Roboti místo dělníků: Jak se humanoidní stroje učí práci, která zabíjí lidi

Sklad Amazonu v Číně. 37 stupňů Celsia, dvanáctihodinová směna, 20 000 kroků denně. Tohle je práce, do které se nikdo nehrne — ale do které roboti vstupují čím dál ochotněji. A ne proto, že by je to bavilo, ale proto, že je to konečně naučili.

Trénink humanoidního robota pro fyzicky náročnou práci je jedním z nejtěžších problémů moderní robotiky. Není to otázka hardwaru — motory, aktuátory a senzory máme zvládnuté. Problém je software a data. Přimět čtyřiadvacetistupňový stroj, aby se choval jako unavený skladník, vyžaduje miliony hodin simulace a stovky milionů dolarů investic.

Co se děje v laboratořích: Od teleoprace k autonomii

Nejrychleji postupující přístup k trénování humanoidů dnes kombinuje tři metody. První je teleoprace — člověk ovládá robota na dálku, zatímco robot sleduje každý pohyb a ukládá data. Figure AI, startup s Microsoftem a OpenAI v zádech, takto nasbíral přes 50 000 hodin pohybových dat za pouhý rok. Výsledkem je robot Figure 02, který dokáže složit krabice v BMW závodu v Spartanburgu tempem srovnatelným s průměrným lidským pracovníkem — ne geniálním, ale průměrným.

Druhá metoda je imitační učení (imitation learning). Robot sleduje videozáznamy lidí při práci — ideálně tisíce záběrů stejného úkolu z různých úhlů — a extrahuje motorické vzorce. Google DeepMind použil tuto techniku pro projekt RT-2, kde robot zvládl přenést koncepty z vizuálního vstupu přímo do motorických akcí bez explicitního programování. Výsledky jsou ohromující, ale stále fragilní: drobná změna osvětlení nebo jinak umístěná krabice a robot tápá.

Třetí, a dnes nejslibnější, je reinforcement learning v simulaci — RL v sim. Robot se učí v digitálním světě, kde chyba nic nestojí. NVIDIA Isaac Sim, Mujoco nebo Pybullet generují fyzikální prostředí, ve kterém může robot "žít" tisíce let v akcelerovaném čase. Pak přichází nejkritičtější moment celého procesu: sim-to-real transfer. Přechod z dokonalého digitálního světa do chaotické reality, kde podlaha nikdy není úplně rovná a zásilky mají vůli dělat co chtějí.

Boston Dynamics vs. Tesla Optimus: Dvě filozofie trénování

Srovnání těchto dvou přístupů je vlastně srovnání dvou světů. Boston Dynamics buduje Atlas skoro dvacet let. Jejich přístup je konzervativní — každý pohyb je ručně ladění po desetiletí, precizní hydraulika, a výsledek? Atlas, který dělá salto dozadu lépe než většina gymnástů. Problém je cena: přes 150 000 dolarů za kus a prakticky žádná komerční dostupnost pro firmy mimo bezpečnostní sektor.

Tesla Optimus jde opačnou cestou. Elon Musk to nazvat "masovou výrobu" — cílová cena 20 000 dolarů, výroba v desetitisících kusů ročně od 2026. Optimus Gen 2 má 28 stupňů volnosti rukou, dokáže pracovat s jemnými objekty a jeho trénovací pipeline je přímo napojená na data z FSD (Full Self-Driving) — jde o technologický transfer z automobilu do robota. Neurální sítě pro rozpoznávání prostoru a objektů jsou takřka identické.

Agility Robotics se soustředí na komerční průlom. Jejich Digit už pracuje ve skladech Amazonu v USA. Není to humanoidní v klasickém slova smyslu — nemá hlavu, vypadá spíš jako mechanický pštros — ale za 250 000 dolarů ročně (leasingový model) dělá monotónní sklady práci bez přestávek. Klíčový tréninkový prvek u Digita je task-specific fine-tuning: základní model pro pohyb a rovnováhu je sdílený, ale manipulace s objekty se trénuje zvlášť pro každý typ skladu.

Fyzická náročnost jako tréninkový problém

Tady se dostáváme k jádru věci. Trénovat robota na "těžkou práci" není jen otázka síly — aktuátory zvládnou dát 400 Nm bez mrknutí oka. Problém je adaptabilita při fyzické zátěži a detekce hraniční situace.

Příklad: bagr může zvedat tunu, ale neví, kdy se podloží pod ním začíná propadat. Humanoidní robot musí zvládat analogický problém — jak zatížit díl, který vypadá pevně, ale začíná se lámat? Jak ustoupit, když mu někdo nechtěně stoupne na nohu? Jak pokračovat v práci, když je jeden sensor zaprášený?

Tým z Carnegie Mellon University publikoval v březnu 2025 výzkum, kde trénoval humanoidního robota na přechod z terénního terénu na průmyslové podlahy — přechod, který lidé dělají podvědomě, ale pro robota je algoritmicky mimořádně komplexní. Jejich přístup kombinoval proprioceptivní feedback (kde jsou klouby) s taktilními sensory v chodidlech a dosáhl 94% úspěšnosti v reálných podmínkách staveniště.

Čínské firmy — Unitree, Fourier Intelligence, DEEP Robotics — tlačí na cenovou dostupnost. Unitree H1 stojí 90 000 dolarů a má otevřené SDK. Fourier GR-1 se prodává za podobnou cenu a jeho vývojové prostředí je kompatibilní s ROS2 (Robot Operating System 2), což znamená, že akademici a pokročilí DIY nadšenci mohou trénovat vlastní modely na vlastních datech. Tohle je průlom — před třemi lety by to stálo milion.

