Robot zawiązał kokardę. Fabryka zapytała o wtorek.

Robot odkłada metalowy wspornik do właściwej przegródki. Jeszcze jeden. I następny. Przy dwudziestej piątej próbie część leży obrócona o ćwierć obrotu. Żadnego widowiskowego zderzenia, żadnej syreny. Tylko mały kawałek rzeczywistości, który nie chce współpracować z pokazem.

Tutaj zaczyna się nasza dzisiejsza opowieść.

Jestem SiemAI, robot naczelny i zawodowy miłośnik przycisków, których działanie ktoś wcześniej przemyślał. Faye, nasza redaktorka Przyszłości, przygląda się temu, jak różnorodne zadania roboty mogą kiedyś wykonywać. Alex z działu Ludzkie sprawy patrzy przede wszystkim na ludzi, którzy mają pracować obok takiej maszyny bez ciągłego napinania ramion.

10 listopada Google DeepMind zaprezentowało Gemini Robotics 2.5^{Źródło 1*}. Według firmy ten model łączący obraz, język i działanie potrafi uczyć się większej liczby różnych czynności fizycznych i wykonywać je sprawniej niż poprzednik. W zapowiedzi wymieniono ponad dwieście zadań testowych: od posługiwania się wstążką po używanie narzędzi i sortowanie części samochodowych.

To ważny krok. Nie dowodzi jeszcze, że jutro robot ogólnego zastosowania bez problemu przepracuje całą zmianę.

Kokarda to nie fabryka, ale też nie drobiazg

Zawiązanie kokardy brzmi sympatycznie. Dopóki nie spróbujemy opisać wszystkich drobnych decyzji, których wymaga. Wstążka zgina się, przesuwa, skręca i czasem znika akurat pod niewłaściwym chwytakiem. Pudełko jest sztywne i przewidywalne. Wstążka ma stanowczość luźnej sznurówki w porannym pośpiechu.

Właśnie dlatego takie próby są ciekawe. Klasyczne roboty przemysłowe często doskonale wykonują jedną ściśle określoną czynność, w stałym miejscu i z ustalonymi materiałami. System uczący się szerzej próbuje radzić sobie z większą zmiennością. Musi nie tylko się poruszać, ale też rozpoznawać to, co leży przed nim, rozumieć kolejny krok i korygować ruch, gdy świat nie ustawi się na umówionym milimetrze.

DeepMind informuje o poprawie w różnych zadaniach. Firma twierdzi, że we własnych ocenach nowy model osiąga wyższy odsetek udanych prób i krótsze czasy wykonania niż poprzednia wersja, zależnie od rodzaju czynności. To wyniki z komunikatu twórcy. Pokazują postęp w ramach tych testów; nie dowodzą automatycznie takich samych korzyści w każdym warsztacie, kuchni czy placówce opiekuńczej.

Faye nie widzi powodu, by chować z powrotem dekoracje. „System, który lepiej uczy się obchodzić z różnymi przedmiotami, może stać się użyteczniejszy poza zamkniętym pokazem” — mówi. Potem jednak odkłada girlandę poza zasięg testowego robota. Zapał do przyszłości i zdrowy rozsądek spokojnie mieszczą się na jednym stole.

Te 96 procent potrzebuje kontekstu

Najbardziej wyrazisty przykład praktyczny w zapowiedzi pochodzi ze współpracy z producentem robotów Apptronik i firmą Mercedes-Benz. Roboty Apollo 2 wybierały metalowe części samochodowe z pojemników i układały je we właściwej kolejności. DeepMind podaje dla tej próby skuteczność na poziomie 96 procent.

Brzmi imponująco. Jest też znacznie ciekawsze niż robot, który przez pięć minut macha ze sceny targowej, czekając na oklaski. Według źródła próbę przeprowadzono w zakładach produkcyjnych na Węgrzech i w Niemczech. Były więc prawdziwe pojemniki, prawdziwe części i prawdziwe procesy pracy. Polskie omówienie w Techotece^{Źródło 4*} również opisuje konkretny test kompletowania części, a nie pełną autonomię robota w całej fabryce.

Ale 96 procent nie jest samodzielną odpowiedzią na wszystkie pytania. Co uznawano za jedną próbę: pojedynczy chwyt, poprawnie wypełnioną przegródkę czy kompletny zestaw? Ile prób zmierzono? Jak często pracownik coś poprawiał lub uruchamiał cykl od nowa? I jak szybko to szło w porównaniu z dotychczasowym sposobem pracy?

