Hat évtizeden át az ipari robotika könyörtelen paradigma szerint működött: egy mérnök kifejezetten beprogramozza a gép mozgásának minden milliméterét gyártói nyelvekkel, kézi programozó egységekkel és merev kinematikai megoldókkal. Ha egy munkadarab öt millimétert elmozdul, vagy megváltoznak a fényviszonyok, a robot hibára fut. Az Economist Enterprise Physical AI and Robotics Summiton, Londonban, 2026. október 13-án Pepijn Kooijmans, a Hugging Face LeRobot vezetője olyan alternatív architektúrát mutatott be, amely lebontja ezt az örökséget: „A jövő robotjait nem feladatról feladatra fogják programozni. Tanulni fognak.”
A mozgástervezéstől az utánzásos tanulásig: architekturális váltás #
Open for business: how open source is accelerating physical AI (Nyitva az üzletre: hogyan gyorsítja a nyílt forráskód a fizikai AI-t) című esettanulmányában Pepijn Kooijmans felvázolta, hogyan jutott el a klasszikus mechatronikától a mélytanulásig. A robotikusokat évtizedeken át arra képezték, hogy a manipulációt különálló, elszigetelt részproblémákra bontsák: objektumszegmentálásra, 6D-s pózbecslésre, koordináta-rendszerek közötti transzformációkra, ütközéselkerülő pályatervezésre és az ízületi motorok PID-szabályozására.
Ez az analitikus felbontás jól működik a mereven befogott autógyárakban, ahol az alkatrészek mikronpontos acélkészülékekben érkeznek, de összeomlik a meglévő ipari környezetekben, laboratóriumokban, raktárakban és otthonokban. A valós világban a tárgyak deformálódnak, a felületek kiszámíthatatlanul verik vissza a fényt, az emberi munkatársak pedig mozgó akadályokat jelentenek.
A Hugging Face alaptétele szerint a fizikai ügyesség nem írható le analitikusan kézzel kódolt szabályokkal; tapasztalat útján kell elsajátítani. Ahogy a nagy nyelvi modellek (LLM) hatalmas szövegkorpuszokon a következő token előrejelzésével tanultak meg nyelvtant, következtetést és világismeretet, úgy a fizikai AI-ágensek a vizuális és érzékszervi megfigyelésekhez kötött cselekvéseloszlás megtanulásával sajátítanak el motoros készségeket.
Az átmenet attól, hogy minden mozdulatot beprogramozunk, ahhoz, hogy emberi bemutatással tanítunk, a robotika belépését jelenti az alapmodellek korába.
A multimodális VLA-architektúra belülről #
Előadásában Kooijmans részletesen bemutatta azt a végponttól végpontig működő neurális hálózatot, amely a modern nyílt forráskódú fizikai AI-stratégiákat hajtja, és szemléltette, hogyan alakulnak a nagy dimenziójú érzékelési bemenetek gördülékeny fizikai manipulációvá.
.class="img-fluid clearfix"
Az architektúra szorosan integrált, multimodális szenzomotoros folyamatként működik:
1. Többcsatornás érzékelési bemenet #
A robot több szinkronizált kamerafolyamon keresztül figyeli a munkaterét (jellemzően egy felülről néző alapkamera adja a térbeli kontextust, a bal és a jobb manipulátor csuklójára szerelt kamerák pedig a finom érintkezéskövetést).
A nyers pixelfolyamok egy befagyasztott SigLIP (400M paraméteres) látástranszformerbe kerülnek, amely a videókockákat sűrű vizuális tokenekké alakítja anélkül, hogy a stratégia finomhangolása során számításigényes gradiensfrissítésekre lenne szükség a teljes látási gerinchálózaton át.
2. Kinematikai állapotvektor és feladatkondicionálás #
Ezzel párhuzamosan a rendszer mintát vesz a robot belső proprioceptív állapotából: ez egy 16 dimenziós vektor, amely rögzíti a két manipulátor 7 ízületi szögét, sebességeit és megfogónyílását.
A felhasználó tetszőleges természetes nyelvű utasítással adja meg a műveleti célt (például "fold the t-shirt", "pick the M8 hex bolt and place it in the bracket" vagy "route the cable through the conduit"), amelyet a rendszer szabványos szövegbeágyazásokká tokenizál.
