Fyzická AI s otevřeným kódem: jak LeRobot demokratizuje robotiku

TL;DR. Na summitu The Economist o fyzické AI v Londýně Pepijn Kooijmans ukázal, jak LeRobot, otevřené základní modely a ramena za 200 USD snižují bariéry v robotice.

Klíčové body

Od plánování pohybu k učení napodobováním: architektonický posun. Ve své případové studii Open for business: how open source is accelerating physical AI (Otevřeno pro byznys: jak otevřený kód urychluje fyzickou AI) Pepijn Kooijmans popsal svou cestu od klasické mechatroniky k…
Uvnitř multimodální architektury VLA. Během přednášky Kooijmans podrobně představil neuronovou síť typu end-to-end, která pohání moderní otevřené politiky fyzické AI, a ukázal, jak se vysokorozměrné percepční vstupy převádějí na plynulou fyzickou manipulaci.
Technické srovnání: klasická automatizace proti otevřené fyzické AI. Zdroj: Analýza dat z prezentace, technických měření a živých ukázek na Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, Londýn, 13.
Co to znamená pro jednotlivá odvětví. Nástup otevřené fyzické AI rozvíjené komunitou mění obchodní kalkulaci v řadě odvětví.

Šest desetiletí se průmyslová robotika řídila nemilosrdným paradigmatem: inženýr výslovně naprogramuje každý milimetr pohybu stroje pomocí proprietárních jazyků, programovacích panelů a rigidních kinematických řešičů. Pokud se obrobek posune o pět milimetrů nebo se změní osvětlení, robot ohlásí chybu. Na Economist Enterprise Physical AI and Robotics Summit v Londýně 13. října 2026 představil Pepijn Kooijmans, vedoucí LeRobot v Hugging Face, alternativní architekturu, která toto dědictví rozebírá: „Budoucí roboty nebudeme programovat úlohu po úloze. Budou se učit.“

Od plánování pohybu k učení napodobováním: architektonický posun #

Ve své případové studii Open for business: how open source is accelerating physical AI (Otevřeno pro byznys: jak otevřený kód urychluje fyzickou AI) Pepijn Kooijmans popsal svou cestu od klasické mechatroniky k hlubokému učení. Robotiky po desetiletí učili rozkládat manipulaci na samostatné, izolované dílčí problémy: segmentaci objektů, odhad 6D polohy, transformace souřadnicových soustav, plánování trajektorie s vyhýbáním se kolizím a PID řízení motorů kloubů.

Takový analytický rozklad dobře funguje v pevně uspořádaných automobilkách, kde díly přicházejí v ocelových přípravcích s mikronovou přesností, ale hroutí se ve stávajících průmyslových provozech, laboratořích, skladech a domácnostech. Ve skutečném světě se předměty deformují, povrchy nepředvídatelně odrážejí světlo a lidští spolupracovníci vytvářejí pohyblivé překážky.

Základní teze Hugging Face zní, že fyzickou zručnost nelze analyticky popsat ručně psanými pravidly; je třeba ji získat zkušeností. Stejně jako se velké jazykové modely (LLM) naučily gramatiku, uvažování a znalosti o světě předpovídáním dalšího tokenu v obrovských korpusech textu, fyzičtí agenti AI získávají motorické dovednosti tím, že se učí rozdělení akcí podmíněné vizuálními a smyslovými pozorováními.

Přechod od programování každého pohybu k učení prostřednictvím lidské demonstrace znamená vstup robotiky do éry základních modelů.

Uvnitř multimodální architektury VLA #

Během přednášky Kooijmans podrobně představil neuronovou síť typu end-to-end, která pohání moderní otevřené politiky fyzické AI, a ukázal, jak se vysokorozměrné percepční vstupy převádějí na plynulou fyzickou manipulaci.

