Czas porozmawiać o słoniu w sterylnym pokoju. Podczas gdy inwestorzy venture capital prześcigają się w finansowaniu kolejnych dwunożnych cudów techniki, na widoku ukrywa się bolesna prawda: mimo wpompowanych miliardów, realna praca wykonana przez tę nową falę zaawansowanych robotów to, mówiąc delikatnie, błąd statystyczny.
W swoim ostatnim, brutalnie szczerym manifeście, współzałożyciel Dyna, Yang York, wziął cały ten hype pod skalpel. Obraz, który wyłania się z jego analizy, nie jest kolorowy. Zapomnijcie o dopracowanych filmikach, na których roboty uprawiają parkour albo z gracją podnoszą jajko. Prawdziwa historia kryje się w liczbach, a te mówią o gigantycznym rozjeździe między oczekiwaniami a rzeczywistością. Między 2022 a 2025 rokiem branża robotyki wyssała z rynku ponad 18 miliardów dolarów. Tymczasem na początku 2026 roku ich realny wpływ na gospodarkę pozostaje wręcz mikroskopijny.
York wskazuje na „plakatowe dzieci” sprzętowego boomu. Elon Musk z Tesli podczas styczniowej konferencji wynikowej w 2026 roku przyznał, że w jego fabrykach właściwie zero robotów Optimus wykonuje realną, użyteczną pracę. Z kolei Unitree, prawdopodobnie największy na świecie dostawca humanoidów, ujawnił w swoim marcowym prospekcie emisyjnym przed IPO, że aż 73,6% jego przychodów pochodzi ze sprzedaży do sektora badawczego i edukacyjnego. Realne wdrożenia przemysłowe? Zaledwie 9%, z czego większość to zadania typu „recepcja i oprowadzanie wycieczek”. Przychody z prawdziwych zadań produkcyjnych wyniosły marne 2 miliony dolarów.
Ta przepaść między finansowymi obietnicami a fizyczną rzeczywistością to właśnie to, co York nazywa bańką. I nie chodzi o to, czy ta technologia kiedyś zadziała. Chodzi o oś czasu. Jak sam mówi: „Bańka to dystans między obecnymi możliwościami technicznymi a ludzkimi oczekiwaniami, pomnożony przez czas”.
Twoja analogia do LLM jest słaba i powinieneś się jej wstydzić
Kluczowym argumentem Yorka jest to, że branża robotyki jedzie na niewłaściwym paliwie – a konkretnie na fatalnych analogiach. Inwestorzy i założyciele, upojeni wykładniczym wzrostem dużych modeli językowych (LLM), próbują zastosować ten sam schemat działania w świecie atomów. I ponoszą spektakularną klęskę.
Modele LLM skalowały się z prędkością światła, bo są czystym oprogramowaniem, dystrybuowanym błyskawicznie do miliardów ludzi przez internet. Roboty to jednak materia. Psują się. Wymagają konserwacji. Muszą nawigować w brudnym, nieprzewidywalnym chaosie realnego świata.
Jeszcze bardziej kuszącą, a zarazem równie błędną analogią, jest branża pojazdów autonomicznych (AV). Ale nawet ona tu nie pasuje. Samochód jest użyteczny nawet bez autopilota; to ugruntowana kategoria produktu, gotowy kanał dystrybucji czekający na upgrade w postaci AI. Pozbawiony inteligencji humanoid, jak ironizuje York, to „27-kilogramowa maszyna o 28 stopniach swobody, która nie służy do niczego”. Nie ma wbudowanej bazy użytkowników. Nie ma zainstalowanej floty, którą można by zaktualizować. Branża próbuje zbudować aplikację, telefon i sieć komórkową jednocześnie.
To oznacza, że robotyka nie zaliczy startu w kształcie krzywej LLM. Nie będzie to nawet krzywa znana z branży autonomicznych aut. To będzie krzywa specyficzna dla robotyki, a uparte wypieranie tego faktu przez branżę jest jej najbardziej kosztownym błędem.
Trzy wielkie kłamstwa współczesnej robotyki
York identyfikuje trzy fundamentalne błędy poznawcze, które podtrzymują tę bańkę. To te słodkie kłamstewka, które branża szepcze sobie do ucha, inkasując kolejne dziewięciocyfrowe czeki.