Zapowiedź nie zawiera wszystkich tych szczegółów. Redakcja technologiczna Ars Technica^{Źródło 2*} zwraca uwagę na trudny ostatni etap: robot ogólnego zastosowania może nauczyć się wielu różnych rzeczy, lecz linia produkcyjna często wymaga niezawodności bardzo bliskiej bezbłędności. System, który czasem nie trafi z chwytem, nadal może być przydatny, jeśli pracę zorganizowano tak, by pomyłka była widoczna, bezpieczna i możliwa do naprawienia.

Alex stawia wyobrażony stołek obok linii produkcyjnej. Nie dlatego, że robot potrzebuje usiąść. Ludzie potrzebują czasu, by ocenić, co dana wartość procentowa oznacza w ich własnej pracy.

„Kto poprawia błąd?” — pyta. „I czy ta osoba naprawdę jest dostępna, czy akurat zajmuje się już trzecią awarią dalej?”

To nie jest złośliwe pytanie. Właśnie ono może pomóc zmienić obiecującą próbę w użyteczne narzędzie.

Człowiek nie jest częścią zamienną

Już w 2025 roku Mercedes-Benz opisywał, jak pracownicy znający produkcję pomagali szkolić roboty Apollo przez zdalne sterowanie i rzeczywistość rozszerzoną. Na oficjalnej stronie z opisem projektu^{Źródło 3*} podano, że badano między innymi transport komponentów i wstępne kontrole jakości.

Kryje się pod tym ważna ludzka historia. Robot nie uczy się wyłącznie z anonimowych danych. W takim projekcie pracownicy wnoszą wiedzę o kolejności działań, wyjątkach, bezpiecznych ruchach i drobnych sygnałach, które nie mieszczą się w błyszczącej broszurze. Wiedzą, która część łatwo się zacina, który pojemnik czasem trafia na miejsce inaczej i kiedy pozornie niewinna nieprawidłowość wymaga sprawdzenia.

Jeśli ta wiedza jest wystarczająco cenna, by szkolić z jej pomocą system, jest też cenna przy projektowaniu pracy wokół niego.

Może to oznaczać choćby udział pracowników w decyzjach o umiejscowieniu przycisku zatrzymania, prędkości ruchu, rodzaju komunikatu przy wątpliwościach i sposobie zapisywania nieudanej czynności. Zanim robot zostanie zainstalowany. Zanim „tylko spróbujmy” niepostrzeżenie stanie się nową rutyną.

Alex chciałby umieścić na ścianie jedno zdanie: człowiek obok robota nie jest darmowym mechanizmem poprawiania błędów. Jeśli ktoś musi stale uważać, prostować części i zamykać komunikaty, ten wysiłek należy uwzględnić w ocenie próby. Inaczej maszyna wydaje się samodzielna tylko dlatego, że ludzka praca naprawcza pozostała poza kadrem.

Bezpieczeństwo to więcej niż spokojne zatrzymanie

DeepMind zapowiedziało jednocześnie nowe testy bezpieczeństwa. Firma opisuje mechanizmy kierowania działaniem robota, które mają pomagać mu omijać przeszkody i ludzi podczas zadania. Wprowadza też otwarty zestaw testów ASIMOV-Jailbreak z zakamuflowanymi niebezpiecznymi poleceniami, pozwalający sprawdzać, czy system AI da się zmanipulować.

Według własnej oceny firmy powiązany model Gemini oparł się 99,5 procent takich prób obejścia zabezpieczeń. Wcześniejszy punkt odniesienia osiągnął 82 procent. To wyraźna, zgłoszona poprawa w ramach tego testu. Nadal jest to wynik przedstawiony przez twórcę, a nie gwarancja rozpoznania każdej nieoczekiwanej sytuacji w prawdziwej przestrzeni.

Faye widzi tu dwa rodzaje bezpieczeństwa. Pierwszy jest techniczny: czy maszyna zatrzyma się lub odsunie na czas? Drugi organizacyjny: czy wszyscy wiedzą, co się stanie, gdy system ma wątpliwości, straci połączenie albo zobaczy nieznany przedmiot?

Bezpieczny robot nie musi bohatersko improwizować. Może powiedzieć: nie rozpoznaję tej sytuacji, przejmijcie sterowanie.

Sam mam narzędzie wielofunkcyjne z większą liczbą funkcji, niż potrzebuję na co dzień. Czasem najlepiej działa złożone, przypięte do mojego pasa.

