Čína buduje datovou infrastrukturu pro „mozek“ humanoidních robotů

Konference World Robot Conference 2026 v Pekingu ukázala, kam se čínský průmysl humanoidních robotů posouvá: od výroby stále schopnějších robotických těl k budování datové infrastruktury, která má pomoci trénovat jejich „mozek“.

V Číně podle dostupných zpráv funguje nebo se staví nejméně 90 center pro sběr a trénování dat humanoidních robotů. Číslo naznačuje výraznou změnu investičních priorit. Zároveň ale konference odhalila rozdíl mezi průmyslovou výrobou dat a důkazem, že tato data dokážou vytvořit inteligenci přenositelnou mezi různými roboty, úkoly a pracovišti. 13

Novým strategickým aktivem jsou data o fyzickém světě

Humanoidní robot potřebuje víc než obrázky nebo text. Aby se naučil užitečné fyzické dovednosti, musí rozumět tomu, co člověk vidí, jak se pohybuje, jak předměty reagují a jak se jednotlivé kroky činnosti odehrávají v čase.

Cennými vstupy se proto stávají video z první osoby, údaje o poloze těla, hloubka obrazu, hmatové signály i data o aktuálním stavu samotného robota. Právě na tuto myšlenku navázala společnost Lightwheel AI projektem EgoSuite-Open100K – plánovaným souborem 100 000 hodin záznamů lidských činností z první osoby.

Projekt má pokrýt více než 15 000 úkolů a reálných scén pro sběr dat. Využívá pohled z kamer umístěných na hlavě a zápěstí a doplňuje jej o polohu rukou i celého těla, sémantické štítky a informace o hloubce obrazu. Prvních 10 000 hodin je dostupných prostřednictvím Hugging Face; projekt počítá také s distribucí přes AtomGit. 1 12

Výhoda je zřejmá: lidské demonstrace mohou pokrýt široké spektrum každodenních pohybů a manipulace, aniž by bylo nutné každý příklad zaznamenávat pomocí drahého fyzického robota. Lidská data ale automaticky neznamenají robotickou zkušenost. Člověk přirozeně vyrovnává rovnováhu, tření a kontakt s předměty. Robot musí tyto fyzikální jevy vnímat a řídit prostřednictvím vlastních senzorů a konstrukce.

Šest způsobů sběru dat a zásadní kompromis

Tian Feng z výzkumného institutu Intelligent Industries Research Institute společnosti SenseTime popsal šest metod sběru dat, které se používají souběžně. Patří mezi ně teleoperace, snímání pohybu, syntetická data a sběr přímo na výrobních linkách. 13

Každá metoda zachycuje jinou část problému:

• Teleoperace může uchovat roboticky specifické pohyby i fyzickou zpětnou vazbu, vyžaduje však robotický hardware, operátory a kontrolované zázemí.
• Snímání pohybu umožňuje ve velkém zaznamenávat lidské pohyby, nemusí ale zachytit síly a omezení, se kterými se robot ve skutečnosti setká.
• Syntetická data dokážou efektivně vytvářet vzácné situace. Simulované chování se však stále musí přenést do skutečného světa.
• Sběr na výrobních linkách je nejblíže komerčnímu využití, protože zachycuje konkrétní pracovní úkoly, chyby i omezení prostředí.
• Záznam z první osoby nabízí široký záběr a nižší náklady, může však postrádat údaje o dynamice robotu, například krouticím momentu kloubů nebo kontaktní síle.

Podle prezentovaných údajů může být záznam lidských činností bez fyzického robotického těla přibližně pětkrát levnější než sběr demonstrací s roboty. Kompromisem je riziko, že data budou zachycovat způsob, jakým úkol provádějí najatí sběrači dat, nikoli zkušenější pracovníci v reálném provozu. 13

To není důvod lidská data odmítnout. Je to důvod vnímat je jako jednu vrstvu širšího tréninkového mixu, který zahrnuje také teleoperaci, data ze stavu robota, simulace a zpětnou vazbu z reálného nasazení.

Dodavatelský řetězec se mění v řetězec pro záznam dat

Konference ukázala, že robotická infrastruktura už nezahrnuje jen motory, baterie a rámy robotů. Součástí se stává také vybavení pro zaznamenávání demonstrací a senzoricko-motorického chování: systémy pro snímání z první osoby, ruční ovladače, rukavice, hmatová rozhraní, kamery, mikrokontroléry, paměti a analogové komponenty. 13

Tento vývoj může otevřít levnější cestu ke sběru velkého množství demonstrací. Současně ale přináší problém standardizace. Data pořízená různými senzory, kalibračními postupy, akčními prostory, middlewarem a pravidly označování se nemusí dát snadno spojit.