3. Multimodális keresztfigyelmes mag (Gemma VLM) #
A vizuális tokenek, a proprioceptív állapotvektor és a szöveges tokenek egy Gemma látás-nyelv modellbe (2B paraméteres) kerülnek. A Gemma VLM nem egyszerűen szöveges tokeneket generál, hanem mindhárom modalitáson mély keresztfigyelmet végez, és összeolvasztja a nyelvi utasítás magas szintű szemantikai szándékát a vizuális jelenet térbeli geometriájával és a kar pillanatnyi mechanikai konfigurációjával.
Ennek az egyesített alapmodellnek a kimenete a VLM feladatjellemzőinek sűrű reprezentációja, amely azt rögzíti, mit kell tenni ahhoz képest, hogy hol vannak a tárgyak.
4. Az Action Expert: flow matching és diffúziós stratégiák #
A VLM-jellemzők közvetlenül egy flow matching elvén működő Action Expertbe (300M paraméteres) kerülnek. A korai utánzásos tanulási megközelítések naiv, átlagos négyzetes hibán (MSE) alapuló regresszióra támaszkodtak, ami miatt a modellek az egymásnak ellentmondó bemutatások átlagát adták ki, és határozatlan, lefagyó robotokat eredményeztek; ezzel szemben a flow matching az emberi cselekvési pályák multimodális eloszlását modellezi.
Tíz numerikus integrálási lépésben megoldott, egyenesített áramlási differenciálegyenletekkel az Action Expert a Gauss-zajból zajmentesítéssel 30 jövőbeli műveletből álló, koherens pályát állít elő 50 Hz-es vezérlési frekvencián.
5. Action chunking időbeli együttessel #
Azzal, hogy 30 egymást követő időlépést jelez előre (ez az action chunking néven ismert megközelítés), a stratégia kiküszöböli a nagyfrekvenciás rángatást és a késleltetési szűk keresztmetszeteket. A robot végrehajtja a műveletek első blokkját, miközben a háttérben kiszámítja a következő tervet, így sima, engedékeny és folyamatos, biológiai minőségű mozgást ér el.
Műszaki összehasonlítás: klasszikus automatizálás és nyílt forráskódú fizikai AI #
| Mérőszám / architekturális dimenzió | Klasszikus ipari robotika (ROS / PLC / kézi programozó egység) | Zárt, saját fejlesztésű fizikai AI (gyártói humanoid rendszerek) | Nyílt forráskódú fizikai AI (Hugging Face LeRobot rendszer) |
|---|---|---|---|
| Fejlesztési paradigma | Procedurális; explicit ízületi pályák és véges állapotgépek | Végponttól végpontig tartó mélytanulás; feketedoboz zárt súlyokkal; zárolt felhős API-k | Végponttól végpontig tartó VLA; nyílt súlyok, nyílt adatkészletek és nyílt PyTorch-tanítási ciklusok |
| Hardveres belépési küszöb | 30 000–100 000+ GBP ipari karonként (KUKA, FANUC, ABB) | 150 000–350 000+ GBP saját fejlesztésű humanoid egységenként | 200 USD alatt és 1500 USD között, 3D-nyomtatható nyílt hardvertervekkel (SO-100, Koch) |
| Környezeti robusztusság | Azonnal hibára fut, ha az alkatrész koordinátái milliméterekkel elcsúsznak | Nagy alkalmazkodóképesség, de a viselkedés nem vizsgálható és helyben nem javítható | Nagy vizuális alkalmazkodóképesség; a stratégiák helyben, a gyártócsarnok peremcsomópontjain finomhangolhatók |
| Adatformátum és telemetria | Gyártóhoz kötött, saját bináris formátumok és PLC-regiszterek | Saját, titkosított felhős telemetria | Szabványosított Apache Parquet adatkészletek, MP4 videofolyamok és Hugging Face Hub |
| Feladatok általánosítása | Nincs; minden új alkatrészgeometria teljes kézi újraprogramozást igényel | Széles körű ígéretek a feladatokra, de lassú alkalmazkodás az egyedi ipari szerszámokhoz | Gyors alkalmazkodás 50–100, vezető-követő rendszereken rögzített emberi bemutatással |
| Következtetési hardverigény | Dedikált PLC vagy valós idejű Linuxot futtató ipari PC | Hatalmas fedélzeti GPU-fürtök 300–800 W fogyasztással | Következtetés fogyasztói peremhardveren (egyetlen RTX 4070 vagy Apple Silicon M-sorozat) |
Forrás: Az Economist Enterprise Physical AI and Robotics Summiton bemutatott előadási adatok, műszaki mérések és élő bemutatók elemzése (Convene 200 Aldersgate, London, 2026. október 13.).
