Od czatu do fabryki: Alibaba wprowadza Qwen-Robot – pakiet AI, który daje maszynom zręczną rękę, nawigacyjne oko i myślący mózg

Alibaba, znana dotychczas głównie z potężnych modeli językowych, właśnie oficjalnie wkracza do świata fizycznego. W czerwcu 2026 roku jej oddział Qwen – dotąd kojarzony z popularnymi, otwartymi modelami językowymi – wypuścił Qwen-Robot Suite. To pierwsza rodzina modeli AI zbudowanych specjalnie z myślą o inteligencji ucieleśnionej (ang. embodied intelligence), co jest wyraźnym sygnałem, że firma porzuca wyłącznie wirtualny świat chatbotów na rzecz dowodzenia maszynami, które widzą, myślą i działają w realnym otoczeniu .

Opracowany przez laboratorium Tongyi Lab zestaw trafił już do programów pilotażowych z klientami korporacyjnymi i został zaprojektowany jako swego rodzaju „uniwersalne podwozie” dla robotów o najróżniejszych kształtach i przeznaczeniach . Rdzeniem innowacji jest modułowa, trzyczęściowa architektura, która daje maszynie to, co inżynierowie obrazowo nazywają „zręczną ręką”, „nawigacyjną stopą” i „myślącym mózgiem”.

Trzy modele, trzy misje

Zamiast jednego monolitycznego systemu, Alibaba postawiła na trzy oddzielne, ale ściśle powiązane ze sobą moduły.

Qwen-RobotManip: Zręczna Ręka

To model Wizja-Język-Akcja (VLA) oparty na architekturze Qwen3.5-4B, który stanowi „silnik manipulacyjny” pakietu . Jego celem jest tłumaczenie komend w języku naturalnym na precyzyjne ruchy ramion robotów.

Kluczem do elastyczności sprzętowej jest 80-wymiarowa, ujednolicona reprezentacja akcji, działająca jak uniwersalny „język ciała” dla maszyn . Dzięki standaryzacji instrukcji i kalkulowaniu ruchów względem obrazu z kamery, a nie w bezwzględnych współrzędnych, RobotManip potrafi błyskawicznie dostosować się do nowego sprzętu przy minimalnym dostrajaniu – trochę jak doświadczony kierowca, który po kilku chwilach czuje się pewnie za kierownicą nieznanego auta .

Za tą zręcznością stoi potężna baza danych. Model został wstępnie wytrenowany na ponad 38 100 godzinach otwartych nagrań demonstracyjnych robotów i ludzi i obejmuje swoim zasięgiem 15 różnych morfologii robotów . Tak zakrojone, ujednolicone szkolenie ma rozwiązać częsty problem spadku wydajności przy przenoszeniu modelu na inną platformę fizyczną . W testach jego wersje zajęły dwa pierwsze miejsca pod względem skuteczności wykonania zadań, radząc sobie nawet ze skomplikowanymi czynnościami, takimi jak przewracanie frytek dwoma ramionami .

Qwen-RobotNav: Oko Nawigatora

Qwen-RobotNav to model Nawigacji Wizyjno-Językowej (VLN), zbudowany na bazie rodziny Qwen3-VL i dostępny w wersjach o 2, 4 i 8 miliardach parametrów . Jest bramą do działania dla mobilnych agentów fizycznych, odpowiadając za wyposażenie robotów w inteligencję przestrzenną i autonomiczną mobilność .

Tym, co wyróżnia Qwen-RobotNav, jest unifikacja pięciu odrębnych zadań nawigacyjnych w ramach jednego systemu, bez potrzeby przełączania modeli. Są to: podążanie za instrukcjami, nawigacja do konkretnego punktu, nawigacja do obiektu, śledzenie celów oraz autonomiczna jazda . Model korzysta z kontrolowanego protokołu kodowania obserwacji i interfejsu narzędzi, co pozwala na bezpośrednie połączenie rozumienia wizyjno-językowego z kontrolą ruchu . W praktyce oznacza to, że robot, słysząc polecenie „znajdź salę konferencyjną na końcu korytarza”, potrafi dynamicznie analizować otoczenie i nawigować w nieznanej przestrzeni bez gotowej mapy .

Qwen-RobotWorld: Myślący Mózg

Trzecim i być może najbardziej przyszłościowym elementem układanki jest język sterowany model świata wideo. Bazuje on na 60-warstwowym Multi-Modalnym Transformatorze Dyfuzyjnym (MMDiT) z zamrożonym enkoderem Qwen2.5-VL .

Qwen-RobotWorld nie tylko rozpoznaje scenę – on przewiduje, jak ta scena się zmieni. Wykorzystując naturalny język jako ujednolicony interfejs sterowania, generuje oparte na fizyce trajektorie przyszłych zdarzeń wizualnych na podstawie tego, co robot widzi teraz . Ta predykcja działa w różnych domenach: od manipulacji robotycznej, przez autonomiczną jazdę i nawigację wewnętrzną, po scenariusze związane z aktywnością człowieka. Model trenowano na ponad 8,6 miliona między-scenowych par treningowych i potrafi on symulować ponad 1300 umiejętności manipulacyjnych na ponad 20 morfologiach robotów .

