Physical AI: walki robotów rozwijają technologie przyszłości

Jeszcze niedawno sztuczna inteligencja mogła co najwyżej źle dobrać słowo, pomylić datę albo wygenerować człowieka z dodatkowym palcem. W świecie robotów humanoidalnych konsekwencje błędu są bardziej namacalne. Źle dobrany ruch może zakończyć się utratą równowagi, uszkodzeniem napędu albo efektownym spotkaniem z podłogą.

Dlatego informacja o sukcesie polskiego zespołu Brave Mind Fighters w eliminacjach ligi walk humanoidów URKL jest ciekawa nie tylko jako technologiczna wiadomość z gatunku „Polacy znowu potrafią”. Pokazuje znacznie większą zmianę: sztuczna inteligencja wychodzi z ekranu i zaczyna działać w świecie fizycznym.

Na tym etapie nie musimy jeszcze obawiać się buntu maszyn. Roboty nadal mają wystarczająco dużo problemów z utrzymaniem równowagi, aby organizowanie globalnej rewolucji pozostawić na później. Jednak procesy wykorzystywane do ich uczenia już teraz mają znaczenie dla przemysłu, logistyki, ratownictwa i automatyzacji.

Nie tylko walka robotów

Ultimate Robot Knock-out Legend, czyli URKL, została uruchomiona w 2026 roku przez chińską firmę EngineAI jako profesjonalna liga swobodnych walk pełnowymiarowych robotów humanoidalnych. Oficjalnie projekt ma łączyć widowisko, rywalizację technologiczną oraz rozwój przemysłowy robotyki.

To rozróżnienie jest kluczowe. Walka jest atrakcyjna dla widza, ale z perspektywy inżynierskiej stanowi bardzo złożony test systemowy. Robot musi jednocześnie utrzymać równowagę, wykrywać położenie przeciwnika, sterować wieloma napędami, reagować na kontakt fizyczny i kontynuować działanie po uderzeniu lub upadku.

Nie testujemy więc pojedynczej funkcji. Testujemy współdziałanie całego systemu.

Walka humanoidów jest dla robotyki tym, czym test obciążeniowy dla systemu informatycznego. Różnica polega na tym, że błędu nie można ukryć w logach. Robot zwyczajnie przewraca się na środku ringu.

Czym jest Physical AI?

Generatywna sztuczna inteligencja operuje przede wszystkim na informacjach. Otrzymuje tekst, obraz lub dźwięk, przetwarza dane i generuje wynik. Physical AI musi dodatkowo rozumieć środowisko fizyczne oraz oddziaływać na nie za pomocą rzeczywistego urządzenia.

W praktyce oznacza to połączenie kilku warstw:

• percepcji, czyli kamer, czujników położenia, siły i ruchu;
• logiki sterowania, planowania oraz podejmowania decyzji;
• mechanicznego wykonania ruchu przez silniki, przekładnie i elementy konstrukcji.

To rozwinięcie koncepcji Asystenta AI. Asystent działający wyłącznie w interfejsie tekstowym może przygotować plan wykonania zadania. Robot musi ten plan zrealizować w środowisku, w którym istnieją grawitacja, tarcie, bezwładność i przedmioty, które nie zawsze znajdują się dokładnie tam, gdzie powinny.

NVIDIA określa Physical AI jako kolejny etap rozwoju po AI percepcyjnej, generatywnej i agentowej. Rozwija w tym celu platformy obejmujące modele świata, generowanie danych syntetycznych, symulatory fizyczne oraz narzędzia do wdrażania modeli w robotach. Nie chodzi już tylko o to, aby model „wiedział”, czym jest ruch. Musi jeszcze nauczyć się go wykonać.

Jak robot uczy się działania

Robot nie kopiuje człowieka jeden do jednego

Jedną z metod uczenia humanoidów jest rejestrowanie ruchów człowieka za pomocą motion capture, a następnie przenoszenie ich do modelu robota. Pozornie wygląda to prosto: człowiek wykonuje kopnięcie, system zapisuje ruch, a robot go powtarza.