Mit jelent ez ágazatonként #
A nyílt, közösség által fejlesztett fizikai AI térnyerése több iparágban is megváltoztatja az üzleti számítást.
Kis- és középvállalkozások (kkv-k) #
A kkv-k adják Európa és az Egyesült Királyság gyártási kapacitásának több mint 80%-át, mégis korábban kevesebb mint 5%-uk engedhette meg magának az automatizálást. Egy ipari automatizálási cella telepítéséhez szakosodott rendszerintegrátorokat kellett felvenni, hatszámjegyű szoftverlicencdíjakat kellett fizetni, és a telepítés idejére le kellett állítani a gyártócsarnokot.
A LeRobot ökoszisztémával egy egyedi precíziós tartókat gyártó kkv 500 GBP alatt kinyomtathat egy kétkarú SO-100 munkaállomást, 40 GBP-s USB-webkamerákkal szerelheti fel, és egy 3D-nyomtatott vezetőkar segítségével ötven bemutatót rögzíthet arról, ahogy egy dolgozó alkatrészeket helyez egy CNC-marógépbe. Egy hagyományos asztali számítógépen végzett háromórás finomhangolás után a nyílt forráskódú stratégia önállóan el tudja látni a gép kiszolgálását, és a befektetés heteken belül megtérül.
Akadémiai kutatás és felsőoktatás #
Egészen a közelmúltig az egyetemi robotikai tanszékek egzisztenciális szakadékkal néztek szembe: a jól finanszírozott laboratóriumok megengedhették maguknak a Boston Dynamics vagy a Willow Garage platformjait, a kisebb intézmények viszont tisztán szimulációkra szorultak a Gazebóban vagy a MuJoCóban.
A nyílt forráskódú fizikai AI demokratizálta a fizikai kísérletezést. A doktoranduszok világszerte azonos hardverplatformokat építhetnek, megoszthatják a betanított stratégiák mentési pontjait a Hugging Face Hubon, és statisztikai szigorral reprodukálhatják a referenciaméréseket. Kooijmans kiemelte, hogy a LeRobot tárolója néhány hónap alatt maroknyi európai közreműködőtől világszerte több ezer aktív robotikusig nőtt, ami azt bizonyítja, hogy a nyílt hozzáférés gyorsabban viszi előre az empirikus validálást, mint a vállalati zárt silók.
Nagy változatosságú, kis volumenű bérszerelés #
Az elektronikai és orvostechnikai eszközök szerelésében a termékváltozatok hétről hétre változnak. A fixen programozott automatizálási sorok gazdaságilag életképtelenek, mert az átszerszámozás és az újraprogramozás költsége meghaladja a gyártási sorozat haszonkulcsát.
A látás-nyelv-cselekvés stratégiák a természetes nyelvű feladatkondicionálással oldják fel ezt a korlátot. Egy kezelő egyszerűen egy új parancs begépelésével vagy az új részegység kétszeri bemutatásával módosíthatja a szerelési eljárást. A modell keresztfigyelmi mechanizmusai előtanított vizuális reprezentációkat használnak az új alkatrészek felismerésére anélkül, hogy a teljes neurális hálózatot újra kellene tanítani.
Az adatfal áttörése: távvezérlés, Parquet és világmodellek #
Kooijmans legfontosabb üzenete a vállalati vezetőknek az volt, hogy a fizikai AI fő szűk keresztmetszete már nem a modellek kapacitása, hanem a bemutatók sokfélesége.
A természetesnyelv-feldolgozásban a modelleket a nyílt webről gyűjtött billiónyi tokenen tanították. A fizikai robotikában nincs előre meglévő „fizikai manipulációs internet”. Minden olyan bemutatót, amelyben egy megfogó felemel egy tárgyat, elfordít egy szelepet vagy összehajt egy anyagot, érzékelőkkel felszerelt távvezérléssel kell rögzíteni a fizikai világban.
A Hugging Face LeRobot három fő kezdeményezéssel kezeli ezt a kihívást:
- Vezető-követő távvezérlő rendszerek: Az olcsó, 3D-nyomtatott, passzív „vezető” karok mágneses jeladókkal mechanikusan tükrözik az aktív „követő” robotot, így az emberi kezelők erőfeszítés nélkül, valós időben távvezérelhetik a robotot, miközben egyszerre rögzítik az ízületi szögeket, a sebességeket és a többnézetes videót.
- Szabványosított Parquet adatkészlet-sémák: A bemutatók szabványosított, nagy teljesítményű Apache Parquet táblákba kerülnek, amelyek darabolt MP4 videofolyamokhoz kapcsolódnak. Így a szabványos adatmérnöki eszközök (Polars, DuckDB, PyArrow) nagy sebességgel dolgozhatnak fel terabájtnyi robottelemetriát.
- Sim-to-real és világmodellekkel történő bővítés: Hogy a fizikai távvezérlés korlátain túl is skálázni lehessen, a nyílt forráskódú világmodellek generatív fizikai dinamikát tanulnak. Miután valós bemutatók alapadatkészletén betanították őket, a világmodellek közvetlenül a látens térben szimulálnak milliónyi kontrafaktuális forgatókönyvet (változó megvilágítás, hozzáadott rendetlenség, módosított asztalsúrlódás), és még a valós telepítés előtt terheléses próbának vetik alá a stratégiákat.
Összegzés #
A Hugging Face LeRobot bemutatása az Economist Enterprise Physical AI and Robotics Summiton döntő fordulópontot kristályosított ki a robotikai iparágban. Az a korszak, amikor a robotika több millió fontos tőkeköltségvetést, saját programozási nyelveket és merev gyári ketreceket igényelt, átadja helyét egy nyílt, együttműködő és adatvezérelt ökoszisztémának.
A multimodális látás-nyelv alapmodellek, a flow matchingen alapuló action chunking és a megfizethető nyílt hardver egyesítésével a nyílt forráskódú fizikai AI a robotokat törékeny automatákból alkalmazkodó, tanuló rendszerekké alakítja. A mérnöki vezetők és technológiai igazgatók számára a stratégiai feladat egyértelmű: a versenyelőny már nem a saját mechanikai hardver birtoklásából fakad, hanem azoknak az adatfolyamatoknak, bemutatógyűjtési munkafolyamatoknak és alapmodelleknek a mesteri kezeléséből, amelyek megtanítják a gépeket a fizikai világ uralására.
Gyakran ismételt kérdések #
Mi az a Hugging Face LeRobot? A Hugging Face LeRobot nyílt forráskódú keretrendszer és közösségi kezdeményezés, amelynek célja a robotika és a fizikai AI demokratizálása. A legkorszerűbb utánzásos tanulási algoritmusok PyTorch-alapú megvalósításait, szabványosított adatkészlet-formátumokat, előtanított látás-nyelv-cselekvés (VLA) alapmodelleket és nyílt forráskódú hardverterveket (például az SO-100-at) kínál, hogy csökkentse a robotikába való belépés pénzügyi és műszaki korlátait.
Miben különbözik az utánzásos tanulás a klasszikus robotprogramozástól? A klasszikus robotprogramozásban egy mérnöknek explicit procedurális kódot kell írnia, amely kézi programozó egységekkel vagy ROS-szkriptekkel pontos Descartes-koordinátákat, inverz kinematikai megoldásokat és állapotátmeneteket határoz meg. Az utánzásos tanulás ezzel szemben neurális hálózatokat tanít az emberi viselkedés utánzására olyan rögzített bemutatók alapján, amelyekben emberek távvezérléssel végzik el a feladatot, és olyan stratégiát tanul, amely az érzékszervi megfigyeléseket közvetlenül motoros parancsokra képezi le.
Mi a Gemma VLM szerepe a fizikai AI-folyamatban? A modern fizikai AI-architektúrákban a Gemma látás-nyelv modell (VLM) a multimodális következtetőmotor szerepét tölti be. Fogadja a kamerák vizuális tokenjeit (SigLIP-pel kódolva), a robot fizikai ízületi állapotvektorát és a természetes nyelvű utasításokat. Keresztfigyelemmel összeolvasztja a szemantikai szándékot a vizuális geometriával, és magas szintű feladatreprezentációkat hoz létre, amelyek az Action Expertet irányítják.
Mi a flow matching a robotikai cselekvés-előrejelzésben? A flow matching a folytonos normalizáló áramlásokkal és a diffúziós modellekkel rokon generatív modellezési technika. A robotikában az egyszerű Gauss-zajt összetett, multimodális cselekvési pályákká alakítja közönséges differenciálegyenletek több lépésben történő megoldásával. Így a robot olyan kétértelmű helyzeteket is kezel, amelyekben több érvényes mozdulat létezik, és elkerüli azokat az átlagolási hibákat, amelyek miatt az egyszerűbb regressziós modellek kudarcot vallanak.
Képesek-e a 200 USD alatti, 3D-nyomtatott robotkarok gyártási szintű feladatokra? Bár a 200 USD alatti karokból, például az SO-100-ból hiányzik a nehéz repülőipari megmunkáláshoz szükséges teherbírás, szerkezeti merevség és milliméter alatti ismételhetőség, a kényes manipulációt, az ellenőrzést, a laboratóriumi folyadékkezelést és a kis alkatrészek komissiózását teljes mértékben el tudják végezni. Ennél is fontosabb, hogy az ezeken az olcsó platformokon betanított és validált stratégiák minimális finomhangolással közvetlenül átvihetők ipari minőségű kollaboratív robotkarokra.
Hivatkozások #
- Economist Enterprise, (2026). Physical AI & Robotics Summit: működési előny autonóm rendszerekkel ⧉. Economist Enterprise.
- Kooijmans, P., (2026). Nyitva az üzletre: hogyan gyorsítja a nyílt forráskód a fizikai AI-t ⧉. Hugging Face.
- Hugging Face, (2026). LeRobot: korszerű gépi tanulás valós robotikához PyTorchban ⧉. GitHub.
- Chi, C., Xu, Z., Feng, S., Cousineau, E., Du, Y., Burchfiel, B. és Song, S., (2024). Diffusion Policy: vizuomotoros stratégiatanulás cselekvési diffúzióval ⧉. Columbia University & MIT.
- Zhao, T. Z., Kumar, V., Levine, S. és Finn, C., (2023). Finom kétkezes manipuláció tanulása olcsó hardverrel ⧉. Stanford University.
- Zhai, X., Mustafa, B., Kolesnikov, A. és Beyer, L., (2023). Szigmoid veszteségfüggvény nyelv-kép előtanításhoz (SigLIP) ⧉. Google DeepMind.
- Lipman, Y., Chen, R. T. Q., Ben-Hamu, H., Nicklas, M. és Le, M., (2023). Flow matching generatív modellezéshez ⧉. Meta AI Research.
Utolsó felülvizsgálat .
Utolsó felülvizsgálat .
A cikk keresztközlése
Medium-formátumban másolás
# Nyílt forráskódú fizikai AI: így demokratizálja a LeRobot a robotikát — Sebastien Rousseau > Originally published at [https://sebastienrousseau.com/hu/2026-10-13-nyilt-forraskodu-fizikai-ai-igy-demokratizalja/](https://sebastienrousseau.com/hu/2026-10-13-nyilt-forraskodu-fizikai-ai-igy-demokratizalja/) A The Economist londoni fizikai AI-csúcsán Pepijn Kooijmans megmutatta, hogyan csökkenti a LeRobot, a nyílt alapmodellek és a 200 USD-s karok a robotika korlátait. Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/hu/2026-10-13-nyilt-forraskodu-fizikai-ai-igy-demokratizalja/
Mastodon-formátumban másolás
Nyílt forráskódú fizikai AI: így demokratizálja a LeRobot a robotikát — Sebastien Rousseau A The Economist londoni fizikai AI-csúcsán Pepijn Kooijmans megmutatta, hogyan csökkenti a LeRobot, a nyílt alapmodellek és a 200 USD-s karok a robotika korlátait. https://sebastienrousseau.com/hu/2026-10-13-nyilt-forraskodu-fizikai-ai-igy-demokratizalja/
LinkedIn-formátumban másolás
Nyílt forráskódú fizikai AI: így demokratizálja a LeRobot a robotikát — Sebastien Rousseau A The Economist londoni fizikai AI-csúcsán Pepijn Kooijmans megmutatta, hogyan csökkenti a LeRobot, a nyílt alapmodellek és a 200 USD-s karok a robotika korlátait. Íme a legfontosabb stratégiai tanulságok: - A mozgástervezéstől az utánzásos tanulásig: architekturális váltás. Open for business: how open source is accelerating physical AI (Nyitva az üzletre: hogyan gyorsítja a nyílt forráskód a fizikai AI-t) című esettanulmányában Pepijn Kooijmans felvázolta, hogyan jutott el a klasszikus… - A multimodális VLA-architektúra belülről. Előadásában Kooijmans részletesen bemutatta azt a végponttól végpontig működő neurális hálózatot, amely a modern nyílt forráskódú fizikai AI-stratégiákat hajtja, és szemléltette, hogyan alakulnak a nagy dimenziójú… - Műszaki összehasonlítás: klasszikus automatizálás és nyílt forráskódú fizikai AI. Forrás: Az Economist Enterprise Physical AI and Robotics Summiton bemutatott előadási adatok, műszaki mérések és élő bemutatók elemzése (Convene 200 Aldersgate, London, 2026. - Mit jelent ez ágazatonként. A nyílt, közösség által fejlesztett fizikai AI térnyerése több iparágban is megváltoztatja az üzleti számítást. Mi az Ön szervezetének megközelítése az e cikkben felvázolt kihívásokhoz? → https://sebastienrousseau.com/hu/2026-10-13-nyilt-forraskodu-fizikai-ai-igy-demokratizalja/ #HuggingFaceLerobot #PepijnKooijmans #FizikaiAi #NyíltForráskódúRobotika #UtánzásosTanulás Sebastien Rousseau | CC-BY-4.0
A cikk idézése
Nyílt forráskódú fizikai AI: így demokratizálja a LeRobot a robotikát — Sebastien Rousseau
A The Economist londoni fizikai AI-csúcsán Pepijn Kooijmans megmutatta, hogyan csökkenti a LeRobot, a nyílt alapmodellek és a 200 USD-s karok a robotika korlátait.
BibTeX
@online{rousseau2026nyílt,
author = {Rousseau, Sebastien},
title = {{Nyílt forráskódú fizikai AI: így demokratizálja a LeRobot a robotikát — Sebastien Rousseau}},
year = {2026},
url = {https://sebastienrousseau.com/hu/2026-10-13-nyilt-forraskodu-fizikai-ai-igy-demokratizalja/},
urldate = {2026}
}RIS
TY - GEN AU - Rousseau, Sebastien TI - Nyílt forráskódú fizikai AI: így demokratizálja a LeRobot a robotikát — Sebastien Rousseau PY - 2026 UR - https://sebastienrousseau.com/hu/2026-10-13-nyilt-forraskodu-fizikai-ai-igy-demokratizalja/ ER -
Vancouver
Rousseau S. Nyílt forráskódú fizikai AI: így demokratizálja a LeRobot a robotikát — Sebastien Rousseau. sebastienrousseau.com. 2026 Oct 13. Available from: https://sebastienrousseau.com/hu/2026-10-13-nyilt-forraskodu-fizikai-ai-igy-demokratizalja/
Chicago
Rousseau, Sebastien. "Nyílt forráskódú fizikai AI: így demokratizálja a LeRobot a robotikát — Sebastien Rousseau." sebastienrousseau.com. October 13, 2026. https://sebastienrousseau.com/hu/2026-10-13-nyilt-forraskodu-fizikai-ai-igy-demokratizalja/.
APA
Rousseau, S. (2026, October 13). Nyílt forráskódú fizikai AI: így demokratizálja a LeRobot a robotikát — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/hu/2026-10-13-nyilt-forraskodu-fizikai-ai-igy-demokratizalja/
A cikk újraközlése
Nyílt forráskódú fizikai AI: így demokratizálja a LeRobot a robotikát — Sebastien Rousseau
A The Economist londoni fizikai AI-csúcsán Pepijn Kooijmans megmutatta, hogyan csökkenti a LeRobot, a nyílt alapmodellek és a 200 USD-s karok a robotika korlátait.
Ez a cikk a következő licenc alatt áll: Creative Commons Attribution 4.0 International. Az újraközléshez a kanonikus URL forrásmegjelölése szükséges.
Nyílt forráskódú fizikai AI: így demokratizálja a LeRobot a robotikát — Sebastien Rousseau A The Economist londoni fizikai AI-csúcsán Pepijn Kooijmans megmutatta, hogyan csökkenti a LeRobot, a nyílt alapmodellek és a 200 USD-s karok a robotika korlátait. Originally published at https://sebastienrousseau.com/hu/2026-10-13-nyilt-forraskodu-fizikai-ai-igy-demokratizalja/ by Sebastien Rousseau. Licensed under CC-BY-4.0.