Ten model świata ma natychmiastową wartość praktyczną: może generować syntetyczne dane wideo, by zaradzić chronicznemu niedoborowi danych w AI ucieleśnionej, a także symulować konsekwencje akcji zanim robot wykona je w realnym świecie, co zwiększa precyzję i bezpieczeństwo .

Wdrożenie i Integracja

Kluczowym założeniem Qwen-Robot Suite jest elastyczność wdrożeniowa. Modele mogą działać samodzielnie – na przykład używając jedynie Qwen-RobotNav w pojeździe dostawczym w magazynie – lub jako zintegrowany, kompletny system (full-stack). Pracując razem, tworzą pętlę zamkniętą, gdzie percepcja (RobotNav i RobotManip) i predykcja (RobotWorld) wzajemnie się wzmacniają, pozwalając robotowi „iść, widzieć i myśleć” jednocześnie .

To kompleksowe podejście jest ściśle zintegrowane z szerszym ekosystemem modeli Alibaby, w tym ze sztandarowym modelem agentowym Qwen3.7-Max, który odpowiada za rozkład skomplikowanych zadań na mniejsze kroki . Poleganie pakietu na otwartych danych i publicznie dostępnych wydaniach modeli idealnie wpisuje się też w strategię Alibaby zakrojoną na masową adopcję przez deweloperów .

Strategiczny zwrot: Od Chatbotów do Fizycznych Agentów

Premiera Qwen-Robot nie jest nagłym eksperymentem. To kulminacja metodycznego, wieloletniego marszu od AI czysto cyfrowej w stronę fizycznej.

W październiku 2025 roku Justin Lin, szef technologiczny Qwen, publicznie ogłosił utworzenie dedykowanego, wewnętrznego zespołu ds. robotyki i ucieleśnionej AI. Nazwał to kolejnym logicznym krokiem dla agentów AI, stwierdzając, że modele multimodalne „zdecydowanie powinny wyjść ze świata wirtualnego do fizycznego” . Kilka miesięcy później, w lutym 2026, Alibaba wypuściła Qwen 3.5, wyraźnie reklamując go jako model „ery AI agentowej”, zdolny do autonomicznego wykonywania wieloetapowych zadań . Ta moc językowa i zdolność rozumowania stały się kognitywnym kręgosłupem dla modeli robotycznych, które zadebiutowały w czerwcu .

Równolegle do prac wewnętrznych Alibaba wykonywała strategiczne ruchy na zewnątrz. Jej jednostka chmurowa przewodziła rundzie finansowania o wartości 140 milionów dolarów dla chińskiego startupu robotycznego X Square Robot w 2025 roku . Ta wielotorowa strategia – wewnętrzne badania i rozwój, otwarty ekosystem modeli i inwestycje w startupy – pozycjonuje Qwen-Robot Suite jako część większej ambicji bycia kompleksową „fabryką AI” dla nowej generacji fizycznych, inteligentnych maszyn .

Konkurencja i niewiadome

Wejście Alibaby w dziedzinę inteligencji ucieleśnionej stawia ją w bezpośredniej konkurencji z takimi firmami jak Nvidia, oferująca potężny stos symulacyjno-obliczeniowy, oraz z rosnącą liczbą amerykańskich startupów z tego sektora. Chociaż dostępne źródła nie dają bezpośredniego porównania wydajności z konkurencją, Qwen-Robot Suite proponuje odrębną wartość opartą na integracji i dostępności .

Jest to otwarta, modułowa baza zaprojektowana do wdrożenia na sprzęcie innych producentów przy minimalnej adaptacji. Kontrastuje to z zamkniętymi, pionowo zintegrowanymi rozwiązaniami i stawia Alibabę w roli neutralnego dostawcy modeli dla szerokiej gamy producentów robotów. Największym atutem firmy jest jej istniejący, wielkoskalowy ekosystem Qwen, który wygenerował setki modeli open-source z ponad 600 milionami łącznych pobrań, tworząc gigantyczną społeczność deweloperską, która może teraz budować na tych robotycznych fundamentach .

Pozostaje jednak spory znak zapytania. Pakiet ogłoszono w czerwcu 2026, a w dostępnej dokumentacji brakuje danych o wdrożeniach komercyjnych na dużą skalę czy o długoterminowej niezawodności. Wciąż nie wiadomo, jak modele te poradzą sobie ze zmiennością naprawdę nieustrukturyzowanych, długoterminowych zadań przemysłowych. Prawdziwym testem dla fizycznych ambicji AI Alibaby będzie to, czy dostępność tych modeli przełoży się na ich szeroką adopcję przez całą branżę robotyczną.