W praktyce człowiek i robot mają inną budowę, masę, zakres ruchu stawów oraz rozkład środka ciężkości. Nie można więc po prostu skopiować współrzędnych. Ruch trzeba przekształcić tak, aby był możliwy do wykonania przez konkretną konstrukcję.

Badania nad sterowaniem całym ciałem humanoida pokazują, że system musi rozwiązać problem dopasowania ruchu człowieka do kinematyki robota, opóźnień sterowania oraz różnic między symulacją i rzeczywistym urządzeniem. Nawet poprawnie zarejestrowany ruch może doprowadzić do utraty równowagi, jeżeli nie zostanie dostosowany do fizycznych możliwości robota.

Dlatego ruch człowieka jest raczej materiałem szkoleniowym niż gotową instrukcją wykonania.

Symulacja jako fabryka doświadczenia

Uczenie robota bezpośrednio w świecie rzeczywistym byłoby kosztowne i powolne. Każdy upadek oznacza ryzyko uszkodzenia sprzętu, konieczność ponownego ustawienia robota i czas pracy zespołu technicznego.

Dlatego dużą część treningu przeprowadza się w symulatorach. Wirtualny robot może wykonać tysiące prób, przewracać się, zmieniać strategię i rozpoczynać eksperyment od początku bez wymiany uszkodzonej przekładni.

Narzędzia takie jak NVIDIA Isaac Sim pozwalają tworzyć fizyczne środowiska treningowe, generować dane syntetyczne oraz testować zachowanie robotów. W jednym eksperymencie można uruchomić równolegle tysiące wirtualnych środowisk, w których robot ćwiczy różne warianty tego samego zadania.

Badania opublikowane pod koniec 2025 roku pokazały, że dzięki masowo równoległym symulacjom możliwe było wytrenowanie sposobu poruszania humanoidów Unitree G1 i Booster T1 w ciągu kilkunastu minut na pojedynczej karcie RTX 4090. Nie oznacza to oczywiście, że po kwadransie otrzymujemy gotowego pracownika fabryki. Pokazuje jednak skalę przyspieszenia eksperymentów.

Symulacja jest dla humanoida siłownią, szkołą walki i przyspieszonym kursem popełniania błędów. Po każdym wirtualnym nokaucie wystarczy przywrócić stan środowiska.

Uczenie przez nagradzanie

W treningu robotów często wykorzystuje się uczenie ze wzmocnieniem. Model wykonuje kolejne próby, a system ocenia wynik za pomocą funkcji nagrody.

Robot może otrzymywać dodatnie punkty za utrzymanie równowagi, poprawne wykonanie ruchu i osiągnięcie celu. Punkty ujemne mogą być naliczane za upadek, nadmierne zużycie energii, niebezpieczne ułożenie stawów lub ruch odbiegający od wzorca.

Jednym z popularnych algorytmów jest PPO, czyli Proximal Policy Optimization. Jest wykorzystywany między innymi w badaniach nad poruszaniem się humanoidów i przenoszeniem wyuczonych zachowań z symulacji na fizycznego robota.

Najważniejszym elementem nie jest jednak sama nazwa algorytmu. Kluczowe pozostaje określenie, za co robot ma być nagradzany. Źle skonstruowana funkcja nagrody może doprowadzić do powstania zachowania, które formalnie spełnia cel, ale praktycznie jest bezużyteczne.

To problem doskonale znany również z analizy biznesowej. System zrealizuje zdefiniowane wymaganie. Nie ma jednak gwarancji, że wymaganie rzeczywiście odzwierciedlało potrzebę.

Problem sim-to-real

Najtrudniejszy etap zaczyna się wtedy, gdy wytrenowany model zostaje przeniesiony z symulatora do fizycznego robota. Zjawisko to określa się jako sim-to-real.

Symulacja jest przybliżeniem rzeczywistości. Może nie odwzorować dokładnie tarcia podłoża, luzów mechanicznych, opóźnień czujników, temperatury napędów albo niewielkich różnic między dwoma egzemplarzami tego samego robota.