Architektura vidění-jazyk-akce typu end-to-end z Hugging Face LeRobot s vizuálními tokeny SigLIP, vektorem stavu kloubů, jazykovým pokynem, křížovou pozorností Gemma VLM a Action Expert založeným na flow matching, který vydává 30 koordinovaných akcí kloubů .class="img-fluid clearfix"

Architektura funguje jako těsně integrovaný multimodální senzomotorický řetězec:

1. Percepční příjem více proudů #

Robot sleduje svůj pracovní prostor několika synchronizovanými proudy kamer (obvykle základní kamerou shora, která poskytuje prostorový kontext, a kamerami na zápěstí levého a pravého manipulátoru pro jemné sledování kontaktu).

Surové proudy pixelů vstupují do zmrazeného vizuálního transformeru SigLIP (400M parametrů), který převádí snímky videa na husté vizuální tokeny, aniž by při dolaďování politiky vyžadoval výpočetně neúnosné aktualizace gradientu napříč celou vizuální páteří.

2. Kinematický stavový vektor a podmínění úlohy #

Současně systém vzorkuje vnitřní proprioceptivní stav robota: 16rozměrný vektor zachycující 7 úhlů kloubů, rychlosti a rozevření chapadel obou manipulátorů.

Uživatel zadá provozní cíl libovolným pokynem v přirozeném jazyce (například "fold the t-shirt", "pick the M8 hex bolt and place it in the bracket" nebo "route the cable through the conduit"), který se tokenizuje do standardních textových vnoření.

3. Multimodální jádro křížové pozornosti (Gemma VLM) #

Vizuální tokeny, proprioceptivní stavový vektor a textové tokeny vstupují do vizuálně-jazykového modelu Gemma (2B parametrů). Místo pouhého generování textových tokenů provádí Gemma VLM hlubokou křížovou pozornost napříč všemi třemi modalitami a spojuje celkový sémantický záměr jazykového pokynu s prostorovou geometrií vizuální scény a okamžitou mechanickou konfigurací ramene.

Výstupem tohoto sloučeného základního modelu je hustá reprezentace rysů úlohy z VLM, která zachycuje, co je třeba udělat ve vztahu k tomu, kde se předměty nacházejí.

4. Action Expert: flow matching a difuzní politiky #

Rysy z VLM vstupují přímo do Action Expert (300M parametrů), který pracuje na principu flow matching. Na rozdíl od raných přístupů k učení napodobováním, které spoléhaly na naivní regresi se střední kvadratickou chybou (MSE), jež vede modely k průměrování protichůdných demonstrací a končí nerozhodnými, ztuhlými roboty, flow matching modeluje multimodální rozdělení lidských trajektorií pohybu.

Pomocí diferenciálních rovnic usměrněného toku řešených v deseti krocích numerické integrace odšumí Action Expert gaussovský šum do souvislé trajektorie 30 budoucích akcí při řídicí frekvenci 50 Hz.

5. Action chunking s časovým ensemblováním #

Díky předpovídání 30 po sobě jdoucích časových kroků (přístup známý jako action chunking) politika odstraňuje vysokofrekvenční trhání a úzká hrdla latence. Robot provádí první blok akcí a na pozadí přitom počítá další plán, čímž dosahuje hladkého, poddajného a plynulého pohybu biologické kvality.

