Humanoidy już biegają. Problem? Nadal nie potrafią pracować
Nauczyliśmy roboty poruszać się coraz bardziej jak ludzie. Teraz nadchodzi znacznie trudniejsza część: nauczyć je pracować. To nie jest drobna różnica semantyczna. W 2026 r. widać coraz wyraźniej, że mechanika humanoidów rozwija się szybciej niż ich zdolność do niezawodnego rozumienia świata, manipulowania przedmiotami i wykonywania wartościowej pracy bez ciągłej pomocy człowieka.
Dzisiejszy specjalny raport Reutersa z Chin dobrze pokazuje tę lukę. Kraj ma już ponad 150 firm rozwijających humanoidy, a administracja publiczna wydała w pierwszej połowie 2026 r. co najmniej 230 mln USD na humanoidy i powiązane projekty. Jednocześnie w odwiedzonym przez Reuters centrum treningowym w Liuzhou proste zadania były wykonywane wolno i z dużą liczbą nieudanych prób, a jeden z pracowników oceniał wydajność części robotów na około 20% poziomu człowieka. To obserwacje z konkretnego centrum, a nie benchmark całej branży — ale dobrze pokazują problem, którego nie widać na filmach z pokazów.
Ciało humanoida przestało być jedynym problemem
Przez lata największym wyzwaniem było samo zbudowanie maszyny, która chodzi, utrzymuje równowagę, ma wystarczająco mocne napędy i nie przewraca się przy pierwszym kontakcie z przeszkodą. Ten etap nie jest zakończony, ale postęp jest spektakularny. W sierpniu podczas World Humanoid Robot Games chińskie konstrukcje pokazały tempo biegu, które jeszcze niedawno wydawało się nierealne. Platformy takie jak Unitree H2 demonstrują coraz bardziej płynny ruch, a producenci regularnie poprawiają moment obrotowy, gęstość mocy i zakres ruchu.
Tyle że sprawny układ ruchu nie rozwiązuje najważniejszego pytania klienta: ile wartości robot wytworzy w ciągu jednej zmiany? Dla fabryki nie ma większego znaczenia, czy humanoid potrafi zrobić salto, jeśli przy podnoszeniu części co dwudziesta próba wymaga interwencji operatora. W biznesie liczą się inne liczby: success rate, czas cyklu, uptime, liczba interwencji, MTBF, koszt energii, koszt serwisu i koszt wykonania pojedynczego zadania.
To dlatego klasyczne ramiona przemysłowe nadal wygrywają w wielu uporządkowanych procesach. Nie wyglądają jak człowiek i nie mają ambicji być uniwersalne. Za to wykonują ograniczony zakres ruchów niezwykle szybko, dokładnie i przewidywalnie. Humanoid ma sens dopiero tam, gdzie jego większa elastyczność rekompensuje niższą wydajność lub pozwala uniknąć przebudowy całego środowiska pod automatykę.
Największy problem znajduje się teraz w „mózgu”
W praktyce robot musi zrobić znacznie więcej niż rozpoznać obiekt. Musi zrozumieć, gdzie on jest, jaki ma kształt, jaką siłę przyłożyć, czy chwyt się udał, co zmieniło się po ruchu i jak skorygować następny krok. To właśnie obszar, w którym rozwijane są modele vision-language-action, world models i inne systemy określane szeroko jako Physical AI.
Problem polega na tym, że świat fizyczny jest bezlitosny dla modeli uczonych na wąskich scenariuszach. Zmiana światła, kąta kamery, ułożenia przedmiotu, powierzchni albo tempa procesu może sprawić, że zachowanie poprawne w laboratorium przestaje działać. Model językowy może wygenerować niedoskonałe zdanie i nadal być użyteczny. Robot trzymający ciężki element musi wiedzieć, co robi, zanim wykona ruch.
TechCrunch opisał ten etap branży jako coś przypominającego „erę GPT-2” robotyki — to metafora części uczestników rynku, a nie techniczny benchmark. Sens porównania jest jednak ciekawy: hardware dojrzewa szybko, ale warstwa inteligencji nadal nie ma jeszcze odpowiednika momentu, w którym modele językowe stały się wystarczająco dobre i łatwe w użyciu dla masowego odbiorcy.