Model, który działa idealnie w wirtualnym środowisku, może więc po wdrożeniu zachowywać się inaczej. Aby ograniczyć ten problem, parametry symulacji są celowo zmieniane. Robot uczy się na różnych powierzchniach, przy zmiennej masie, opóźnieniach oraz przypadkowych zakłóceniach.

Nie uczymy go jednej idealnej rzeczywistości. Uczymy go całej rodziny możliwych rzeczywistości, aby fizyczny świat nie okazał się dla niego niemiłą niespodzianką.

Walka jako test całego systemu

Dlaczego właśnie walka?

Walka robotów może budzić uzasadnione skojarzenia z militaryzacją technologii. Nie należy tego aspektu ignorować. Jednocześnie z perspektywy badawczej dynamiczny kontakt dwóch humanoidów tworzy wyjątkowo wymagające środowisko testowe.

Robot nie porusza się po ustalonej trasie i nie wykonuje w kółko tego samego ruchu. Przeciwnik zmienia pozycję, zakłóca równowagę i tworzy sytuacje, których nie da się dokładnie zaplanować przed rozpoczęciem pojedynku.

Testowane są więc właściwości potrzebne również poza ringiem:

• odporność na nieprzewidziane zakłócenia;
• odzyskiwanie stabilności po kontakcie lub upadku;
• podejmowanie decyzji w dynamicznym środowisku.

Oficjalna koncepcja URKL zakłada połączenie pokazów i zawodów oraz rozwój ligi jako profesjonalnej i uprzemysłowionej platformy robotycznej. Turniej jest więc jednocześnie widowiskiem, laboratorium i działaniem marketingowym producenta sprzętu.

Dobry zawodnik nie musi być dobrym pracownikiem

Nie należy jednak wyciągać wniosku, że robot wykonujący efektowne kopnięcie jest gotowy do pracy w magazynie albo domu.

Przemysł wymaga powtarzalności, bezpieczeństwa, precyzyjnego chwytania przedmiotów, długiego czasu pracy i przewidywalnego kosztu utrzymania. Robot walczący na ringu jest optymalizowany pod zupełnie inne zadanie.

Współczesne humanoidy nadal mają problem z pełną autonomią w niekontrolowanych środowiskach. Część prezentacji wykorzystuje teleoperację, wcześniej zaprogramowane sekwencje lub ograniczone scenariusze. Zagraniczne analizy wdrożeń humanoidów wskazują, że pierwsze praktyczne zastosowania prawdopodobnie pojawią się w środowiskach przemysłowych, gdzie przestrzeń i proces można częściowo kontrolować.

Fabryka jest mniej efektowna niż ring, ale biznesowo może okazać się znacznie ważniejsza.

Polska nie musi produkować całego robota

Sukces Brave Mind Fighters pokazuje jeszcze jedną istotną właściwość rynku robotyki. Wartość nie powstaje wyłącznie w fabryce składającej mechaniczne ciało humanoida.

Może powstawać również w oprogramowaniu sterującym, procesie treningowym, symulatorach, integracji czujników, testach bezpieczeństwa oraz dostosowaniu robota do konkretnego procesu biznesowego.

To sytuacja podobna do rynku komputerowego. Organizacja nie musi produkować własnych procesorów, pamięci i płyt głównych, aby tworzyć wartościowe systemy informatyczne. Może wykorzystać dostępną platformę sprzętową i zbudować nad nią własną logikę.

Polska nie musi wygrać wyścigu na liczbę wyprodukowanych humanoidów. Może natomiast tworzyć ich układ nerwowy, proces uczenia oraz logikę działania.

Od Asystenta AI do wykonawcy

W mojej definicji Asystent AI wspiera człowieka w realizacji celów, zbiera informacje, planuje działania, wykonuje zadania i doskonali się na podstawie wyników.

Robot humanoidalny dodaje do tego modelu fizyczne wykonanie. Nie tylko przygotowuje instrukcję, ale wpływa na rzeczywiste środowisko. Tym samym zamyka pętlę pomiędzy obserwacją, analizą, decyzją, działaniem i informacją zwrotną.

To właśnie ten proces, a nie samo kopnięcie na ringu, jest najważniejszym elementem rozwoju Physical AI.