Technické srovnání: klasická automatizace proti otevřené fyzické AI #

Metrika / architektonický rozměr	Klasická průmyslová robotika (ROS / PLC / programovací panel)	Proprietární uzavřená fyzická AI (humanoidní zásobníky dodavatelů)	Otevřená fyzická AI (zásobník Hugging Face LeRobot)
Vývojové paradigma	Procedurální; explicitní trajektorie kloubů a konečné stavové automaty	Hluboké učení end-to-end; černá skříňka s uzavřenými vahami; uzamčená cloudová API	VLA end-to-end; otevřené váhy, otevřené datové sady a otevřené trénovací smyčky v PyTorch
Hardwarová vstupní bariéra	30 000 až 100 000+ GBP za průmyslové rameno (KUKA, FANUC, ABB)	150 000 až 350 000+ GBP za proprietární humanoidní jednotku	Od méně než 200 USD do 1 500 USD s 3D tisknutelnými otevřenými hardwarovými návrhy (SO-100, Koch)
Odolnost vůči prostředí	Okamžitě selže, posunou-li se souřadnice dílu o milimetry	Vysoká přizpůsobivost, ale chování nelze zkoumat ani lokálně opravit	Vysoká vizuální přizpůsobivost; politiky lze lokálně doladit na okrajových uzlech ve výrobní hale
Formát dat a telemetrie	Proprietární binární formáty a registry PLC uzamčené dodavatelem	Proprietární šifrovaná cloudová telemetrie	Standardizované datové sady Apache Parquet, videoproudy MP4 a Hugging Face Hub
Zobecnění úloh	Žádné; každá nová geometrie součásti vyžaduje úplné ruční přeprogramování	Široká tvrzení o úlohách, ale pomalé přizpůsobení zakázkovým průmyslovým nástrojům	Rychlé přizpůsobení díky 50 až 100 lidským demonstracím nahraným na sestavách vedoucí-následník
Hardwarové nároky inference	Vyhrazené PLC nebo průmyslové PC s Linuxem v reálném čase	Masivní palubní klastry GPU s příkonem 300 až 800 W	Inference na spotřebitelském okrajovém křemíku (jediná RTX 4070 nebo Apple Silicon řady M)

Zdroj: Analýza dat z prezentace, technických měření a živých ukázek na Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, Londýn, 13. října 2026).

Co to znamená pro jednotlivá odvětví #

Nástup otevřené fyzické AI rozvíjené komunitou mění obchodní kalkulaci v řadě odvětví.

Malé a střední podniky (MSP) #

MSP tvoří přes 80 % výrobní kapacity Evropy a Spojeného království, a přesto si automatizaci historicky mohlo dovolit méně než 5 % z nich. Nasazení průmyslové automatizační buňky vyžadovalo najmout specializované systémové integrátory, platit šesticiferné licenční poplatky za software a během instalace zastavit výrobní halu.

S ekosystémem LeRobot si MSP vyrábějící zakázkové přesné konzoly může vytisknout dvouramennou pracovní stanici SO-100 za méně než 500 GBP, vybavit ji USB webkamerami za 40 GBP a nahrát padesát ukázek pracovníka, který pomocí 3D tištěného vedoucího ramene zakládá díly do CNC frézky. Po třech hodinách dolaďování na běžném stolním počítači zvládne otevřená politika obsluhu stroje samostatně a investice se vrátí během několika týdnů.

Akademický výzkum a vysokoškolské vzdělávání #

Ještě nedávno čelily univerzitní katedry robotiky existenciální propasti: dobře financované laboratoře si mohly dovolit platformy Boston Dynamics nebo Willow Garage, zatímco menší instituce byly odkázány na čisté simulace v Gazebo nebo MuJoCo.

Otevřená fyzická AI demokratizovala fyzické experimentování. Doktorandi po celém světě mohou stavět identické hardwarové platformy, sdílet natrénované kontrolní body politik na Hugging Face Hub a reprodukovat výsledky srovnávacích testů se statistickou přesností. Kooijmans zdůraznil, že repozitář LeRobot se během několika měsíců rozrostl z hrstky evropských přispěvatelů na tisíce aktivních robotiků po celém světě, což dokazuje, že otevřený přístup urychluje empirické ověřování rychleji než uzavřená firemní sila.

Zakázková montáž s velkou variabilitou a malými objemy #

Při montáži elektroniky a zdravotnických prostředků se varianty výrobků mění každý týden. Napevno naprogramované automatizační linky jsou ekonomicky neudržitelné, protože náklady na přestavbu a přeprogramování převyšují ziskovou marži výrobní série.

Politiky vidění, jazyka a akce toto omezení řeší podmíněním úlohy přirozeným jazykem. Operátor může změnit montážní postup prostým zadáním nového příkazu nebo předvedením dvou opakování nové podsestavy. Mechanismy křížové pozornosti modelu využívají předtrénované vizuální reprezentace k rozpoznání nových součástí bez přetrénování celé neuronové sítě.

