Physical AI od Nvidii: nowa era robotów, o której mówi cały świat 

Physical AI to nazwa, którą Nvidia stosuje dla AI, które wychodzi z ekranu w świat fizyczny: roboty, które widzą, rozumieją sytuację i podejmują decyzje w realnym świecie. Od 2025 roku firma konsekwentnie oddaje tę technologię na zewnątrz - otwarte modele dla humanoidów, otwarty zbiór danych, symulatory, sprzęt i program certyfikacyjny. Warto rozdzielić dwie rzeczy: część tego, co niedawno było prezentacją na konferencji, da się dziś pobrać i sprawdzić samemu. A wdrożenia w halach produkcyjnych są wciąż pojedynczymi pilotażami, nie masową praktyką.

Czym jest Physical AI i czym nie jest

Najprostsza definicja brzmi tak: Physical AI pozwala autonomicznym systemom - robotom, kamerom, pojazdom samojezdnym - postrzegać świat, rozumieć go, rozumować i wykonywać złożone działania w rzeczywistości. Kluczowe jest to ostatnie słowo. Modele tekstowe działają w cyfrowym świecie, generują obrazy na podstawie opisu. Żaden z nich nie ma pojęcia, co się stanie, gdy ramię poruszy się za szybko albo gdy półka jest pusta.

Nvidia sama opisuje tę granicę wprost: duże modele językowe są jednowymiarowe, przewidują następny token. Modele generujące obraz i wideo są dwuwymiarowe, przewidują następny piksel. Żaden z nich nie rozumie trzeciego wymiaru ani praw fizyki, której podlega ruchomy przedmiot. Physical AI jest próbą przeniesienia tego, czego nauczyliśmy modele na tekście i obrazach, na trzecią oś: relacje przestrzenne i fizyczne zachowanie świata, w którym żyjemy.

Warto przy okazji odróżnić to od automatyzacji, którą stawiasz sam w firmie na kilka reguł. Klasyczny robot przemysłowy wykonuje zaprogramowaną sekwencję ruchów i źle reaguje na wszystko, co jej nie przewidziano. Robot sterowany modelem AI uczy się w symulacji i próbuje dopasować do sytuacji, której nikt nie zapisywał. To różnica między odtwarzaczem utworu a muzykiem, który potrafi zaimprowizować.

Główny problem: danych prawie nie ma

Cała strategia Nvidii wokół Physical AI wynika z jednego problemu. Jak to ujął sam Jensen Huang: badacze modeli językowych mają na szczęściu dane całego internetu do trenowania wstępnego. Dla physical AI takich danych po prostu nie ma. Świat nie jest indeksowany. Żeby nauczyć robota, że nie wolno chwycić kubka za zbyt mocno, ktoś musi najpierw tę czynność wykonać, a potem ją nagrać.

I to jest droga, bo zebranie danych z rzeczywistości jest nudne, ryzykowne i kosztowne. Nvidii przyznaje to wprost w materiałach o swoim zbiorze danych - w przypadku materiału wideo nagrywanego podczas jazdy auta typowo trafia do treningu około 10 procent, bo większość nagrań jest po prostu nudna. Nikt nie chce spędzić 24 godzin dziennie, pokazując robotowi, gdzie trzymać kciuk. A robot właśnie tak się uczy - z ograniczeniem do jednej doby na dobę, w którą człowiek jest w pracy.

Cała odpowiedź firmy sprowadza się do wytworzenia danych sztucznych - w skali, której nie da się osiągnąć nagrywaniem. W tym punkcie pojawia się druga warstwa: roboty nie wystarczy nauczyć, trzeba je jeszcze bezpiecznie sprawdzić, zanim wjadą na halę produkcyjną.

Isaac GR00T: model, który dostać można

Pierwszy otwarty model Nvidii dla humanoidów, Isaac GR00T N1, ogłoszono 18 marca 2025 roku na konferencji GTC. Jest to model fundamentowy, czyli baza, na której buduje się konkretne umiejętności - nie gotowy robot, lecz narzędzie do tworzenia zachowań.

Architektura jest celowo bliska ludzkiemu myśleniu. Model ma dwa systemy: pierwszy działa szybko, jak odruch, i odpowiada za wykonanie ruchu. Drugi działa wolno, namysłowo, i odpowiada za planowanie. Zasilanie pierwszego systemu to dane z nagrań ludzkich ruchów plus ogromna pula danych wygenerowanych w symulacji Omniverse. Dołączenie danych syntetycznych do rzeczywistych podniosło skuteczność GR00T N1 o 40 procent względem trenowania wyłącznie na danych prawdziwych - to jedna z niewielu liczb w tym zestawie, które da się zweryfikować wprost z komunikatu firmy.

