Nová práce v Číně: trenéři učí humanoidní roboty pracovat

Čína buduje nový pracovní trh kolem zdánlivě jednoduchého problému: jak naučit stroje pracovat ve fyzickém světě. Navrhovaná profese technika pro aplikaci robotů s vtělenou inteligencí má tvořit spojovací článek mezi robotem, jeho pracovním prostředím a inženýry, kteří vyvíjejí jeho umělou inteligenci.

Technici budou roboty provádět reálnými úkoly, zaznamenávat úspěšné pokusy a hledat příčiny selhání. Profese patří mezi 12 nových pracovních rolí, které chce Čína oficiálně uznat v souvislosti s rozvojem nových technologií. Uváděná roční odměna za tuto práci se pohybuje mezi 500 000 a 800 000 jüany, nejde však o zaručený plat pro každou pozici. 612

Co takový technik skutečně dělá

Název může znít jako práce pro programátora, její těžiště je ale jinde. Technik nemusí psát kód řádek po řádku. Místo toho robot ovládá, vede jeho pohyby a opakovaně mu předvádí, jak má určitý úkol provést.

Typické školení může zahrnovat:

• dálkové ovládání humanoidního robota při fyzickém úkolu,
• fyzické vedení nebo opravu jeho pohybů,
• opakování činností, jako je uchopování, třídění, přenášení nebo používání pracovního vybavení,
• kontrolu, zda robot úkol dokončil bezpečně a spolehlivě,
• zaznamenávání chyb a neobvyklých situací pro vývojové týmy,
• přizpůsobování ukázek konkrétní továrně či pracovišti.

Při práci v reálném prostředí mohou senzory zaznamenat každý správně provedený pohyb jako „surový výukový materiál“ pro trénování modelu. 4 Hodnota technika proto nespočívá jen v samotném ovládání stroje. Rozhodující je, zda dokáže vytvářet přesné, opakovatelné a pro další zlepšování robota použitelné ukázky.

Proč jsou lidské pohyby cennými daty

Běžný systém umělé inteligence se může učit z textu, obrázků nebo jiných digitálních záznamů. Robot se ale musí naučit také to, jak se úkoly odehrávají v trojrozměrném prostoru: kde se předmět nachází, jakou silou jej uchopit, jak obejít překážku nebo co udělat, když se situace nevyvíjí podle plánu.

Jedna řízená ukázka může zachytit několik druhů informací najednou:

• pohyb a trajektorii kloubů robota,
• obrazová a další senzorická data z okolí,
• pořadí jednotlivých kroků,
• kontakt s předměty a prostředím,
• informaci o tom, zda pokus skončil úspěchem, nebo selháním.

Proto jsou důležité zejména ukázky z továren a skladů. Robot se v nich setkává se skutečnými předměty, proměnlivým uspořádáním, fyzickým kontaktem i provozními omezeními, která se v simulaci obtížně napodobují v plném rozsahu. Takto získaná data mohou sloužit k trénování a hodnocení systémů propojujících vnímání, pokyny a fyzickou činnost. 47

Důležitou roli hrají také náklady. Podle zprávy citované agenturou Xinhua dříve vývoj jediného aplikačního scénáře stál firmu na trénovacích datech více než 10 milionů jüanů. 4 Pokud technici dokážou v organizovaném reálném prostředí vytvářet kvalitnější ukázky, mohou firmám pomoci zkrátit čas i snížit náklady potřebné k přizpůsobení univerzálního robota konkrétní práci.

Proč se profese objevila tak rychle

Humanoidní robotika se posouvá od laboratorních ukázek k průmyslovému nasazení, podpůrná pracovní síla se však nerozvíjí stejně rychle. Firmy potřebují lidi, kteří rozumějí fyzickému provozu i požadavkům na sběr dat pro umělou inteligenci.

Taková kombinace dovedností není běžná. Technik může potřebovat zkušenosti s řízením robotů, senzory, manipulací, návrhem úkolů, bezpečností i kontrolou kvality dat. Člověk, který dobře zvládá práci ve výrobě, nemusí vědět, jak vytvářet strojově čitelné ukázky. Softwarový specialista zase nemusí mít praktický úsudek potřebný k rozpoznání fyzické poruchy robota.

Nová profese se snaží tuto mezivrstvu formalizovat. Ukazuje, že k nasazení vtělené umělé inteligence nestačí jen výzkumníci vyvíjející modely a inženýři vyrábějící hardware. Někdo musí zajistit, aby robot opakovaně vykonával užitečnou práci v prostředí, kde bude skutečně používán.

Co odhalují platy a náborová čísla

Dostupné údaje za rok 2026 ukazují výrazný nepoměr mezi poptávkou firem a počtem lidí s relevantními zkušenostmi.