Prolomení datové zdi: teleoperace, Parquet a modely světa #

Hlavní poznatek, který Kooijmans předal firemním lídrům, zní: hlavním úzkým hrdlem fyzické AI už není kapacita modelů, ale rozmanitost demonstrací.

Ve zpracování přirozeného jazyka se modely trénovaly na bilionech tokenů posbíraných z otevřeného webu. Ve fyzické robotice žádný hotový „internet fyzické manipulace“ neexistuje. Každou ukázku chapadla, které zvedá předmět, otáčí ventilem nebo skládá látku, je třeba nahrát ve fyzickém světě prostřednictvím teleoperace vybavené senzory.

Hugging Face LeRobot tuto výzvu řeší třemi hlavními iniciativami:

Sestavy pro teleoperaci vedoucí-následník: Díky levným, 3D tištěným pasivním „vedoucím“ ramenům s magnetickými enkodéry, která mechanicky zrcadlí aktivního „následného“ robota, mohou lidští operátoři bez námahy ovládat robota na dálku v reálném čase a současně zaznamenávat úhly kloubů, rychlosti a video z více pohledů.
Standardizovaná schémata datových sad Parquet: Ukázky se ukládají do standardizovaných, výkonných tabulek Apache Parquet propojených s rozdělenými videoproudy MP4. Díky tomu mohou běžné nástroje datového inženýrství (Polars, DuckDB, PyArrow) zpracovávat terabajty robotické telemetrie vysokou rychlostí.
Sim-to-real a rozšíření pomocí modelů světa: Aby bylo možné škálovat za hranice fyzické teleoperace, otevřené modely světa se učí generativní fyzikální dynamiku. Jakmile se natrénují na základní datové sadě reálných demonstrací, simulují modely světa miliony kontrafaktuálních scénářů (proměnlivé osvětlení, přidaný nepořádek, změněné tření stolu) přímo v latentním prostoru a zátěžově testují politiky ještě před nasazením v reálném světě.

Závěr #

Prezentace Hugging Face LeRobot na Economist Enterprise Physical AI and Robotics Summit vykrystalizovala rozhodující zlom v odvětví robotiky. Éra, kdy robotika vyžadovala kapitálové rozpočty v řádu milionů liber, proprietární programovací jazyky a pevné tovární klece, ustupuje otevřenému, kolaborativnímu ekosystému postavenému na datech.

Spojením multimodálních základních modelů vidění a jazyka s action chunking založeným na flow matching a cenově dostupným otevřeným hardwarem mění otevřená fyzická AI roboty z křehkých automatů na přizpůsobivé, učící se systémy. Pro inženýrské lídry a technologické manažery je strategický úkol jednoznačný: konkurenční výhoda už nebude plynout z vlastnictví proprietárního mechanického hardwaru, ale z ovládnutí datových řetězců, postupů sběru demonstrací a základních modelů, které učí stroje zvládat fyzický svět.

Často kladené otázky #

Co je Hugging Face LeRobot? Hugging Face LeRobot je otevřený framework a komunitní iniciativa, jejichž cílem je demokratizovat robotiku a fyzickou AI. Nabízí implementace špičkových algoritmů učení napodobováním v PyTorch, standardizované formáty datových sad, předtrénované základní modely vidění, jazyka a akce (VLA) a otevřené hardwarové návrhy (například SO-100), aby snížil finanční a technické bariéry vstupu do robotiky.

Jak se učení napodobováním liší od klasického programování robotů? Klasické programování robotů vyžaduje, aby inženýr napsal explicitní procedurální kód určující přesné kartézské souřadnice, řešení inverzní kinematiky a přechody mezi stavy pomocí programovacích panelů nebo skriptů ROS. Učení napodobováním naopak trénuje neuronové sítě, aby napodobovaly lidské chování na základě nahraných ukázek, v nichž lidé úlohu provádějí prostřednictvím teleoperace, a učí se politiku, která mapuje smyslová pozorování přímo na motorové příkazy.

