- prosince 2025 Google potichu vydal FunctionGemma, maličký AI model s 270 miliony parametrů navržený tak, aby běžel kompletně na zařízení. Tisková zpráva se zaměřovala na chytré telefony — nastavování připomínek, zapínání svítilny, obvyklé věci digitálního asistenta. Ale skryté v těch specifikacích je něco mnohem zajímavějšího: plán, jak dramaticky zlevnit roboty.
Tady je špinavé tajemství dnešních “chytrých” robotů: většina z nich vůbec není chytrá. Jsou to terminály. Inteligence žije někde v datovém centru tisíce kilometrů daleko, připojená přes internetovou linku, která přidává latenci, stojí peníze a selže ve chvíli, kdy vejdete do mrtvé zóny. Pokaždé, když váš skladový robot potřebuje udělat rozhodnutí, volá domů jako nervózní teenager žádající o svolení.
FunctionGemma kompletně mění tuto rovnici.
Čísla, která záleží
Přeskočme marketingové kecy a podívejme se na to, co skutečně záleží pro robotiku:
- 288 MB úložného prostoru – Vejde se na nejlevnější mikrokontroléry
- 550 MB RAM – Raspberry Pi 4 má 8 GB nazbyt
- 0,3 sekundy odezvy – Na zařízení, bez síťového objížďky
- 58% přesnost základní → 85% po fine-tuningu – Trénovatelné pro specifické úkoly
Poslední bod je klíčový. FunctionGemma není určena jako všeobecný chatbot. Je navržena pro fine-tuning na úzké, specifické úkoly — přesně to, co roboti dělají. Skladový robot nepotřebuje diskutovat o filozofii. Potřebuje rozumět “vezmi krabici A, přesuň ji na regál B” a provést to bezchybně, tisíckrát denně.
Proč jsou roboti závislí na cloudu slepá ulička
Současné paradigma pro “inteligentní” roboty je fundamentálně rozbité. Zamyslete se, co se stane, když váš robot potřebuje udělat rozhodnutí:
- Zachycení dat ze senzorů
- Komprese dat a odeslání do cloudu
- Cloudový server zpracuje požadavek
- Odpověď odeslána zpět
- Robot jedná
To je pět kroků s několika body selhání. Zahlcení sítě? Robot zamrzne. Přetížený server? Robot čeká. Výpadek internetu? Robot se stane drahým těžítkem. A platíte za každou milisekundu výpočetního času a každý megabajt přenosu dat.
Pro jeden domácí vysavač to může být snesitelné. Pro flotilu 500 skladových robotů běžících 24/7? Samotné cloudové účty by vás mohly zruinovat a latence dělá koordinaci v reálném čase téměř nemožnou.
Revoluce edge computingu dorazila do robotiky
FunctionGemma představuje filosofický posun: místo otázky “jak udělat roboty dost chytré, aby potřebovali cloud” se Google ptá “jak udělat cloud dost malý, aby se vešel do robota”.
To není bezprecedentní. Automobilový průmysl na to přišel před lety — automatické nouzové brzdění vašeho auta nevolá Googlu, než se rozhodne zastavit. Rozhodnutí se děje lokálně, v milisekundách, protože latence zabíjí (doslova). Ale až dosud byly AI modely schopné rozumět příkazům v přirozeném jazyce a překládat je na akce příliš masivní pro edge nasazení.
Jak vypadá levná robotika
Představte si domácího asistenta za 5 000 Kč s:
- Plným porozuměním přirozenému jazyku pro běžné příkazy
- Žádnými měsíčními předplatitelskými poplatky
- Perfektním fungováním během výpadků internetu
- Vaše hlasová data nikdy neopustí zařízení
- Okamžitou odezvou na příkazy
Nebo si představte zemědělské roboty, kteří mohou pracovat na polích s nulovou mobilní pokrytím. Záchranářské drony, které nepotřebují Starlink. Společníky pro péči o seniory, kteří nepotřebují cloudové předplatné, aby někomu připomněli vzít si léky.
Úspory nákladů se násobí na každé úrovni. Levnější výpočetní hardware znamená levnější roboty. Žádná závislost na cloudu znamená žádné opakující se poplatky. Lokální zpracování znamená jednodušší síťové požadavky. Privacy by design znamená snazší regulační schválení.