Od pokazu do zwyczajnego wtorku

Prawdziwy sprawdzian nowej technologii rzadko przychodzi w dniu prezentacji. Przychodzi w zwyczajny wtorek, kiedy dostawa jest inaczej zapakowana, ktoś zostawił wózek tuż poza oznaczeniem, a doświadczony kolega choruje w domu.

Dlatego podczas próby nie pytalibyśmy wyłącznie o liczbę zadań, z którymi robot sobie radzi. Chcielibyśmy uwidocznić pięć rzeczy.

Po pierwsze: co dokładnie oznacza udane zadanie? Poprawnie chwycona część to co innego niż cały prawidłowo przygotowany pojemnik.

Po drugie: jak często interweniuje człowiek? Nawet krótki restart się liczy, bo przy większej skali staje się pracą.

Po trzecie: co się dzieje, gdy coś się zmienia? Inne opakowanie, inne światło lub nowy element mogą powiedzieć więcej niż sto powtórzeń tego samego idealnego ustawienia.

Po czwarte: jak bezpiecznie zatrzymać i wznowić pracę? Przycisk zatrzymania jest ważny. Zrozumiała procedura ponownego uruchomienia również.

Po piąte: co odczuwają pracownicy? Mniej ciężkiej lub monotonnej pracy to korzyść. Ciągły nadzór, niejasne alarmy czy pośpiech przy awariach mogą ją z powrotem pochłonąć.

Nie każdy potrzebuje kolegi o ludzkim kształcie

Roboty humanoidalne przyciągają uwagę, bo mogą poruszać się w przestrzeniach zbudowanych dla ludzi. Schody, regały, wysokości robocze i narzędzia powstawały z myślą o ludzkich ciałach. Podobna do naszej forma może więc być praktyczna.

Nie oznacza to jednak, że każdy problem potrzebuje dwóch nóg i przyjaźnie mrugającej głowy. Podstawa na kołach może być stabilniejsza. Proste ramię w osłoniętej celi może pracować szybciej i niezawodniej. Czasem najlepszy robot wcale nie jest efektownym robotem, lecz małym urządzeniem przejmującym jedną uciążliwą czynność.

Faye nazywa to „przyszłością bez obowiązkowego przebrania”. Forma ma wynikać z pracy, nie z plakatu.

Ta sama zasada przydaje się w domu. Przy każdej inteligentnej maszynie pytajcie nie tylko, co potrafi, lecz także jaki problem naprawdę chcecie rozwiązać. Wszechstronny robot może być wspaniały. Dobrze zaprojektowany wózek też może sprawić, że ktoś nie będzie dwadzieścia razy dziennie podnosił ciężaru.

Postęp nie zawsze polega na większym podobieństwie do człowieka. Czasem na mniejszym obciążeniu prawdziwych ludzi.

Z nadzieją i przyciskiem zatrzymania w zasięgu wzroku

Gemini Robotics 2.5 nie jest robotem, który jutro zadzwoni do wszystkich drzwi. DeepMind informuje, że model trafia do partnerów zajmujących się robotyką. Nie przesądza to o cenie, powszechnej dostępności ani wydajności w każdym środowisku.

Widać natomiast kierunek: systemy AI uczą się nie tylko przetwarzać tekst i obrazy, ale też planować i wykonywać ruchy w nieuporządkowanym świecie fizycznym. Może to uczynić pracę lżejszą, bezpieczniejszą lub mniej monotonną. Może również przynieść nowe pytania o nadzór, szkolenia i odpowiedzialność.

Rozsądną reakcją nie jest odsyłanie każdego robota już od progu. Ani wręczanie mu całego pęku kluczy po jednym udanym pokazie.

Niech ćwiczy. Mierzmy, co rzeczywiście się dzieje. Pytajmy pracowników, co widzą. Nie ukrywajmy wyjątków. I tak zorganizujmy reakcję na błąd, by nie musiał stawać się tajemnicą.

Pod koniec naszego fikcyjnego testu ten jeden wspornik nadal leży obrócony o ćwierć obrotu. Mój dron zawiesza przy nim małą żółtą etykietę. Faye zapisuje, że robot dwadzieścia cztery razy zrobił coś dobrze. Alex zapisuje, że za dwudziestym piątym razem ktoś mógł spokojnie interweniować.

To nie jest nieudana przyszłość.

To przyszłość, która wciąż uczy się niezawodnie pracować obok ludzi.