Roboty mają problem, którego chatboty prawie nie miały: braku danych
Internet był gigantycznym magazynem tekstu, obrazu i wideo gotowym do wykorzystania przez twórców modeli generatywnych. Dla robotów nie istnieje równie łatwo dostępny zbiór milionów poprawnie opisanych chwytów, potknięć, poślizgów, błędów, sił kontaktu i reakcji na nieprzewidziane sytuacje.
Reuters przytacza branżowy szacunek mówiący o około 500 tys. godzin wysokiej jakości danych treningowych dostępnych sektorowi humanoidów wobec potencjalnej potrzeby rzędu 100 mln godzin. Te liczby nie są audytowanym pomiarem całego rynku i należy traktować je jako szacunek analityczny, ale skala różnicy tłumaczy, dlaczego firmy nagle budują centra teleoperacji, zbierają egocentryczne wideo od pracowników i inwestują w symulację.
Powstaje więc nietypowa pętla: żeby zbudować lepszy model, potrzebujesz danych z robotów. Żeby zebrać dużo danych z robotów, potrzebujesz wielu robotów w świecie. A żeby ekonomicznie uzasadnić wiele robotów, potrzebujesz lepszego modelu. Chiny próbują przeciąć ten węzeł skalą hardware’u i finansowaniem wdrożeń.
Dlatego chińskie „przeinwestowanie” może być jednocześnie wadą i przewagą
Ponad 150 firm humanoidalnych brzmi jak przepis na brutalną konsolidację — i prawdopodobnie część z nich zniknie. Ale z perspektywy rozwoju Physical AI nadmiar sprzętu może mieć drugie dno. Każda maszyna w centrum treningowym, magazynie czy sklepie może być źródłem danych o realnym świecie, błędach i nietypowych sytuacjach.
To przypomina strategię znaną z innych chińskich sektorów: zbudować ogromną podaż, obniżyć koszty komponentów, dopuścić do ostrej konkurencji, a później pozwolić rynkowi wyłonić kilku zwycięzców. W humanoidach ryzyko jest większe, bo technologia i popyt komercyjny są mniej dojrzałe niż były w wielu wcześniejszych branżach. Jeżeli jednak ta fala hardware’u wygeneruje ogromny zasób danych, część inwestycji może okazać się wartościowa nawet wtedy, gdy wiele marek nie przetrwa.
W naszej wcześniejszej analizie rynku humanoidów H1 2026 zwracaliśmy uwagę, że wysyłka robota nie jest równoznaczna z produktywnym wdrożeniem. Dzisiejsze dane wzmacniają ten wniosek: liczba sztuk ma znaczenie, ale dopiero wtedy, gdy wiadomo, czy są to płatne narzędzia pracy, platformy badawcze, sprzęt do generowania danych czy projekty kupowane dzięki subsydiom.
Pierwsza fala komercjalizacji będzie prawdopodobnie nudna — i to dobra wiadomość
Najciekawsze wdrożenia nie muszą wyglądać jak humanoid sprzątający cały dom. Mogą dotyczyć jednego powtarzalnego zadania, w którym środowisko jest wystarczająco uporządkowane, a elastyczność robota daje przewagę nad klasyczną automatyką.
Dobrym przykładem jest Galbot G1 używany w chińskich aptekach. Firma deklaruje ponad 95% skuteczności pobierania produktów; Reuters opisuje rzeczywiste wdrożenia w ponad dwóch tuzinach miast. Sam wynik skuteczności pochodzi jednak od Galbot i nie jest niezależnym benchmarkiem. Ważniejsze jest coś innego: zadanie jest wąskie, środowisko ograniczone, a wartość biznesowa łatwa do policzenia.
Tak może wyglądać najbliższy etap robotyki ogólnego przeznaczenia. Nie jeden robot robiący wszystko, lecz coraz bardziej uniwersalny „mózg” wdrażany najpierw w pionowych zastosowaniach, gdzie można zebrać dane, zarobić pieniądze i poprawiać model na podstawie realnych błędów.