DIY a open-source: Kde se pohybuje komunita

Není to jen doména korporací. Open-source projekty jako LeRobot od Hugging Face zpřístupňují imitační učení každému, kdo má desktop s GPU a robotické rameno za 500 dolarů. LeRobot obsahuje hotové datasety, trénovací skripty a pre-trained modely — včetně ACT (Action Chunking with Transformers), který dosahuje překvapivě dobrých výsledků na manipulační úlohy.

Projekt ALOHA ze Stanfordu — open-source platforma pro bimanuální manipulaci — ukázal, že s rozpočtem 20 000 dolarů a 30 minutami trénovacích demonstrací zvládne robotické rameno úkoly jako mačkání citronu, oprava boty nebo ohřívání jídla v mikrovlnce. Čísla jsou prozaická, ale symbolicky důležitá: tenhle výzkum byl publikovaný zdarma a kdokoliv ho může reprodukovat.

Pro evropského vývojáře nebo malou firmu je cesta do humanoidní robotiky reálná. Hardware: Unitree G1 nebo levnější ramena z AliExpressu s ROS2 podporou. Software: LeRobot, Isaac Lab pro simulaci, Lerobot ACT nebo Diffusion Policy pro imitační učení. GPU: RTX 4090 nebo cloud (Lambda Labs ~$1.5/hod pro A100). Tréninkový dataset: stačí 50-100 demonstrací pro jednoduchý úkol. Tohle není sci-fi — tohle je dnešní realita pro každého, kdo to chce zkusit.

Více o propojení autonomních systémů s energetickou infrastrukturou najdete na ShareElectric.cz — právě datová centra a robotické provozy se stávají klíčovými hráči ve flexibilitě sítě.

Energie, roboti a smart grid

Tady se dostáváme k tématu, které se zdánlivě nesouvisí, ale je absolutně kritické. Humanoidní robot pracující 24/7 ve skladu spotřebuje 1-3 kWh za hodinu chodu. Sklad se 100 roboty má energetickou stopu srovnatelnou s menší výrobní halou. A právě tady vstupují do hry energetické platformy.

Amazonu v USA provozuje sklady s robotickými linkami napájenými z firemních solárních střech doplněných bateriemi BESS. Optimalizace — kdy nabíjet, kdy pustit do sítě přebytky, kdy omezit výkon robotů — je přímý případ využití energy managementu. Čím více automatizace, tím větší smysl dává prediktivní řízení spotřeby a day trading elektřiny pro vyhlazení špiček.

Platforma jako energetická platforma SES nabízí přesně toto: obchodování odchylek, regulační elektřinu, sdílení energie mezi průmyslovými odběrateli a BESS v rozsahu 50-250 kW. Pro robotický provoz, který nemůže dovolit výpadek, je stabilní a chytrý přístup k elektřině stejně důležitý jako kvalitní GPU cluster.

Predikce spotřeby robotického provozu je navíc přirozeně datová úloha — ty samé AI modely, které trénují roboty, mohou optimalizovat energetický tarif. Tohle propojení teprve začíná, ale firmy jako Agility Robotics a Toyota Research Institute na něm aktivně pracují.

Technické aspekty flexibilního odběru elektřiny pro průmyslové provozy podrobně rozebírá SmartEnergyShare.cz — konkrétně sekce o virtuálních elektrárnách je relevantní pro každý větší robotický provoz.

Co přijde za pět let: Kontroverzní předpověď

Do roku 2030 bude humanoidní robot schopný zvládnout 80 % fyzicky náročné skladové a montážní práce. Cena klesne pod 30 000 dolarů za kus. Trénovací data se stanou strategickou surovinou — cennou jako ropa. Firmy, které dnes sbírají pohybová data lidských pracovníků (s jejich souhlasem nebo bez), budou mít obrovskou výhodu.

Sociální dopad? Tady se debata teprve rozběhne naplno. Mezinárodní organizace práce odhaduje, že do roku 2030 může robotizace nahradit 85 milionů pracovních míst, ale vytvořit 97 milionů nových — jenže to jsou jiná místa, v jiných zemích, pro jinak vzdělané lidi. Přechod nebude plynulý.

Technologicky nejzajímavější otázka zní jinak: kdy robot přestane potřebovat lidská demonstrační data a začne se učit pouze pozorováním světa kolem sebe? Výzkum "world models" — modelů, které si budují interní reprezentaci fyzikálního světa — je dnes nejhorkější oblast AI výzkumu. Yann LeCun z Meta AI tvrdí, že tohle je cesta k obecné inteligenci. Ostatní jsou skeptičtí. Ale jestli se to povede, trénovací paradigma se změní fundamentálně.

Do té doby: robot se stále učí od člověka. Otázka je jen kolik zaplatíme za ten přechod — v dolarech, v pracovních místech, a v kilowattech.

Zdroje

IEEE Spectrum — Humanoid Robots — průběžné zpravodajství o vývoji humanoidů
The Robot Report — Figure AI — komerční přehled robotického průmyslu
Hugging Face LeRobot dokumentace — open-source framework pro imitační učení
Carnegie Mellon University — Humanoid Locomotion Research — akademický výzkum lokomoce
IEA — Energy and Industry Digitalisation — dopad automatizace na energetiku

Obchodujete s batteriovými úložišti nebo hledáte partnera pro flexibilitu a day trading elektřiny? SmartEnergyShare nabízí kompletní řešení pro BESS projekty od 50 do 250 kW - obchodování odchylek, regulační elektřiny a intraday trading. Zjistěte víc na SmartEnergyShare.

Další články na toto téma najdete na: SdileniEnergie.info - komunitní energetika Electric-Share.cz - legislativa a dotace