Dar Musk nu e singurul care vântură astfel de promisiuni. Marc Andreessen, cofondatorul firmei de investiții Andreessen Horowitz, a declarat că robotica ar putea deveni "cea mai mare industrie din istoria planetei". Jensen Huang, șeful Nvidia, a susținut în ianuarie că roboții umanoizi vor atinge capacitatea umană în cursul acestui an. Iar analiștii de la Morgan Stanley estimează că până în 2050, numărul roboților care "arată și se comportă ca oamenii" va ajunge la aproape un miliard, generând o industrie de peste cinci trilioane de dolari.
Numai că în spatele acestor declarații spectaculoase stă o presupunere simplistă: că aceleași progrese din inteligența artificială care au dat naștere unor instrumente precum ChatGPT sau Claude vor permite roboților să imite mișcarea umană la fel cum chatboții imită limbajul. Multe voci din comunitatea roboticienilor sunt însă profund sceptice. Yann LeCun, unul dintre așa-numiții "nași ai inteligenței artificiale", a spus răspicat la o altă conferință de la Davos: "Niciuna dintre companiile care construiesc roboți umanoizi — absolut niciuna — nu are habar cum să-i facă suficient de inteligenți încât să fie cu adevărat utili".
Criticile nu se opresc aici. Jonathan Hurst, cofondator al Agility Robotics și profesor de robotică la Oregon State University, atrage atenția asupra unei confuzii frecvente: "E foarte ușor să faci un robot care arată ca un om. E dramatic mai greu să faci o mașinărie care se mișcă sau se comportă dinamic și fizic ca un om". Cu alte cuvinte, aspectul umanoid nu garantează și inteligența sau utilitatea practică. Aceste tensiuni — între optimismul frenetic al unor CEO și realismul sumbru al cercetătorilor — se joacă zilnic în laboratoarele de robotică din lumea întreagă, unde entuziasmul legat de termene ambițioase ascunde un progres anevoios, dar real.
Acum un deceniu, o serie de descoperiri au dus la o revoluție a inteligenței generative care a transformat posibilitatea abstractă a AI-ului în realitate palpabilă. Roboticienii cred, la rândul lor, că o revoluție la fel de transformatoare e posibilă — una care ar dota mașinile cu o intuiție fizică și o fluiditate a mișcării care până acum au rămas de neatins. Întrebarea arzătoare e dacă metodele și uneltele care au propulsat AI-ul textual sunt suficiente sau dacă e nevoie de un drum complet nou.
Pentru a înțelege stadiul actual al cercetării, merită să aruncăm o privire spre ce realizează Google DeepMind cu un echipament numit ALOHA 2, prescurtare de la "A Low-cost Open-source Hardware System for Bimanual Teleoperation". Spre deosebire de spectaculoșii roboți umanoizi, ALOHA 2 nu impresionează la prima vedere: e doar o pereche de brațe mecanice, niște clești și câteva camere. Dar în ciuda simplității aparente, e un cal de bătaie pentru cercetători, care îl folosesc pentru a testa Gemini Robotics, cel mai avansat sistem de robotică bazat pe AI al companiei.
Când e controlat de Gemini Robotics, ALOHA 2 devine un fel de robot generalist, capabil să execute sarcini variate pe baza exemplelor cu care a fost antrenat. Într-o demonstrație video, robotul reușește să pună delicat o felie de pâine albă într-o pungă zip, s-o închidă, apoi să așeze un ciorchine de struguri într-un recipient Tupperware, să-i pună capacul și, în final, să aranjeze totul într-o cutie de prânz. Nu e un prânz grozav, dar faptul că un robot poate asambla toate aceste elemente reprezintă un salt obiectiv față de ce era posibil acum doar trei ani.
Acest progres se datorează în mare parte impactului AI-ului asupra așa-numitelor "politici ale roboților" — seturile de reguli care determină cum un robot își evaluează mediul, planifică mișcarea și execută sarcina. Până nu demult, aceste politici erau codificate manual de ingineri, cu mii de linii de cod care specificau fiecare milimetru de mișcare pentru sute de sarcini. Acum, ele sunt predate unor sisteme avansate de AI.
Primul pas a fost făcut prin VLM-uri, adică modelele vizual-lingvistice, antrenate simultan pe imagini și text. Arată unui VLM o poză cu o cafea vărsată și întreabă-l ce unealtă ar folosi pentru curățenie, iar el va identifica un prosop din apropiere. Acest tip de înțelegere contextuală instantanee nu exista în urmă cu câțiva ani.
Următorul pas a fost apariția VLA-urilor, modelele vizual-lingvistice-acționale, care adaugă comenzi de mișcare la rețetele anterioare. Acestea sunt antrenate pe serii de imagini sau înregistrări video ale unor sarcini, împreună cu date despre cum se mișcă un braț robotic pentru a le executa. Datele provin de obicei din teleoperare, adică de la oameni care controlează de la distanță roboți prin exemplificare directă. Așa învață AI-ul să comande mișcarea și operarea în contexte concrete.
Modelul Gemini Robotics este un VLA, antrenat pe multe ore de demonstrații umane acoperind o gamă largă de acțiuni. Drept urmare, poate efectua sarcini relativ complexe: poate lua mazăre cu un clește de bucătărie, poate face origami sau poate pregăti un prânz simplu. E impresionant, dar are o limitare evidentă: dacă i se cere ceva ce nu a mai văzut în antrenament, va eșua aproape sigur.
Edward Johns, profesor de robotică la Imperial College London, rezumă plastic problema: "Un robot cu adevărat generalist ar trebui să poată face orice de-a lungul întregului spectru de sarcini. Astăzi, însă, un model ca Gemini Robotics poate face doar ici și colo câte ceva". Soluția evidentă — mai multe date, mai multe exemple, mai multă generalitate — se lovește de o problemă majoră: nu există un ocean de demonstrații fizice de înaltă calitate, așa cum există pentru text. Soluțiile actuale (colectarea de date prin teleoperare umană, antrenarea pe videoclipuri) sunt costisitoare, limitate și imperfecte. Drumul de la robotul care poate face câteva trucuri impresionante la cel care ne va găti efectiv cina, ne va călca hainele sau ne va îngriji bătrânii rămâne, cel mai probabil, mult mai lung decât promit antreprenorii cu cele mai zgomotoase declarații.
De ce este important:
Acest subiect nu e doar o chestiune tehnică pentru pasionații de AI — ci una cu implicații economice, sociale și etice profunde. Dacă promisiunile optimiste se adeveresc, piața muncii ar putea fi zguduită din temelii: miliarde de locuri de muncă manuale ar deveni redundante, iar economia globală s-ar restructura în jurul unei industrii de cinci trilioane de dolari. Dacă, în schimb, optimismul e umflat, investitorii riscă pierderi uriașe, iar oamenii care amână investiții în educație sau reconversie profesională ar putea fi dezamăgiți crunt. Mai important, dezamăgirea publicului față de promisiunile neonorate ar putea eroda încrederea în știință și tehnologie, alimentând scepticismul și conspiraționismul. În cele din urmă, înțelegerea onestă a decalajului dintre hype și realitate ne ajută să luăm decizii mai bune — ca societate, ca piață și ca indivizi.