Praktyczną implementację tego modelu przedstawiłem na stronie „Implementacja fizycznego Asystenta AI”. Na przykładzie projektu Rider-Pi pokazuję tam połączenie percepcji, komunikacji, planowania, sterowania ruchem oraz informacji zwrotnej w ramach jednej architektury Asystenta AI.

Podsumowanie

Walki humanoidów są widowiskowe i zapewne właśnie dlatego będą przyciągały uwagę mediów. Warto jednak patrzeć dalej niż na wynik pojedynku.

Za każdym ruchem robota znajduje się cały system: rejestrowanie zachowania człowieka, przekształcanie ruchu, trening w symulacji, uczenie ze wzmocnieniem, transfer do fizycznego urządzenia oraz ciągła korekta błędów.

Na ringu obserwujemy więc nie tylko nowy rodzaj sportu. Obserwujemy laboratorium technologii, które mogą później trafić do fabryk, magazynów, ratownictwa i usług.

Roboty nie są jeszcze gotowe, aby zastąpić człowieka w dowolnym środowisku. Są jednak coraz lepiej przygotowane, aby wykonywać określone zadania w kontrolowanych warunkach. A to oznacza, że kolejny etap automatyzacji nie będzie odbywał się wyłącznie na ekranie komputera.

Sztuczna inteligencja właśnie dostała ciało. Teraz musi nauczyć się z niego korzystać.

---

Źródła i materiały dodatkowe

Koncepcja i implementacja fizycznego Asystenta AI

• Implementacja fizycznego Asystenta AI
  Praktyczne rozwinięcie koncepcji Asystenta AI o sensory, sterowanie ruchem, planowanie oraz działanie w świecie fizycznym.
• Autonomia AI – zakres samodzielności Asystenta
  Koncepcja autonomii jako uprawnienia nadawanego przez użytkownika oraz relacja między autonomią, normami i zasobami systemu.
• Rider-Pi – repozytorium projektu
  Kod źródłowy, dokumentacja architektury oraz moduły percepcji, nawigacji, sterowania i symulacji.

URKL i walki robotów humanoidalnych

• URKL – oficjalna strona ligi walk robotów humanoidalnych
  Informacje o formule zawodów, założeniach ligi oraz wykorzystaniu rywalizacji jako platformy rozwoju technologii robotycznych.
• URKL – zadania eliminacyjne i dane ruchowe
  Modele robotów, wymagania eliminacyjne oraz przykładowe sekwencje ruchów całego ciała wykorzystywane podczas kwalifikacji.
• PAP: Brave Mind Fighters wśród najlepszych zespołów URKL
  Materiał dotyczący wyniku polskiego zespołu, jego składu oraz procesu przygotowywania robota do eliminacji.

Symulacja i rozwój Physical AI

• NVIDIA Isaac Sim
  Platforma do projektowania, symulowania, testowania i trenowania robotów w wirtualnych środowiskach opartych na modelach fizycznych.
• NVIDIA Isaac Lab
  Środowisko do równoległych eksperymentów oraz rozwijania algorytmów uczenia ze wzmocnieniem.
• NVIDIA Isaac – platforma rozwoju robotów AI
  Zestaw modeli, bibliotek i narzędzi do budowania, trenowania, testowania oraz wdrażania systemów Physical AI.

Sterowanie humanoidami i transfer sim-to-real

• SMAP: Self-supervised Motion Adaptation for Physically Plausible Humanoid Whole-body Control
  Badanie dotyczące dostosowywania ruchów człowieka do fizycznych możliwości robota oraz poprawy stabilności całego ciała.
• HDMI: Learning Interactive Humanoid Whole-Body Control from Human Videos
  Publikacja opisująca uczenie humanoidów na podstawie nagrań człowieka oraz przenoszenie zachowań z symulacji na fizyczne urządzenie.
• PolySim: Bridging the Sim-to-Real Gap for Humanoid Control
  Praca poświęcona ograniczaniu różnic między symulacją i rzeczywistym robotem przez trening w wielu silnikach symulacyjnych.