Architektura “řízení provozu”
Google není tak naivní, aby tvrdil, že FunctionGemma může zcela nahradit velké jazykové modely. Jejich navrhovaná architektura je chytřejší: použít FunctionGemma jako lokální “řízení provozu”, které okamžitě zvládne 90 % jednoduchých příkazů a komplexní dotazy směruje do cloudu jen když je to nutné.
Pro robota by to mohlo vypadat takto:
- Zvládnuto lokálně: “Jeď dopředu”, “Stop”, “Vezmi červený objekt”, “Vrať se na nabíjecí stanici”
- Směrováno do cloudu: “Analyzuj tento neobvyklý objekt a řekni mi, co to je”, “Naplánuj optimální trasu skrz toto nové prostředí”
Tento hybridní přístup vám dává rychlost a spolehlivost edge computingu pro rutinní operace, zatímco zachovává přístup k cloudové inteligenci pro skutečné okrajové případy.
Faktor fine-tuningu
Možná nejdůležitějším aspektem pro robotiku je trénovatelnost FunctionGemma. Základní přesnost 58 % zní hrozně — a je, pro všeobecného asistenta. Ale natrénovaná na specifickou slovní zásobu robotových příkazů a akcí vyskočí na 85 %.
Teď si představte, co se stane, když robotická společnost to natrénuje specificky pro svůj případ použití:
- Skladový komisařský robot: 50 základních příkazů, optimalizovaná slovní zásoba, přesnost potenciálně nad 95 %
- Doručovací dron: navigační příkazy, bezpečnostní přepisy, meteorologické odpovědi
- Výrobní rameno: přesné pohybové instrukce, kontroly kvality
Každý typ robota dostane AI mozek na míru, perfektně dimenzovaný pro své potřeby a natrénovaný přesně na slovní zásobu, se kterou se setká. To je opak přístupu “jeden obří model vládne všem” — je to modulární, efektivní a nasaditelné.
Co to znamená pro výrobce robotů
Pro společnosti stavějící roboty představuje FunctionGemma strategický bod zlomu:
Struktura nákladů se mění: Materiálové náklady na “chytrého” robota by mohly klesnout o tisíce korun, když nepotřebujete drahý síťový hardware a redundanci cloudové konektivity.
Model předplatného umírá: Robot-as-a-Service závisí na cloudové závislosti pro zamknutí zákazníků do opakujících se plateb. Lokální AI tento model rozbíjí — a zákazníci si toho všimnou.
Spolehlivost se stává dosažitelnou: Robot, který může fungovat autonomně, znamená garantovanou dostupnost bez heroické síťové infrastruktury.
Soukromí se stává funkcí: Data, která nikdy neopustí zařízení, nemohou být hacknutá, uniklá nebo předvolána soudem.
Co chybí
Nepřeháněme to. FunctionGemma má skutečná omezení:
- Žádné vícekrokové uvažování: “Vezmi krabici, zkontroluj štítek a dej ji do správného koše” je momentálně nad její schopnosti
- Nepřímé příkazy jsou problém: “V místnosti je příliš jasno” nespustí úpravu osvětlení
- 15% chybovost: V pořádku pro mnoho aplikací, nebezpečné pro jiné
Ale to jsou softwarové problémy se známými řešeními. Vícekrokové uvažování je to, k čemu slouží chain-of-thought prompting. Nepřímé příkazy lze zvládnout fine-tuningem na parafrázích. Chybovost klesne s většími trénovacími datasety a iteracemi modelu.
Hardwarová omezení — to je ten těžký problém. A Google právě dokázal, že 270 milionů parametrů stačí pro praktické volání funkcí. To je průlom.
Celkový obraz
FunctionGemma sama o sobě nevytvoří revoluci robotů. Ale je to proof of concept, který AI průmysl zoufale potřeboval: nepotřebujete model s bilionem parametrů, abyste udělali stroje užitečnými. Potřebujete správně dimenzovaný model pro správnou práci.
Důsledky přesahují robotiku do IoT, wearables, zdravotnických zařízení a čehokoli dalšího, co potřebuje dělat rozhodnutí bez volání domů. Ale konkrétně pro robotiku to vypadá jako moment, na který průmysl čekal — moment, kdy “chytrý robot” přestává vyžadovat “drahý robot”.
Budoucnost dostupné robotiky není v cloudu. Je v 288 megabajtech pečlivě natrénovaných vah, běžících lokálně, reagujících okamžitě, fungujících všude. Google nám právě ukázal, jak to vypadá. Teď je na výrobcích robotů, aby to postavili.