Od tamtej pory model rośnie szybko. Na CES w styczniu 2026 przyszła wersja N1.6 - otwarty model łączący obraz, język i ruch, ze sterowaniem całym ciałem. Na GTC w marcu 2026 Nvidia ogłosiła N1.7 we wczesnym dostępie, a także zapowiedziała N2, która według firmy ma radzić sobie z nowymi zadaniami w nowych środowiskach ponad dwa razy częściej niż czołowe modele tego typu. To deklaracja producenta, nie niezależny benchmark - warto oznaczyć ją w ten sposób w rozmowach z dostawcami.

Cosmos: fabryka danych

Modele świata, czyli Cosmos, to drugi filar. Ich zadanie jest inne niż zadanie GR00T: nie sterują robotem, tylko generują obrazy i wideo, w których świat zachowuje się zgodnie z fizyką. Na tym polega wartość - model potrafi wygenerować scenę, w której robot upuszcza kieliszek na stole, a zachowanie wideo będzie miało sens fizyczny.

Skala jest rzęd wielkości. W komunikacie technicznym z 9 stycznia 2025 roku Nvidia podaje 9 tysięcy bilionów tokenów i 20 milionów godzin materiału treningowego. Trzy dni później, w blogu promocyjnym z CES, te same liczby wyglądają inaczej: 18 bilionów tokenów i 2 miliony godzin. To ta sama prezentacja, dwa różne opisy. Jedno i drugie pochodzi od firmy, która sprzedaje produkt, więc nikt nie policzył tokenów z drugiej strony - ale warto znać obie wartości, zanim ktokolwiek zacznie je cytować jako twardy fakt.

Praktyczny efekt tych modeli widać w jednej liczbie: 780 tysięcy wygenerowanych trajektorii, czyli 6500 godzin danych pokazowych, w 11 godzin pracy. To odpowiednik dziewięciu miesięcy pracy jednego człowieka skomponowany w niespełna dobę. Do tego Nvidia publikuje dane na licencji otwartej - pierwsza wersja to 15 terabajtów, ponad 320 tysięcy trajektorii i do tysiąca assetów sceny w formacie OpenUSD.

Sprzęt, na którym to wszystko stoi

Nvidia opisuje architekturę jako trzy komputery. Pierwszy, DGX, trenuje modele. Drugi - serwery z kartami RTX PRO razem z Omniverse i Cosmos - służy do symulacji. Trzeci, Jetson, działa na pokładzie robota i musi podejmować decyzje w czasie rzeczywistym. To rozdzielenie jest zrozumiałe: trening wymaga mocy, symulacja wymaga tysięcy godzin, a robot potrzebuje sprzętu, który zmieści się w obudowie i zasili z akumulatora.

Najbardziej konkretna liczba cenowa, jaką Nvidia podała w tym zestawie, dotyczy modułu Jetson T4000: 1999 dolarów przy wolumenie tysiąca sztuk, 1200 FP4 TFLOPS, 64 GB pamięci, 70 watów, czterokrotna wydajność względem poprzedniej generacji. To cena pojedynczego komputera pokładowego - nie cena robota. Ceny żadnego humanoida ani całej platformy Nvidia nie publikuje, a na pytanie o wycenę wdrożenia odpowiada w sposób, który warto zapamiętać: kupujesz robota i płacisz osobno za usługi, tak jak przy autonomicznej jeździe, gdzie kupujesz auto, a subskrypcję dokładasz na górze.

Warto też odnotować, z kim Nvidia współpracuje nad silnikami fizyki. Newton, otwarty silnik do symulacji, powstaje razem z Google DeepMind i Disney Research. Z tego samego ekosystemu wychodzi Kamino, symulator fizyki Disneya zbudowany na frameworku Warp Nvidii, używany do trenowania robotów polarnych. Rywalizacja z DeepMind wygląda więc na współpracę w jednej warstwie i podział ról w innej: DeepMind pomaga Nvidii w robotyce, Nvidia wchodzi w własnym modelu Alpamayo w pojazdy autonomiczne.

Co naprawdę działa, a co jest jeszcze obietnicą

Tu warto być najbardziej powściągliwym, bo materiał prasowy ma tendencję do zacierania granicy między premierą a wdrożeniem. Trzy rzeczy, które warto sprawdzić samemu:

Po pierwsze, repozytorium z workflowami do generowania danych, Physical AI Data Factory, jest naprawdę otwarte - kod na licencji Apache 2.0, cztery opublikowane workflowy, instrukcje krok po kroku. Ma jednak 42 gwiazdki na GitHubie i nie przyjmuje wkładu z zewnątrz. To zestaw referencyjny do powielenia, nie żywy projekt społecznościowy.

