Pojďme si nalít čistého vína a promluvit si o tom pověstném slonovi v čistých prostorách laboratoří. Zatímco se venture kapitáloví investoři mohou přetrhnout, aby zafinancovali každý další bipedální zázrak, přímo před našima očima se skrývá jedna nepříjemná a usvědčující pravda: navzdory všem těm investovaným miliardám je skutečný objem užitečné práce, kterou tato nová vlna pokročilých robotů vykonala, diplomaticky řečeno, na úrovni statistické chyby.
Spoluzakladatel společnosti Dyna, Yang York, si v nedávné, brutálně upřímné zprávě vzal na paškál všudypřítomný hype a obraz, který vykreslil, není zrovna růžový. Zapomeňte na vypulírovaná videa, kde roboti předvádějí parkour nebo s chirurgickou přesností manipulují s vajíčkem. Skutečný příběh vyprávějí čísla a ta mluví o hlubokém odtržení od reality. Mezi lety 2022 a 2025 robotický průmysl doslova vysál investice přesahující 16,5 miliardy eur (18 mld. USD). Přesto je na začátku roku 2026 dopad v reálném světě stále naprosto zanedbatelný.
York ukazuje na „plakátové děti“ tohoto hardwarového boomu. Elon Musk z Tesly během hovoru k výsledkům hospodaření v lednu 2026 přiznal, že v jeho továrnách nevykonávají roboti Optimus v podstatě žádnou smysluplnou práci. A Unitree, pravděpodobně největší světový dodavatel humanoidů, ve svém březnovém prospektu k IPO odhalil, že ohromujících 73,6 % jeho tržeb pochází z prodeje pro účely výzkumu a vzdělávání. Skutečné nasazení v průmyslu? Pouhých 9 %, z čehož většinu tvořily úkoly typu „firemní recepční a průvodce“. Příjmy ze skutečných výrobních úkolů činily ubohých ~1,8 milionu eur.
Tuto propast mezi finančním očekáváním a fyzickou realitou York nazývá bublinou. A nejde o to, zda technologie nakonec bude fungovat. Jde o časový rámec. Jak sám říká: „Bublina je rozdíl mezi aktuálními technickými schopnostmi a lidským očekáváním, vynásobený časem.“
Vaše analogie s LLM je špatná a měli byste se za ni stydět
Jádrem Yorkovy argumentace je fakt, že robotický průmysl „ujíždí na špatném matroši“ – konkrétně na špatných analogiích. Investoři a zakladatelé, opojení exponenciálním růstem velkých jazykových modelů (LLM), se snaží aplikovat stejný recept na svět atomů. A výsledky jsou tragické.
LLM škálovaly bleskovou rychlostí, protože jde o čistý software, který lze okamžitě distribuovat miliardám lidí přes internet. Roboti jsou však fyzické objekty. Rozbíjejí se. Vyžadují údržbu. Musí se orientovat v chaotickém a nepředvídatelném reálném světě.
Další lákavou, ale stejně chybnou analogií je autonomní řízení (AV). Ale ani ta nesedí. Auto je užitečné, i když se neřídí samo; je to zavedená produktová kategorie, distribuční kanál čekající na AI upgrade. Neinteligentní humanoid je, jak vtipkuje York, „třicetikilový stroj s 28 stupni volnosti a nulovým účelem“. Nemá žádnou vestavěnou uživatelskou základnu. Neexistuje žádná instalovaná báze, kterou by šlo upgradovat. Průmysl se snaží vyvinout aplikaci, telefon i mobilní síť najednou.
To znamená, že robotika nebude mít růstovou křivku ve tvaru LLM. Nebude mít dokonce ani křivku jako autonomní auta. Bude mít svou vlastní, „robotickou“ křivku. A neochota průmyslu si to přiznat je jeho nejdražší chybou.
Tři velké sebeklamy moderní robotiky
York identifikuje tři zásadní omyly, které drží bublinu hypu nad vodou. Jsou to ty sladké lži, které si firmy namlouvají, když inkasují další devíticiferný šek.
