Flexion Robotics: Švýcarský startup sází na software a simulace, aby vytvořil „Android" pro humanoidní roboty

Většina firem v oblasti humanoidní robotiky závodí v tom, kdo postaví lepší tělo. Flexion Robotics, startup z Curychu, který se vynořil z utajení koncem roku 2025, vsází na opačnou kartu: vítěznou výhodou v humanoidní robotice nebude hardware, ale mozek, který poběží na jakémkoli těle. S celkovým financováním 57,35 milionu dolarů a živou demonstrací na konferenci ICRA 2026, kde dosáhl přes 95% autonomie ve 300 pokusech, patří simulačně-first přístup Flexionu k nejvýraznějším strategiím v oboru .

Hlavní teze Flexionu: Pouze software, nezávislost na hardwaru

Flexion Robotics explicitně nevyrábí roboty. Místo toho buduje univerzální softwarový stack pro autonomii – to, co společnost popisuje jako „Android pro humanoidy“ – který si může licencovat jakýkoli výrobce humanoidních robotů . Tento stack je navržen tak, aby nasazení probíhalo současně na 14 různých humanoidních platformách, s cílem zkrátit inženýrské úsilí potřebné k nasazení nového robotu na nový úkol z let na jediný týden .

„Vytváříme virtuální svět, do kterého můžeme ty roboty umístit,“ uvádí společnost. „Trénovaní v simulaci, převedení do reálného světa s minimálním zapojením lidí“ .

Metodika tréninku: Sim-to-real ve velkém měřítku

Technický přístup Flexionu se točí kolem tří vzájemně propojených voleb:

1. Simulačně-first (sim-to-real) trénink. Všechny robotické politiky se trénují výhradně uvnitř virtuální fyzikální simulace v masivním měřítku – až 4 000 virtuálních robotů běžících současně – a poté se přenášejí na fyzický hardware s nulovým „zaučením“ v reálném světě . Společnost používá zpětnovazební učení (RL), kde se roboti učí metodou pokus-omyl: konají, vnímají výsledky a upravují se, dokud neuspějí . Výstupem není skript, ale politika neuronové sítě, která mapuje vnímání na akci .

2. Kombinace učení z ukázek a zpětnovazebního učení. Flexion používá reziduální zpětnovazební učení na vrcholu baseline pro učení z ukázek. To znamená, že se robot nejprve učí základní manipulační a pohybové dovednosti z lidských demonstračních dat, a poté pomocí RL tyto dovednosti přizpůsobuje reálným podmínkám, které simulátor nedokáže dokonale modelovat . Společnost také používá zpětnou vazbu „real-to-sim“, kdy data z reálného světa zpřesňují simulační parametry pro věrnější budoucí trénink .

3. Modulární třívrstvá architektura. Autonomní stack odděluje vysoké uvažování od plánování pohybu od nízkoúrovňového řízení :

• Příkazová vrstva (Uvažování): Agent s velkým jazykovým modelem (LLM) nebo vizuálně-jazykovým modelem (VLM), který interpretuje popisy úkolů v přirozeném jazyce – například „ukliď kancelář“ – rozdělí je na podúkoly a plánuje vícestupňové workflow .
• Vrstva generování pohybu (Plánování): Model založený na difúzi, který mapuje zamýšlenou dráhu robotu a vyhýbá se překážkám v 3D prostoru .
• Prováděcí vrstva (Reflexy): RL-based sledovač celého těla, který provádí robustní, adaptivní pohyb na fyzickém robotu .

Tento design „odděluje záměr (poháněný jazykem) od proveditelnosti (vynucené fyzikou), využívající simulaci pro motorické dovednosti a reálná data selektivně“ .

Autonomní kancelářské úkoly: Od pokynu k akci

V listopadu 2025 Flexion zveřejnil video, na kterém humanoidní robot autonomně uklízí kancelář na základě jednoduchého uživatelského pokynu – bez skriptů, předem vypočítaných trajektorií a bez lidské teleoperace . Agent založený na VLM vnímal scénu, uvažoval o úkolu a naplánoval strategii od začátku do konce pro sbírání a přeskupování předmětů . Stejný systém byl také předveden při navigaci ve venkovním prostředí za účelem autonomního sběru a likvidace odpadků .

