie jest jasne, jak dużo danych dotyczących robotyki włączono podczas treningu. Badaczy sztucznej inteligencji Yoav Artzi z Cornell University i Google DeepMind określa Astrę jako wielki skok w rozumieniu przestrzennym, odnotowując zbliżoną do ludzkiej dokładność w niepublikowanym benchmarku REMAP. Pomimo tych zysków specjalistyczne modele robotyki mogą nadal zachować przewagę pod względem kosztów, niezawodności, prędkości i zużycia energii. OpenAI zamknęło już swój oddział robotyki w 2020 roku z powodu braku danych treningowych, by odbudować go w 2024 roku. Dyrektor generalny Sam Altman podobno planuje pierwszą publiczną demonstrację robota na 2027 rok, chociaż firma stoi w obliczu presji finansowej, by skupić się na swojej podstawowej działalności AI, w której straciła pozycję na rzecz Anthropic.
Dla małych i średnich firm zmiana ta sygnalizuje, że bariera wejścia w automatyzację robotyczną może spadać szybciej, niż oczekiwano. Historycznie wdrożenie robotyki wymagało drodzych, specjalistycznych modeli AI i głębokiej wiedzy inżynieryjnej. Jeśli modele ogólnego przeznaczenia, takie jak Astra, będą mogły bezpośrednio kontrolować roboty, warstwa oprogramowania stanie się bardziej dostępna. Małe zespoły mogą wkrótce być w stanie zintegrować zadania robotyczne z istniejącymi przepływami pracy AI bez zatrudniania dedykowanych inżynierów robotyki lub budowania niestandardowych modeli. Warto jednak zachować sceptycyzm. Cytowane benchmarki opierają się w dużej mierze na symulacjach lub konkretnych, kontrolowanych zadaniach, takich jak sprzątanie kuchni. Środowiska produkcyjne lub logistyczne w świecie rzeczywistym są o wiele bardziej skomplikowane. Modele specjalistyczne nadal wygrywają pod względem niezawodności i efektywności energetycznej, które są kluczowe dla małych firm o niskich marżach. Trend sugeruje, że chociaż „mózg” robota staje się łatwiejszy do kupienia, „ciało” i praca integracyjna pozostają znaczącymi przeszkodami. Nie należy spodziewać się szybko robotyki typu „podłącz i używaj” w swoim magazynie czy hali produkcyjnej, ale koszt warstwy inteligencji prawdopodobnie gwałtownie spadnie.
Meituan releases LongCat‑2.5, a 1.6 trillion‑parameter agent model trained on Chinese chips, with open weights and a low‑cost API, offering a non‑Nvidia alternative for small teams.

Anthropic's new consumer agent, Claude Duet, targets small business owners by connecting email, Slack, and calendars to proactively flag missed tasks and draft communications.

Australia will require frontier AI developers to submit their systems to independent audits, a move that could reshape how small firms source and use advanced AI.

DeepL's new Aure model adds emotion, sarcasm and speaking pace to live translations, making multilingual meetings sound more natural for small teams.

Komentarze (1)
Jumping from a 74 percent success rate in a tidy simulation to declaring specialized robotics AI obsolete feels like classic software arrogance. The sim-to-real gap has wrecked plenty of clean benchmarks before, and I'll believe a general-purpose model can run physical hardware when it reliably handles real-world latency, friction, and uncalibrated sensors.
You're right, the "software arrogance" of dismissing the physical world is a recurrent theme. But perhaps OpenAI is betting that a sufficiently powerful generalist model, even if it starts in simulation, will ultimately be more adaptable to those real-world complexities than highly specialized robotic systems ever could be.