1. Hardware není distribuční kanál
Nejdražším omylem je představa, že dodání fyzického robota je totéž jako vybudování distribučního kanálu. Logika zní: dostaňte hardware k zákazníkovi a zbytek už půjde sám. To je fatální chyba.
Skutečný kanál vytváří opakovanou hodnotu. Pokud robot předvede demo a pak na něj sedá prach, protože nenaplňuje očekávanou návratnost investic (ROI), nemáte kanál. Máte jen velmi drahé těžítko. York tvrdí, že skutečný robotický kanál je full-stack systém nasazení: posouzení pracoviště, definice úkolů, sběr dat, vzdálený debugging a kontinuální aktualizace.
„Testem funkčního kanálu je, zda je další nasazení rychlejší než to předchozí,“ píše York. „Pokud není, nevybudovali jste kanál. Vybudovali jste jen skladové zásoby a PR.“
2. Váš „Foundation Model“ je hlavně… základ
Druhou chybou je nepochopení toho, jak se AI modely skutečně zlepšují. Celá debata v robotice se točí kolem předtrénování na masivních datasetech. Ale tajnou ingrediencí moderních LLM není jen pre-training; je to úzká, iterativní smyčka mezi pre-trainingem a doménově specifickou zpětnou vazbou po tréninku (post-training).
Robotika tuto smyčku sotva začala. Většina týmů krmí modely horem dolem dalšími daty a modlí se, aby se „vynořily“ schopnosti. Ale bez signálu z reálného nasazení – od robotů, kteří v továrně skutečně selhávají – modely nemohou dospět. Neexistuje žádná jednotná metrika, jako je „perplexita“ u LLM, podle které by se dalo optimalizovat. Model, který exceluje v laboratorním benchmarku, je k ničemu, pokud nezvládne změnu osvětlení v reálném skladu.
3. Setrvačník je poháněn nudou
To nás přivádí k nejpodceňovanější části celého řetězce: k samotné infrastruktuře nasazení. Nejde jen o prodej; je to ta mravenčí, nevkusná inženýrská práce, která mění jednorázové nasazení v opakovatelný proces. Jsou to nástroje pro vzdálenou diagnostiku, směrování dat a spolehlivé aktualizace.
Bez tohoto „setrvačníku“ se celý systém zadrhne. Robot se nedostane do reálného prostředí. Model nezíská data z praxe, která potřebuje ke zlepšení. Křivka schopností se zploští, ať už na ni vrhnete jakýkoliv výpočetní výkon. Bublina podle Yorka „žije v propasti mezi týmy, které to pochopily, a týmy, které stále jen optimalizují čísla v benchmarcích a točí demo videa“.
Jediná cesta ven vede skrz
Tváří v tvář této realitě se obor rozdělil. Někteří sázejí na přístup „model-first“ a věří, že dostatečně výkonný „mozek“ vyřeší vše a hardware se stane komoditou. Jiní razí cestu „hardware-first“ s vírou, že klíčem je dokonalé tělo a open-source software už ty mezery nějak zaplní.
York a Dyna patří pevně do třetího tábora: vertikální integrace. Nevybrali si ji proto, že je trendy, ale proto, že po roce nasazování svého modelu DYNA-1 zjistili, že jiná cesta neexistuje. Naučili se to tou těžší cestou: nasazení se samo od sebe zázračně neusnadní. Smyčka zpětné vazby se musí uzavřít současně napříč výzkumem, hardwarem i praktickým provozem.
To je práce, která nás čeká. Není to o honbě za dalším virálním videem. Je to o mravenčím procesu budování systému, díky kterému bude desáté nasazení rychlejší a spolehlivější než to první. První tým, který tento kód skutečně prolomí, trh nejen ovládne – on ho definuje. Do té doby se jen díváme na velmi drahý vědecký veletrh.