Náborová data za období od ledna do dubna 2026 uvádějí, že poptávka po pracovnících v oblasti vtělené inteligence vzrostla meziročně přibližně patnáctinásobně. Průměrná měsíční mzda v celém segmentu vtělené umělé inteligence podle stejného zdroje dosáhla 62 000 jüanů. Tento údaj se týká celého trhu, nikoli automaticky každého trenéra robotů. 3

Samostatná zpráva společnosti Liepin o robotickém talentu v roce 2026 uvádí meziroční růst náboru v segmentu humanoidních robotů o 215,8 %. Průměrná roční nabídka v tomto segmentu dosáhla 406 100 jüanů. 9 Obě statistiky měří něco jiného: první sleduje nábor v širší oblasti vtělené umělé inteligence, druhá se zaměřuje na humanoidní robotiku. Dohromady ale popisují odvětví, které roste rychleji než jeho specializovaná pracovní základna.

Nejvyšší příplatky získávají lidé schopní vyřešit konkrétní úzké hrdlo. V tomto případě nejde jen o konstrukci robota. Problémem je také vytvořit dostatek spolehlivých dat z reálného světa, aby byl robot použitelný mimo kontrolovanou demonstraci.

Továrny se mění v tréninková pracoviště

Poptávka se netýká pouze startupů z oblasti robotiky. Výrobní podniky s komplexním provozem mohou nabídnout opakované úkoly, vybavení a podmínky potřebné k trénování a ověřování fyzické umělé inteligence.

Příkladem je spolupráce skupiny Minth Group a společnosti AgiBot. Podle zpráv o jejich dohodě se síť továren Minth stává tréninkovou základnou, kde se roboti AgiBot učí v reálných průmyslových scénářích a sbírají data pro rychlejší úpravu algoritmů. 32

Tento model naznačuje širší změnu. Továrny nejsou pouze potenciálními zákazníky humanoidních robotů, ale také prostředím pro tvorbu dat. Čím pestřejší jsou úkoly a podmínky, tím více příležitostí vzniká k odhalení chyb a následnému zlepšení výkonu stroje.

Tvrzení jednotlivých firem o rychlém růstu podnikání nebo o desítkách neobsazených míst pro trenéry je ale vhodné posuzovat opatrně, pokud je nepotvrdí nezávislé zdroje. Silnější a zdroji podložený závěr zní, že výrobci se stávají součástí vývojového cyklu vtělené umělé inteligence a potřebují provozní pracovníky, kteří dokážou převést práci v továrně na použitelná tréninková data.

Univerzity nedostatek rychle nevyřeší

Čína už buduje formální vzdělávací pipeline. Devět univerzit získalo v roce 2026 schválení k otevření bakalářského oboru vtělená inteligence, což potvrzuje přesun této oblasti do hlavního proudu vysokoškolského vzdělávání. 21

Univerzity však krátkodobý náborový deficit zaplnit nedokážou. I kdyby první ročníky dohromady přijímaly jen několik stovek studentů, tito lidé budou potřebovat několik let studia, než vstoupí na trh práce. Podle dostupného reportingu se první absolventi očekávají kolem roku 2030. 16

Výzvou je také šíře oboru. Budoucí pracovníci mohou potřebovat znalosti robotiky, vnímání prostředí, slučování dat ze senzorů, přenosu dovedností ze simulace do reality, manipulace, bezpečnosti i práce s daty. Tradiční obory informatiky nebo strojního inženýrství mohou poskytnout část tohoto základu, firmy ale hledají lidi, kteří jej dokážou spojit s praktickou zkušeností z reálného provozu.

Vzniká tak krátkodobá mezera mezi akademickým vzděláním a připraveností k nasazení. Než první specializované univerzitní ročníky dostudují, mohou ji částečně překlenout krátké kurzy, odborné školy, robotické laboratoře a firemní školení.

Lekce pro budoucnost fyzické umělé inteligence

Význam nové profese nespočívá jen v neobvykle vysoké odměně. Ukazuje také, co může brzdit další fázi komercializace umělé inteligence.

U softwarové AI lze lepší modely a vyšší výpočetní výkon často škálovat prostřednictvím digitální infrastruktury. U fyzické umělé inteligence je pokrok závislý také na přístupu k reálným prostorům, kvalifikovaných operátorech, bezpečném experimentování a kvalitních ukázkách. Robot se nemůže každý pracovní úkol naučit pouze z benchmarku nebo simulace.

Čínská profese technika pro robotické aplikace je proto známkou průmyslového dozrávání i nedostatku pracovníků. Přiznává, že přenést AI do fyzického světa vyžaduje novou skupinu lidí, kteří budou stroje učit prostřednictvím vlastní práce — a jejichž pozorování se nakonec stane součástí inteligence samotného systému.