Isaac 0.5 pokazuje, dokąd przesuwa się wyścig
Dobrym sygnałem tej zmiany jest premiera Isaac 0.5 od Perceptron. Model łączy analizę wideo, reasoning przestrzenny i sterowanie robotem w jednej architekturze. Firma trenuje go na danych z wielu różnych systemów robotycznych oraz dużej ilości zwykłego wideo. Nie oznacza to, że Isaac rozwiązał problem ogólnej robotyki — jego benchmarki są głównie wynikami twórców modelu — ale pokazuje, że konkurencja przesuwa się z pytania „kto zbuduje najlepsze ciało?” w stronę „kto zbuduje model, który potrafi wykorzystać różne ciała i uczyć się z większej liczby źródeł danych?”.
To samo widać w strategiach Generalist, Physical Intelligence, NVIDIA, Google DeepMind i szeregu chińskich firm embodied AI. Najcenniejszym aktywem może wcale nie być konkretna konstrukcja humanoida, lecz data engine + model + narzędzia wdrożeniowe, które potrafią uczyć się na kolejnych platformach.
Jak rozpoznać, że humanoidy naprawdę zaczęły pracować?
RoboMorrow proponuje prosty filtr. Zamiast pytać, czy robot „potrafi” wykonać zadanie, warto oczekiwać pięciu liczb:
- success rate liczony na setkach lub tysiącach prób, nie na wybranym filmie;
- intervention rate — jak często człowiek musi przejąć kontrolę lub poprawić robota;
- cycle time względem człowieka albo klasycznej automatyki;
- uptime / MTBF podczas wielogodzinnej pracy;
- koszt wykonania zadania, uwzględniający robot, serwis, operatorów, energię i integrację.
Dopiero taki zestaw danych pozwala oddzielić demonstrację możliwości od produktu. I właśnie tych liczb branża humanoidów publikuje dziś zdecydowanie za mało.
Co to oznacza dla Polski i Europy
Europa prawdopodobnie nie wygra wyścigu liczbą startupów humanoidalnych ani tempem subsydiowania setek podobnych platform. Może jednak zbudować przewagę tam, gdzie komercjalizacja będzie naprawdę trudna: integracji z istniejącą automatyką, bezpieczeństwie, serwisie, cyberbezpieczeństwie, danych przemysłowych i wyspecjalizowanych wdrożeniach.
Dla polskich fabryk najważniejszym pytaniem nie powinno być dziś „którego humanoida kupić?”, ale „w którym procesie elastyczny robot może wygenerować ROI mimo swojej obecnej niedoskonałości?”. Najlepszymi kandydatami mogą być zadania nieergonomiczne, zmienne, trudne do zautomatyzowania klasycznym ramieniem i jednocześnie wystarczająco powtarzalne, aby zebrać dane oraz bezpiecznie ograniczyć zakres działania.
To również powód, dla którego dostępność humanoidów w 2026 r. trzeba analizować inaczej niż dostępność zwykłego sprzętu. Zakup platformy jest dopiero początkiem. Prawdziwym produktem staje się dopiero system, który można wdrożyć, szkolić, monitorować i utrzymywać.
Wniosek: sprint był łatwiejszy niż zmiana robocza
Najbardziej efektowna historia 2026 r. brzmi: roboty zaczynają biegać szybciej niż ludzie. Najważniejsza historia jest znacznie mniej widowiskowa: branża próbuje sprawić, żeby robot przez kilka godzin robił jedną pożyteczną rzecz bez niespodzianek.
Jeżeli nastąpi przełom w danych, modelach i niezawodności, obecna przewaga Chin w hardware może zamienić się w ogromny flywheel uczenia. Jeżeli nie, część boomu skończy się nadwyżką fabryk, drogimi centrami treningowymi i konsolidacją. W obu scenariuszach następne dwa lata będą mniej o tym, jak humanoid wygląda na scenie, a bardziej o tym, co robi po zgaszeniu kamer.
Źródła i metodologia
Główne źródło danych rynkowych: Reuters Special Report, 27.08.2026. Kontekst dotyczący data bottleneck i metafory „GPT-2 era”: TechCrunch, 26.08.2026. Dane o Isaac 0.5: oficjalna karta modelu Perceptron i repozytorium GitHub. RoboMorrow oddziela obserwacje niezależnych źródeł od deklaracji producentów i nie traktuje pojedynczego demo jako dowodu komercyjnej niezawodności.
Zdjęcie wyróżniające: oficjalny materiał Unitree H2 użyty ilustracyjnie jako przykład postępu mechanicznego humanoidów. Nie przedstawia centrum treningowego opisanego przez Reuters.