ICRA 2026: Živé ověření

Na Mezinárodní konferenci o robotice a automatizaci (ICRA 2026), která se konala 9.–11. června 2026, Flexion provedl živou autonomní demonstraci humanoidního robotu. Během 300 pokusů během tří dnů roboti pracovali plně autonomně s více než 95% úspěšností a bez zásahu člověka . Výsledek potvrdil, že přístup sim-to-real transferu funguje ve velkém měřítku i v nekontrolovaném konferenčním prostředí, které je pro robotické demonstrace notoricky obtížné.

Čím se Flexion liší od oboru humanoidní robotiky

Dimenze	Flexion Robotics	Typičtí konkurenti (Tesla Optimus, Boston Dynamics, Figure, 1X)
Hlavní produkt	Univerzální software pro autonomii – žádný vlastní robotický hardware	Vertikálně integrovaný hardware + software; každý staví své vlastní tělo robotu
Platformová strategie	Běží na libovolném humanoidním hardwaru; v současnosti 14 platforem paralelně	Svázán s jednou proprietární hardwarovou platformou
Tréninkové paradigma	Simulačně-first (sim-to-real); politiky trénované v simulaci a přenesené s nulovým zaučením	Mix dat z teleoperace v reálném světě, RL v reálném světě a simulace; většina silně spoléhá na sběr reálných dat
Cíl hardwarové kompatibility	Zkrátit nastavení pro nový robot + nový úkol z let na jeden týden	Každý nový úkol vyžaduje měsíce hardwarově specifického inženýrství
Financování	57,35 mil. USD celkem (50 mil. USD Series A + 7,35 mil. USD seed)	Konkurenti často získávají větší kola na výrobu hardwaru (např. Figure AI získala 675+ mil. USD)
Klíčoví investoři	DST Global, NVIDIA NVentures, Prosus Ventures, Moonfire, Redalpine	Mix VC, strategických a korporátních investorů

Klíčové strategické odlišnosti:

• Pouze software / model platformového licencování. Flexion se staví do pozice horizontální inteligentní vrstvy, kterou si může licencovat jakýkoli výrobce humanoidů, čímž se výslovně vyhýbá „pasti vertikální integrace“, kde firmy jako Tesla nebo Figure musí stavět mozek i tělo .
• Hardwarově agnostická generalizace. Trénink jednoho stacku na 14 různých humanoidních platformách paralelně má za cíl učinit mozek Flexionu přenosný napříč morfologiemi – což je v kontrastu s průmyslovým standardem jeden robot-jeden stack .
• Plně simulační tréninková smyčka. Zatímco většina konkurentů používá data z teleoperace v reálném světě pro učení z ukázek, Flexion trénuje politiky ve velkém měřítku v simulaci a přenáší je s nulovým zaučením do reálného světa, což vyžaduje minimální sběr reálných dat .

Výhrady a otevřené otázky

Vyhrazený článek z časopisu Wired z června 2026, který by se specificky věnoval autonomii Flexionu v kancelářských úkolech, nebyl v dostupných výsledcích vyhledávání nalezen. Nejpodrobnější důkazy o demonstraci kancelářských úkolů pocházejí z vlastního příspěvku Flexionu na LinkedIn (listopad 2025) a ze zprávy o výsledcích z ICRA 2026 . Tvrzení společnosti o zkrácení doby nastavení na „jeden týden“ a provozu na 14 platformách musí být ještě ověřena v komerčním měřítku. A přestože jsou výsledky z ICRA 2026 působivé, obor stále čeká na srovnávací testy třetích stran, které by roboty poháněné Flexionem postavily proti vertikálně integrovaným konkurentům v reálném nasazení.

Sázka Flexionu spočívá v tom, že budoucnost humanoidní robotiky bude vypadat méně jako iPhone – těsně integrovaný hardware-software balíček – a více jako Android: univerzální operační systém, který si může osvojit jakýkoli výrobce. Pokud jeho tréninková metodika založená na simulacích bude i nadále přinášet výsledky v reálném světě, může se tato sázka vyplatit.