Jakou roli hraje Gemma VLM v řetězci fyzické AI? V moderních architekturách fyzické AI slouží vizuálně-jazykový model Gemma (VLM) jako multimodální stroj uvažování. Přijímá vizuální tokeny z kamer (zakódované pomocí SigLIP), stavový vektor kloubů robota a pokyny v přirozeném jazyce. Pomocí křížové pozornosti spojuje sémantický záměr s vizuální geometrií a vytváří vysokoúrovňové reprezentace úlohy, které řídí Action Expert.

Co je flow matching v předpovídání akcí robota? Flow matching je technika generativního modelování příbuzná spojitým normalizačním tokům a difuzním modelům. V robotice převádí jednoduchý gaussovský šum na složité, multimodální trajektorie akcí řešením obyčejných diferenciálních rovnic v několika krocích. Robot tak zvládá nejednoznačné situace, kdy existuje více platných pohybů, a vyhne se artefaktům průměrování, kvůli nimž jednodušší regresní modely selhávají.

Zvládnou 3D tištěná robotická ramena za méně než 200 USD úlohy na produkční úrovni? Ramenům za méně než 200 USD, jako je SO-100, sice chybí nosnost, konstrukční tuhost a submilimetrová opakovatelnost potřebné pro těžké obrábění v letectví, ale plně zvládají jemnou manipulaci, inspekci, laboratorní práci s kapalinami a kompletaci drobných dílů. A co je důležitější, politiky natrénované a ověřené na těchto levných platformách lze s minimálním doladěním přenést přímo na kolaborativní robotická ramena průmyslové třídy.

Literatura #

Economist Enterprise, (2026). Physical AI & Robotics Summit: provozní výhoda díky autonomním systémům ⧉. Economist Enterprise.
Kooijmans, P., (2026). Otevřeno pro byznys: jak otevřený kód urychluje fyzickou AI ⧉. Hugging Face.
Hugging Face, (2026). LeRobot: špičkové strojové učení pro reálnou robotiku v PyTorch ⧉. GitHub.
Chi, C., Xu, Z., Feng, S., Cousineau, E., Du, Y., Burchfiel, B. a Song, S., (2024). Diffusion Policy: učení vizuomotorických politik pomocí difuze akcí ⧉. Columbia University & MIT.
Zhao, T. Z., Kumar, V., Levine, S. a Finn, C., (2023). Učení jemné obouruční manipulace na levném hardwaru ⧉. Stanford University.
Zhai, X., Mustafa, B., Kolesnikov, A. a Beyer, L., (2023). Sigmoidní ztrátová funkce pro předtrénování na jazyce a obrazu (SigLIP) ⧉. Google DeepMind.
Lipman, Y., Chen, R. T. Q., Ben-Hamu, H., Nicklas, M. a Le, M., (2023). Flow matching pro generativní modelování ⧉. Meta AI Research.

Naposledy revidováno 2026-10-13.

Naposledy revidováno 2026-10-27.

Znovu publikovat tento článek

Fyzická AI s otevřeným kódem: jak LeRobot demokratizuje robotiku — Sebastien Rousseau

Na summitu The Economist o fyzické AI v Londýně Pepijn Kooijmans ukázal, jak LeRobot, otevřené základní modely a ramena za 200 USD snižují bariéry v robotice.

Tento článek je licencován pod Creative Commons Attribution 4.0 International. Při opětovné publikaci uveďte odkaz na kanonickou URL.

Fyzická AI s otevřeným kódem: jak LeRobot demokratizuje robotiku — Sebastien Rousseau

Na summitu The Economist o fyzické AI v Londýně Pepijn Kooijmans ukázal, jak LeRobot, otevřené základní modely a ramena za 200 USD snižují bariéry v robotice.

Originally published at https://sebastienrousseau.com/cs/2026-10-13-fyzicka-ai-otevrenym-kodem-jak-lerobot/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER