Physical AI, czyli fizyczna sztuczna inteligencja, to systemy AI, które za pomocą czujników postrzegają otoczenie, rozumują o nim i działają w świecie fizycznym przez ciało maszyny: ramię robota, humanoida, wózek magazynowy albo samochód autonomiczny. Od chatbota różni je wynik pracy: model zamiast tekstu wydaje polecenia silnikom, a każda pomyłka ma fizyczne skutki. We wrześniu 2026 roku physical AI pracuje już w wąskich zadaniach, na przykład w autonomicznych taksówkach i robotach magazynowych, a roboty ogólnego przeznaczenia wciąż przechodzą pilotaże.
Spis treści:
Co to jest physical AI?
Physical AI to sztuczna inteligencja z ciałem. Składa się z modelu, który podejmuje decyzje, z czujników, które dostarczają mu danych o otoczeniu, i z napędów wykonujących te decyzje. NVIDIA, która buduje dla niej własną platformę, opisuje physical AI jako rozszerzenie generatywnej AI o rozumienie relacji przestrzennych i fizycznego zachowania trójwymiarowego świata.
Po polsku spotkasz kilka nazw: physical AI, fizyczna sztuczna inteligencja albo ucieleśniona sztuczna inteligencja, od angielskiego embodied AI, która ma najdłuższą historię. Rodney Brooks, robotyk z MIT, dowodził już w 1990 roku w pracy „Elephants Don't Play Chess”, że robot potrzebuje bezpośredniego sprzężenia zmysłów i ruchu z otoczeniem, a samo abstrakcyjne rozumowanie mu nie wystarczy. Podobnie argumentowali Hans Moravec i Rolf Pfeifer.
Czy każdy robot to physical AI? Nie. Ramię spawalnicze odtwarzające zapisaną trajektorię działa w świecie fizycznym, ale niczego nie rozumuje. Physical AI zaczyna się tam, gdzie maszyna sama ocenia sytuację i na tej podstawie dobiera ruch.
Postrzegaj, rozumuj, działaj: jak działa physical AI?
Physical AI działa w pętli: postrzega otoczenie, rozumuje o nim, wykonuje ruch i sprawdza jego skutek. Pętla obraca się wiele razy na sekundę, a każdy obrót zaczyna się od świeżych danych z czujników.
Dobrze widać to na zadaniu, które humanoid wykonywał w fabryce BMW: wyjąć blachę z pojemnika i położyć ją w przyrządzie spawalniczym z dokładnością do 5 mm, w około 2 sekundy.
- Postrzeganie. Kamery, czasem lidar, czujniki siły w nadgarstku. Model ustala, gdzie leży element i pod jakim kątem.
- Rozumowanie. Model wybiera miejsce chwytu i kolejność ruchów stawów.
- Działanie. Decyzja zamienia się w polecenia dla silników. Modele z płynnym sterowaniem wydają je nawet 50 razy na sekundę.
- Sprawdzenie. Czujniki pokazują, czy chwyt się udał. Jeśli blacha się zsunęła, pętla rusza od nowa, a zapis prób może później posłużyć do douczenia modelu.
Czas to największa różnica wobec AI w komputerze. Chatbot może się namyślać kilka sekund. Ramię jadące w stronę krawędzi stołu nie ma tego luksusu: spóźniona decyzja jest równie zła jak błędna.
Czym różni się physical AI od agentic AI?
Agentic AI działa w świecie cyfrowym, physical AI w fizycznym. Agent AI to program, który sam realizuje cel w kilku krokach i korzysta przy tym z narzędzi: przegląda strony, wypełnia formularze, uruchamia inne programy. Physical AI też dąży do celu, ale jej narzędzia to silniki i chwytak.
| Agentic AI | Physical AI | |
|---|---|---|
| Gdzie działa | przeglądarka, pliki, systemy firmowe | hala, magazyn, ulica, mieszkanie |
| Skąd wie, co się dzieje | tekst i dane z sieci | kamery, lidar, czujniki siły i dotyku |
| Czas na decyzję | sekundy, czasem minuty | ułamki sekundy |
| Skutek błędu | zły plik albo mail, zwykle do cofnięcia | stłuczony przedmiot, uszkodzona maszyna, zagrożenie dla ludzi |
| Dane do nauki | ogromne zasoby tekstu z internetu | drogie nagrania z robotów i symulacja |
Oba światy zaczynają się łączyć. Google DeepMind pokazało 25 września 2025 roku parę modeli Gemini Robotics 1.5: model rozumujący planuje zadanie i sam sięga po cyfrowe narzędzia, na przykład wyszukiwarkę, a model wykonawczy zamienia plan na ruchy robota. Firma podaje przykład: robot ma rozdzielić przedmioty na kompost, surowce wtórne i śmieci zmieszane według zasad obowiązujących w danym miejscu, więc najpierw szuka tych zasad w internecie. Agent i ciało w jednym systemie.
Modele fundamentowe i VLA: jaki „mózg” ma physical AI?
Mózgiem nowoczesnej physical AI jest zwykle model fundamentowy (ang. foundation model), czyli jeden duży model wytrenowany na bardzo szerokich danych, który potem dostosowuje się do wielu zadań. W robotyce coraz częściej przybiera on postać VLA, od vision-language-action: obraz, język, działanie. Model widzi scenę przez kamery robota, dostaje instrukcję, na przykład „odłóż kubek na półkę”, i odpowiada ciągiem poleceń dla przegubów i chwytaka. Samą nazwę VLA wprowadził w lipcu 2023 roku zespół Google DeepMind w pracy o modelu RT-2.
Wewnątrz VLA pracuje gotowy model obrazu i języka, który już „wie”, jak wygląda kubek i co znaczy „podaj”, oraz dekoder, który tę wiedzę przekłada na ruch. Ruch zapisuje się na dwa sposoby:
- jak słowa w zdaniu, kawałek po kawałku (RT-2, OpenVLA): prościej, ale mniej precyzyjnie;
- jako płynną trajektorię, techniką pokrewną generatorom obrazów (π0, Octo): stąd wspomniane 50 poleceń na sekundę.
Coraz częściej model ma dwa piętra. NVIDIA w GR00T N1, pokazanym 18 marca 2025 roku, nazwała je System 2 (wolne planowanie oparte na modelu obrazu i języka) i System 1 (szybkie odruchy wykonujące ruch).
W październiku 2023 roku 21 instytucji udostępniło zbiór Open X-Embodiment z nagraniami 22 rodzajów robotów i 527 umiejętności. Na takich danych powstał OpenVLA, otwarty model z czerwca 2024 roku: 7 miliardów parametrów, 970 tysięcy pokazów na prawdziwych robotach. W testach autorów na 29 zadaniach wypadł o 16,5 punktu procentowego lepiej od zamkniętego RT-2-X, mając siedem razy mniej parametrów.
Physical Intelligence: firma czy pojęcie?
„Physical intelligence” oznacza dwie rzeczy. Jako pojęcie to zdolność maszyny do rozumienia świata fizycznego i sprawnego działania w nim, czyli cel, do którego zmierza physical AI. Jako nazwa własna to Physical Intelligence, firma z San Francisco założona w 2024 roku przez badaczy robotyki, wśród nich Karola Hausmana, Sergeya Levine'a i Chelsea Finn. Buduje modele ogólnego przeznaczenia do sterowania różnymi robotami.
Pierwszy model firmy, π0, opisany 31 października 2024 roku, to VLA zbudowany na gotowym modelu obrazu i języka i trenowany na danych z robotów jednoramiennych, dwuramiennych i mobilnych. Pokazano go przy składaniu prania, sprzątaniu stołu i montażu kartonowych pudełek. Następca, π0.5 z 22 kwietnia 2025 roku, sprzątał kuchnie i sypialnie w domach, których wcześniej nie widział. Autorzy przedstawili to jako pierwszy taki wynik systemu uczonego w całości od obrazu do ruchu.
W 2025 roku firma pozyskała 600 mln dolarów przy wycenie około 5,6 mld dolarów. W angielskim tekście „physical intelligence” pisane małą literą to zwykle pojęcie, wielką literą – firma.
Po co robotom symulacja i world models?
Symulacja daje robotom tanie i szybkie próby. Prawdziwe ramię wykonuje jedną próbę naraz i może się przy tym zepsuć, a w wirtualnym świecie tysiące kopii robota ćwiczą równolegle.
Haczyk nazywa się sim-to-real, czyli przeniesienie umiejętności z symulacji do rzeczywistości: symulator nie odda dokładnie tarcia ani światła, więc model wyuczony w idealnym świecie gubi się w prawdziwym. Sprawdzone rozwiązanie opisano w 2017 roku: w symulacji losowo zmienia się tekstury, kolory i inne parametry obrazu, aż prawdziwy świat staje się dla modelu jeszcze jedną wariacją. Detektor uczony wyłącznie na takich obrazach lokalizował prawdziwe przedmioty z dokładnością do 1,5 cm. W 2019 roku, dzięki rozwinięciu tej idei, robotyczna dłoń zespołu OpenAI ułożyła kostkę Rubika, choć ćwiczyła wyłącznie w symulacji. Kolejność obrotów podawał jej gotowy program, a sieć neuronowa odpowiadała za chwyt i ruchy palców.
World model, czyli model świata, idzie krok dalej. Google DeepMind definiuje go jako system AI, który dzięki swojemu rozumieniu świata potrafi symulować jego fragmenty: przewidzieć, jak zmieni się scena i czym skończy się dany ruch. Genie 3, pokazany 5 sierpnia 2025 roku, tworzy z opisu tekstowego interaktywny świat w 24 klatkach na sekundę, spójny przez kilka minut. Najpierw dostała go niewielka grupa naukowców i twórców, a we wrześniu 2026 roku mogą go wypróbować abonenci płatnego planu Google AI Ultra, w eksperymentalnym prototypie Project Genie.
NVIDIA dzieli rozwój physical AI na trzy etapy: trening w centrum danych, symulację (Omniverse, Isaac Sim) i wdrożenie na komputerze w robocie (Jetson Thor). 6 stycznia 2025 roku ogłosiła Cosmos, modele świata na otwartej licencji, które generują fizycznie wiarygodne dane treningowe. W marcu 2025 roku podała, że wygenerowała 780 tysięcy syntetycznych trajektorii ruchu w 11 godzin, czyli równowartość 6500 godzin nagrań ludzkich pokazów.
Jakie są przykłady physical AI?
Najdojrzalsze przykłady physical AI to autonomiczne taksówki i roboty magazynowe, bo wykonują wąskie, dobrze opisane zadania.
- Autonomiczne taksówki. Waymo podało 2 lutego 2026 roku, że realizuje ponad 400 tysięcy przejazdów tygodniowo w sześciu amerykańskich aglomeracjach, bez kierowcy za kierownicą.
- Roboty magazynowe. Amazon ogłosił 1 lipca 2025 roku, że w ponad 300 obiektach pracuje już milion jego robotów. Ich ruchem ma sterować model fundamentowy DeepFleet, który według firmy skróci czas przejazdów floty o 10%.
- Humanoid przy linii produkcyjnej. Figure 02 ładował blachy w fabryce BMW w Spartanburgu w USA. Producent liczy to wdrożenie na 11 miesięcy.
- Pozostałe: drony, roboty rolnicze i budowlane, ramiona przemysłowe z kamerą rozpoznające położenie detalu.
Jak daleko jest physical AI od prawdziwej pracy?
W wąskich, powtarzalnych zadaniach physical AI już zarabia. Robot ogólnego przeznaczenia, który wejdzie do nieznanej fabryki albo mieszkania i sam się w nich odnajdzie, istnieje na razie w pokazach i pilotażach.
Jednym z najdokładniej opisanych testów humanoida w przemyśle jest Figure 02 w BMW. Producent podsumował go 19 listopada 2025 roku: ponad 1250 godzin pracy na linii, ponad 90 tysięcy włożonych części i udział w produkcji ponad 30 tysięcy samochodów BMW X3. Robot działał w dni robocze, na zmianach po 10 godzin. Figure wymienił też cele, czyli ponad 99% poprawnych cykli na zmianę i zero interwencji człowieka, ale nie napisał, ile z tego osiągnięto. Usterek miało być niewiele, a najsłabszym punktem sprzętu okazało się przedramię.
Imponujące jak na humanoida, skromne jak na fabrykę. BMW w komunikacie z 25 czerwca 2026 roku nazywa pilotażem pracę Figure 02 w wydziale karoserii, liczoną przez koncern na dziesięć miesięcy. Następca, Figure 03, miał wtedy dopiero zacząć w tym samym zakładzie nowe zadanie: sortowanie części dla montażu. Tymczasem według raportu Międzynarodowej Federacji Robotyki (IFR) z 24 września 2026 roku fabryki na świecie zainstalowały w 2025 roku ponad 600 tysięcy robotów przemysłowych, a łącznie pracuje ich 5 milionów. Humanoidy to na razie margines tej skali.
Co hamuje resztę? Koszt danych z prawdziwych robotów, zużycie mechaniki, niepełny obraz z czujników i bezpieczeństwo ludzi obok. Model, który myli się raz na sto prób, w laboratorium jest sukcesem, a na linii wykonującej tysiące cykli dziennie oznacza przestoje.
Czy physical AI to rzeczywistość, czy tylko marketing?
Physical AI to rzeczywista technologia, choć jako hasło bywa naciągane. Autonomiczne taksówki wykonują setki tysięcy przejazdów tygodniowo. Zarazem termin stał się modnym szyldem, a film z pokazu zwykle pokazuje najlepsze ujęcie z wielu prób.
Jensen Huang, szef NVIDII, zapowiadał w styczniu 2025 roku, że „moment ChatGPT dla robotyki” nadchodzi. Ten sam Rodney Brooks, który w latach 1997–2007 kierował laboratorium sztucznej inteligencji MIT (od 2003 roku CSAIL) i współzakładał iRobota, w eseju z 26 września 2025 roku ocenia, że humanoidy nie nauczą się zręczności z samych nagrań wideo. Ludzka dłoń ma w nieowłosionej skórze około 17 tysięcy receptorów reagujących na lekki dotyk, a kamera tej informacji nie zobaczy. Opłacalne wdrożenia humanoidów, nawet z minimalną zręcznością, są według niego odległe o ponad dekadę.
Zanim uwierzysz w kolejny film, zadaj cztery pytania:
- Czy robot działał samodzielnie, czy kierował nim operator?
- Ile prób się udało, a ile nagrano? Wynik bez liczby prób to anegdota.
- Czy otoczenie było nowe, czy to samo, w którym robot się uczył?
- Ile godzin przepracował i ile razy człowiek musiał go zatrzymać? Brak drugiej liczby też jest odpowiedzią.
FAQ
Czym różni się embodied AI od physical AI?
W praktyce to niemal synonimy. Embodied AI, czyli ucieleśniona sztuczna inteligencja, to starszy termin naukowy, który obejmuje także agentów w wirtualnych ciałach, trenowanych w symulacji. Physical AI to określenie branżowe, używane zwykle wtedy, gdy mowa o prawdziwych maszynach.
Czy physical AI to to samo co robotyka?
Te pojęcia się pokrywają, ale nie są tożsame. Robotyka zajmuje się budową i sterowaniem robotów, także programowanych klasycznie, bez uczenia maszynowego. Physical AI opisuje sposób sterowania, w którym model uczony na danych sam ocenia sytuację, i obejmuje też samochody autonomiczne, których potocznie nie nazywa się robotami.
Czym jest VLA?
VLA (vision-language-action, czyli obraz–język–działanie) to model AI, który łączy obraz z kamery z instrukcją wydaną zwykłymi słowami i w odpowiedzi generuje ruchy robota. Ponieważ buduje się go na gotowym modelu obrazu i języka, wyuczonym na danych z internetu, robot radzi sobie także z przedmiotami i poleceniami, których nie było w nagraniach z robotów użytych do treningu.
Czym physical AI różni się od generatywnej AI?
Generatywna AI tworzy treści: tekst, obraz, dźwięk. Physical AI korzysta z podobnych technik, ale dokłada rozumienie przestrzeni i fizyki, bo wynikiem jej pracy jest ruch. Modele świata generują sceny i wideo jak generatory obrazów, tyle że po to, żeby robot mógł na nich ćwiczyć.
Od pojęcia do konkretnej maszyny
Physical AI opisuje, jak maszyna postrzega świat i jak się uczy. Druga połowa obrazu to sprzęt: z czego robot jest zbudowany, jakie ma napędy i czujniki oraz jakie są rodzaje robotów. Zebraliśmy to w przewodniku robot – co to jest i jak działa.
Zdjęcie główne: Oleg Alexandrov, Wikimedia Commons, licencja CC BY-SA 3.0