Výsledkem mohou být takzvaná „ostrovní data“ – užitečné záznamy uzavřené v hardwarovém a softwarovém ekosystému, který je vytvořil. Otevřený dataset může tento problém zmírnit, samotná otevřenost ale opakované využití nezaručuje. Než se velký objem dat promění ve společně využitelnou schopnost, jsou zapotřebí sdílená schémata, kalibrační metadata, jednotná časová synchronizace, rozhraní a hodnoticí protokoly. 13

Platí pro robotiku zákony škálování známé z AI?

Otevřenou otázkou zůstává, zda se do robotiky přenese známý vzorec z oblasti velkých modelů: více dat a větší model vedou k vyšší schopnosti systému.

Zpráva GEN-0 společnosti Generalist AI z listopadu 2025 nabídla povzbudivou, ale zatím omezenou odpověď. V jejích experimentech měly menší modely potíže vstřebat stále rozmanitější senzoricko-motorická data. Firma tento jev označila jako „ossification“, tedy jakési ztuhnutí modelu. S větší velikostí modelu výkon dál rostl a zpráva uváděla přibližný zlom kolem hranice 7 miliard parametrů. 36

Jde o významný signál, nikoli však o univerzálně potvrzený zákon robotiky. Výsledek pochází z modelů, dat a způsobu hodnocení jediné společnosti. Robotika má navíc problém, který textové modely v této podobě neřeší: naučená strategie musí jednat prostřednictvím konkrétního těla, v konkrétním prostředí a pod skutečnými fyzikálními omezeními.

Praktická otázka proto nezní jen, zda je model dostatečně velký. Důležité je také to, zda tréninková data obsahují správné fyzikální signály a zda se naučené chování přenese na jinou konstrukci robota a do skutečných pracovních úkolů.

Počet dodaných robotů ještě neznamená skutečnou poptávku

Čínská výrobní kapacita jí poskytuje velkou výhodu při nasazování robotů do experimentů a sběru dat. Počty nasazených strojů ale mohou klamat, pokud většina z nich stále slouží především k demonstracím schopností, výzkumu nebo vytváření dat, nikoli k činnostem s opakovanou ekonomickou návratností.

Podle Interact Analysis přesáhla světová výroba humanoidních robotů v roce 2025 hranici 20 000 kusů. Jen zhruba 10 % z nich bylo nasazeno v reálných aplikacích; většina sloužila výzkumu, sběru dat nebo zábavě. Stejná analýza označila Čínu za hlavní motor nabídky i raného přijetí humanoidních robotů. 21

Tento kontext je důležitý i pro rozmach datových center. Vládní podpora, hromadné nákupy a programy zpětného odkupu dat mohou rychle zvýšit počet robotů, zařízení i zaznamenaných hodin. Mohou pomoci vytvořit učící se ekosystém, samy o sobě však nedokazují, že zákazníci budou ochotni platit za roboty, které spolehlivě snižují náklady, zvyšují výkon nebo zvládají práci, kterou lidé obtížně vykonávají.

Skutečným úzkým hrdlem je propojení všech částí

Pekingská konference neprokázala, že Čína už vyřešila vtělenou inteligenci. Ukázala však, že tamní průmysl ve výjimečném měřítku skládá jednotlivé části možné budoucího řešení:

1. Široká data z lidských demonstrací a rozmanitých prostředí.
2. Fyzicky ukotvená data z teleoperace, robotických senzorů a skutečných výrobních úkolů.
3. Propojitelná infrastruktura, díky níž lze záznamy přenášet mezi různými robotickými těly a softwarovými systémy.
4. Modely, které se škálují a přenášejí, místo aby pouze memorovaly demonstrace.
5. Zpětná vazba z nasazení, včetně chyb, zotavení po chybě a zásahů operátorů.
6. Komerční příjmy, které budou průběžný sběr dat financovat bez trvalé závislosti na dotacích.

Ekosystém navrhovaný společností Lightwheel míří podobným směrem: k otevřeným datovým standardům, sběru řízenému výsledky hodnocení a koordinaci mezi návrhem dat a modelů. 1

Nejpřesnější závěr proto není, že Čína už vyrobila robotický mozek. Buduje továrny, měřicí nástroje a datasety, které mají vznik takového mozku umožnit. Zda tato infrastruktura skutečně povede k široce využitelným humanoidům, rozhodne kvalita dat, jejich fyzická věrnost, kompatibilita mezi různými typy hardwaru a důkaz, že roboti dokážou mimo veletržní demonstrace a výzkumné laboratoře vytvářet trvalou hodnotu.