Po drugie, deklaracja o wersji 1.7 modelu GR00T mówi o wczesnym dostępie z licencjonowaniem komercyjnym i gotowości do wdrożeń produkcyjnych. Dokumentacja deweloperska tej samej wersji wyraźnie wymienia, czego wczesny dostęp nie zapewnia: wsparcia komercyjnego przy wdrożeniu produkcyjnym, stabilnego zestawu funkcji z zwalidowaną wydajnością oraz wsparcia produktowego od Nvidii. Jeśli ktoś sprzedaje Ci wdrożenie na bazie tej wersji, masz argument w rozmowie.

Po trzecie, prognozy rynku pochodzą od analityków, nie od firmy. Goldman Sachs prognozuje 38 miliardów dolarów na rynek humanoidów do 2035 roku, czyli ponad sześciokrotnie wobec około 6 miliardów z prognozy sprzed dwóch lat. To atrakcyjna liczba, ale prognoza analityków nie jest zamówieniem. Uczciwie: w zestawie, który przejrzałem, nie ma ani jednej niezależnej analizy porównującej NVIDIĘ z Teslą, Figure czy DeepMind w zakresie humanoidów. Są tylko partnerstwa.

Dla porównania z ruchem, który w biznesie działa już teraz, warto zerknąć na moją analizę tego, co naprawdę opłaca się w małej firmie, a co jest dopiero buzzwordem.

Jedyny twardy test w produkcji

W całej materiałach, które zebrałem, jest dokładnie jeden przypadek wdrożenia z mierzalnymi wynikami. Firma Humanoid, założona w 2024 roku, testowała robota HMND 01 Alpha w fabryce Siemensa w Erlangen. Zdaniem firmy wszystkie założone wskaźniki zostały osiągnięte: 60 przeniesień pojemników na godzinę, czas pracy powyżej 8 godzin i ponad 90 procent skuteczności autonomicznego podnoszenia i odkładania. Wcześniejszy etap, projektowanie prototypu po symulacji, skrócił się z typowych 18-24 miesięcy do 7 miesięcy.

Jeden robot, jedna fabryka, jeden zestaw wskaźników. To jest obecny stan wdrożeń, nie jedna litera w prezentacji. Firmy takie jak Boston Dynamics, Figure, 1X czy Agility Robotics są wymieniane w materiałach Nvidii jako partnerzy i klienci early access - ale liczba humanoidalnych robotów pracujących komercyjnie w fabrykach nie jest w tych źródłach podana w ogóle.

Bezpieczeństwo ma w tym obszarze osobny problem, który warto mieć na uwadze przy zakupie. Program certyfikacyjny Halos, który Nvidia przedstawia jako pierwszy branżowy, w praktyce oznacza przegląd dokumentacji produktu przez ekspertów firmy, a nie niezależny certyfikat bezpieczeństwa. Samo laboratoriom Halos przyznano akredytację ISO/IEC 17020, uznawaną w 80 krajach, ale certyfikat dotyczy procedurali, nie tego, czy robot jest bezpieczny w hali.

Co z tego wynika dla firmy takiej jak Twoja

Najkrótsza odpowiedź: w ciągu najbliższych dwóch lat nie kupisz humanoida, który sam rozwiąże Twoje problemy. Kupisz za to narzędzia, z których da się zbudować rozwiązanie specyficzne dla Twojego procesu - a to dokładnie ta sama droga, którą idzie wdrażanie AI w firmach. Symulator, otwarty zbiór danych i model, który da się dostroić na kilku nagranych przykładach, to zestaw znacznie cenniejszy niż gotowy robot, bo pasuje do Twojego magazynu, a nie do wizji producenta.

Praktycznie: zacznij od jednego zadania z powtarzalną fizyką. Przenoszenie pojemników, kontrola wizualna, obsługa wózków. Jeśli nie umiesz policzyć, ile godzin tygodniowo to zjada, to nie masz jeszcze problemu, który da się zautomatyzować - procesy, od których warto zacząć, mają jedną wspólną cechę: powtarzalność.

Druga sprawa to koszt. Przy realnych projektach automatyzacyjnych widełki kosztów zależą głównie od tego, ile systemów trzeba ze sobą spiąć, a nie od modelu, na którym oprzesz decyzję. Zanim ktoś wyceni Ci wdrożenie robotyki, poproś o rozbicie: liczba integracji, koszt utrzymania, co dzieje się przy awarii jednego elementu. Prosta kalkulacja zwrotu inwestycji załatwi więcej niż debata o wersji modelu.