Isaac 0.5 chce być otwartym „mózgiem” robotów. Jest jeden ważny haczyk

Wyścig humanoidów coraz mniej przypomina konkurs na najlepszy hardware. Coraz więcej firm próbuje zbudować warstwę inteligencji, którą da się przenosić między różnymi robotami i zadaniami. Perceptron — startup założony przez byłych badaczy Meta FAIR — dołącza do tej grupy z modelem Isaac 0.5.

Według oficjalnej karty modelu Isaac 0.5 ma 36 mld parametrów w architekturze sparse i przyjmuje obrazy, wideo, instrukcje językowe, stan robota oraz poprzednie akcje. Z jednego backbone’u może generować m.in. odpowiedzi tekstowe, lokalizację przestrzenną, ocenę postępu zadania i akcje robota.

35 systemów robotycznych i milion godzin zwykłego wideo

Najważniejsza deklaracja Perceptron dotyczy danych. Firma podaje, że Isaac 0.5 trenowano na danych z ponad 35 systemów robotycznych, 100 tys. godzin doświadczenia robotów, milionie godzin ogólnego wideo i 3 bilionach tokenów multimodalnych. To dane producenta; RoboMorrow nie ma dostępu do pełnego zbioru treningowego ani niezależnego audytu jego składu.

Strategia jest interesująca, bo odpowiada na jeden z największych problemów Physical AI: teleoperowane dane robotyczne są drogie. Jeżeli zwykłe i egocentryczne wideo może nauczyć model wystarczająco dużo o ruchu, geometrii i zmianach w scenie, liczba godzin drogich demonstracji wymaganych dla konkretnego robota może spaść.

Perceptron raportuje własny eksperyment skalowania: przy utrzymaniu określonego poziomu action loss zwiększenie ogólnego wideo z 1 tys. do 1 mln godzin zmniejszyło wyliczoną potrzebę teleoperacji z około 5900 do 28 godzin. To nie jest wynik mówiący, że robot potrzebuje 210 razy mniej danych do realnej pracy. Jest to wewnętrzny rezultat treningowy przy konkretnym celu loss i konfiguracji modelu; nie zastępuje benchmarku task success, uptime ani liczby interwencji w fabryce.

Jeden model ma widzieć, rozumować i sterować

Isaac 0.5 został zaprojektowany jako jeden model obsługujący kilka poziomów stosu. Potrafi analizować wideo i śledzić obiekty, ale ma również generować sterowanie ciągłe i dyskretne. Według dokumentacji ciągłe akcje przechodzą przez Flow expert i 36-blokowy diffusion transformer, a tryb dyskretny wykorzystuje słownik 2048 tokenów FAST.

To ważne, bo tradycyjny pipeline robotyczny często składa się z wielu osobnych modułów: percepcji, planowania, lokalizacji, kontroli i logiki zadania. Modele end-to-end próbują część tych granic zredukować. Potencjalną korzyścią jest lepszy transfer między zadaniami i prostsze uczenie z dużych zbiorów danych. Potencjalnym kosztem jest trudniejsze debugowanie i większe wymagania dotyczące bezpieczeństwa oraz walidacji.

„Open” — tak, ale z ważnym haczykiem

Perceptron pozycjonuje Isaac 0.5 jako otwarty model. Publiczne repozytorium GitHub zawiera kod integracji treningu i inference z LeRobot, a karta Hugging Face opisuje licencjonowanie i zasoby modelu.

W momencie weryfikacji RoboMorrow dokumentacja jest jednak niespójna w jednym ważnym miejscu. Karta modelu mówi, że wydanie obejmuje base i action-capable weights, ale sekcja Resources nadal oznacza link do wag jako „COMING SOON”. Dlatego nie piszemy, że każdy może już dziś pobrać komplet wag i natychmiast uruchomić model. Kod i dokumentacja są publiczne; pełną dostępność wag warto sprawdzić ponownie przed wdrożeniem.

Repozytorium ma też praktyczne zastrzeżenie: czysty checkout nie zawiera jeszcze wszystkich zależności potrzebnych do renderowania, treningu i inference, ponieważ część runtime’u jest utrzymywana osobno. To typowa sytuacja dla świeżego wydania, ale ważna dla zespołów, które interpretują „open source” jako „clone and run”.

Dlaczego Isaac 0.5 jest ważniejszy niż kolejny model AI

Najciekawszy wniosek nie brzmi „Perceptron zbudował najlepszy robot brain”. Tego dziś nie da się uczciwie stwierdzić. Benchmarki pochodzą głównie od twórców modelu, a branża nadal nie ma jednego zestawu testów pozwalającego wiarygodnie porównać modele na różnych robotach w realnym środowisku.

Znaczenie Isaac 0.5 polega na kierunku. Model ma być trenowany na wielu embodiments i wielu typach danych, zamiast być przywiązany do jednej platformy. Jeśli taki model rzeczywiście będzie przenosił umiejętności między robotami, wartość może przesunąć się z samego hardware’u do warstwy software + data.

To dokładnie problem opisany w naszej analizie „Humanoidy już biegają. Problem? Nadal nie potrafią pracować”: ciało robota staje się coraz lepsze, ale komercyjna niezawodność zależy od jakości danych, generalizacji i szybkości uczenia nowych procesów.

Kim jest Perceptron

TechCrunch podaje, że Perceptron został założony w listopadzie 2024 r. przez Armena Aghajanyana i Akshata Shrivastavę, wcześniej związanych z Meta FAIR. Firma chce dostarczać warstwę visual intelligence dla produkcji, logistyki, magazynów, bezpieczeństwa i mobilności. Według danych PitchBook cytowanych przez TechCrunch startup pozyskał wcześniej 16 mln USD.

Te informacje biznesowe są niezależnym kontekstem, ale nie potwierdzają jakości samego modelu. Najważniejszy test zaczyna się teraz: czy Isaac będzie działał na sprzęcie klientów, z jaką liczbą interwencji i jak dużo dodatkowych danych będzie potrzebował do nowych zadań.

Co powinniśmy zobaczyć dalej

• faktycznie dostępne do pobrania wagi i jasne warunki licencji;
• reprodukcję benchmarków przez niezależne zespoły;
• closed-loop testy na kilku różnych robotach i zadaniach;
• success rate, intervention rate i cycle time w realnych wdrożeniach;
• porównanie kosztu fine-tuningu z modelami wymagającymi większej ilości danych robotycznych.

Jeżeli Perceptron pokaże te elementy, Isaac 0.5 może być czymś więcej niż interesującym wydaniem badawczym. Na dziś jest przede wszystkim kolejnym mocnym sygnałem, że wojna o roboty przenosi się do warstwy „mózgu” i danych.

Źródła i metodologia

Źródła pierwotne: Perceptron — Introducing Isaac 0.5, karta modelu Hugging Face oraz oficjalne repozytorium GitHub. Niezależny kontekst założycieli i finansowania: TechCrunch, 26.08.2026. Wyniki skalowania są przedstawiane jako dane producenta, nie niezależny benchmark RoboMorrow.

Zdjęcie wyróżniające: fotografia zespołu Perceptron dostarczona mediom przez firmę i opublikowana przez TechCrunch; użyta ilustracyjnie. Nie jest to wizualizacja wygenerowana przez AI.