1. Sprzęt to nie kanał dystrybucji
Najkosztowniejszym nieporozumieniem jest wiara, że dostarczenie fizycznego robota do klienta jest tym samym, co zbudowanie kanału dystrybucji. Logika brzmi: „wprowadźmy sprzęt do fabryki, a reszta jakoś pójdzie”. To błąd krytyczny.
Prawdziwy kanał generuje powtarzalną wartość. Jeśli robot przechodzi demo, a potem zbiera kurz, bo nie dowozi odpowiedniego ROI, to nie masz kanału. Masz bardzo drogi przycisk do papieru. York twierdzi, że prawdziwy kanał w robotyce to system wdrożeniowy typu full-stack: audyt miejsca, definicja zadań, zbieranie danych, zdalne debugowanie i ciągłe aktualizacje.
„Testem kanału jest to, czy kolejne wdrożenie idzie szybciej niż poprzednie” – pisze York. „Jeśli nie, to nie zbudowałeś kanału. Zbudowałeś stany magazynowe i PR”.
2. Twój „model bazowy” to wciąż tylko fundament
Drugim błędem jest niezrozumienie, jak modele AI stają się naprawdę dobre. Cała dyskusja w robotyce kręci się wokół pre-trainingu na gigantycznych zbiorach danych. Ale sekretnym składnikiem sukcesu współczesnych LLM-ów nie jest samo szkolenie wstępne, lecz ciasna, iteracyjna pętla między pre-trainingiem a specyficznym dla danej domeny feedbackiem (post-training).
Robotyka ledwo liznęła ten temat. Większość zespołów na siłę karmi modele kolejnymi danymi, modląc się, by w końcu „objawiły się” w nich pożądane umiejętności. Jednak bez sygnału zwrotnego z realnych wdrożeń – czyli z robotów, które faktycznie wywalają się na hali produkcyjnej – modele nie dojrzeją. Nie ma tu jednego uniwersalnego wskaźnika, jak „perplexity” w modelach językowych, który można optymalizować. Model, który wymiata w laboratorium, jest bezużyteczny, jeśli nie radzi sobie ze zmianami oświetlenia w prawdziwym magazynie.
3. Koło zamachowe napędzają nudne rzeczy
To prowadzi nas do najbardziej niedocenianej części układanki: samej infrastruktury wdrożeniowej. To nie jest kwestia sprzedaży; to żmudna, mało efektowna praca inżynierska polegająca na zamianie jednorazowego wdrożenia w powtarzalny, kumulujący się atut. To narzędzia do zdalnej diagnostyki, trasowania danych i niezawodnych aktualizacji.
Bez tego „koła zamachowego” cały system się zaciera. Robot nie trafia do realnych środowisk. Model nie dostaje danych z rzeczywistości, których potrzebuje do poprawy. Krzywa możliwości się wypłaszcza, niezależnie od tego, ile mocy obliczeniowej w to wpompujesz. Bańka, według Yorka, „żyje w szczelinie między zespołami, które to zrozumiały, a tymi, które wciąż optymalizują wyniki pod benchmarki i efektowne dema”.
Jedyna droga prowadzi przez środek
W obliczu tej rzeczywistości branża pękła na pół. Niektórzy stawiają na podejście model-first, wierząc, że wystarczająco potężny „mózg” rozwiąże wszystkie problemy, a sprzęt stanie się tanią masówką. Inni wybierają hardware-first, wierząc, że kluczem jest idealne ciało, a luki w oprogramowaniu wypełni open-source.
York i Dyna twardo stoją w trzecim obozie: integracji pionowej. Nie wybrali jej, bo jest modna; wybrali ją, bo po roku wdrażania swojego modelu DYNA-1 uznali, że alternatywa po prostu nie działa. Nauczyli się na własnej skórze, że wdrożenia nie stają się magicznie łatwiejsze. Pętla zwrotna musi zamykać się jednocześnie na poziomie badań, sprzętu i operacji w terenie.
To jest praca, która nas czeka. Nie chodzi o ściganie się na kolejne wiralowe wideo. Chodzi o mozolny proces budowania systemu, który sprawi, że dziesiąte wdrożenie będzie szybsze i bardziej niezawodne niż pierwsze. Pierwszy zespół, który naprawdę złamie ten kod, nie tylko wygra rynek – on go zdefiniuje. Do tego czasu wszyscy po prostu oglądamy bardzo kosztowny festiwal naukowy.
