Czym jest fizyczna AI (ucieleśniona AI)? Jak działa i gdzie jest w połowie 2026

Fizyczna AI, nazywana też ucieleśnioną AI, to sztuczna inteligencja, która postrzega otoczenie, wyciąga z niego wnioski i działa w świecie materialnym. Spina algorytmy uczenia maszynowego, widzenia komputerowego i przetwarzania języka z fizycznym urządzeniem: czujnikami, które zbierają dane z otoczenia, oraz aktuatorami, które to otoczenie zmieniają. To właśnie odróżnia ją od generatywnej AI i chatbotów, które operują wyłącznie na danych cyfrowych — nie mają ciała, nie odbierają świata zmysłami i nie ponoszą fizycznych konsekwencji tego, co „powiedzą“.

Różnica sprowadza się do jednego zdania: chatbot generuje tekst, który można skasować; ucieleśniony robot wywołuje ruch, siłę i kontakt, których cofnąć się nie da. Kolizja zostaje kolizją, a stłuczona rzecz — stłuczoną.

Ten artykuł to briefing, nie broszura reklamowa. Wyjaśnia, czym jest fizyczna AI, skąd wziął się ten termin, jak działa pętla percepcja–plan–akcja, po co maszynie model świata, dlaczego świat rzeczywisty jest dla niej brutalnie trudny, z czego składa się stos technologiczny i gdzie realnie znajduje się ta dziedzina w połowie 2026 roku — bez obietnic, że „roboty jutro nas zastąpią“.

Czym właściwie jest fizyczna AI?

Fizyczna AI to sztuczna inteligencja osadzona w robocie lub innej maszynie działającej fizycznie. Jej pełny obieg wygląda tak: czujniki (kamery, lidar, mikrofony, czujniki siły i położenia) dostarczają surowe dane o otoczeniu, model zamienia je w ocenę sytuacji i decyzję, a aktuatory — silniki, chwytaki, koła, nogi — wykonują ruch, który zmienia stan świata. Potem cały obieg zaczyna się od nowa, bo świat właśnie się zmienił.

Kluczowe słowo to „działa“. Generatywna AI produkuje treść: zdanie, obraz, fragment kodu. Fizyczna AI produkuje zdarzenie: przesunięty przedmiot, przejechany metr, dokręconą śrubę. To przeniesienie inteligencji z ekranu do materii jest sednem całej dziedziny — i źródłem wszystkich jej trudności.

Fizyczna AI nie jest przy tym synonimem humanoida. Ucieleśnienie przybiera wiele postaci: autonomiczny samochód, który hamuje przed pieszym; wózek AMR rozwożący palety po magazynie; dron omijający przeszkody w locie; ramię przemysłowe (kobot) pracujące obok człowieka na linii montażowej; wreszcie humanoid, który przyciąga dziś najwięcej uwagi, bo ma być „uniwersalny“. Łączy je nie kształt obudowy, lecz ta sama pętla: postrzegaj, zdecyduj, zadziałaj — w ciągłym sprzężeniu ze światem, który sam się nie zatrzymuje.

Skąd wziął się termin „fizyczna AI“?

Warto od razu rozwiać jedno nieporozumienie. „Fizyczna AI“ (physical AI) nie jest terminem akademickim ani definicją narzuconą przez organizację normalizacyjną. To określenie spopularyzowane marketingowo przez Nvidię, a konkretnie przez jej prezesa Jensena Huanga, który od targów CES i konferencji GTC 2025 nazywa ucieleśnioną inteligencję „następną falą“ po AI generatywnej i agentowej. Na CES w styczniu 2026 Huang ogłosił, że „moment ChatGPT dla fizycznej AI właśnie nadszedł“.

Traktuj to jak słownictwo branżowe, a nie kategorię naukową. Sama idea — inteligencja ucieleśniona, osadzona w ciele i środowisku — jest znacznie starsza niż marketing Nvidii i wyrasta z robotyki oraz kognitywistyki. Ale to Nvidia, jako główny dostawca układów obliczeniowych dla tej branży, nadała jej dzisiejszą nazwę i rozmach. Sceptyk powie tak: firma, która sprzedaje łopaty, ma interes w ogłaszaniu gorączki złota. Nie znaczy to, że złota nie ma — znaczy tyle, że liczby warto sprawdzać u źródła.

Czym fizyczna AI różni się od generatywnej AI i chatbotów?

Najkrótsza odpowiedź: obecnością ciała i ceną błędu. Chatbot żyje w świecie tekstu, gdzie każdą pomyłkę można cofnąć, wygenerować ponownie albo po prostu zignorować. Ucieleśniony system żyje w świecie, w którym błąd oznacza kolizję, upuszczony ładunek albo — w najgorszym razie — uraz człowieka.

Poniższa tabela zestawia oba podejścia wiersz po wierszu:

Wymiar	Generatywna AI / chatbot	Fizyczna AI (ucieleśniona)
Środowisko	dane cyfrowe (tekst, obraz, dźwięk)	świat materialny
Wejście	prompt, plik, kontekst	strumień z czujników: kamery, lidar, siła, IMU
Efekt działania	wygenerowana treść	ruch, siła, zmiana stanu otoczenia
Skutek błędu	odwracalny (można wygenerować ponownie)	często nieodwracalny (kolizja, uszkodzenie, uraz)
Obserwowalność świata	pełny, uporządkowany kontekst	częściowa, zaszumiona, zasłonięta
Ograniczenia czasowe	zwykle brak twardego limitu	twarde limity czasu rzeczywistego
Fizyka	nieobecna	twarde więzy: tarcie, bezwładność, grawitacja, kontakt
Certyfikacja bezpieczeństwa	brak formalnych norm	ISO 10218 i pokrewne

Różnice nie są kosmetyczne. Każdy wiersz tej tabeli to osobna klasa problemów inżynierskich, których twórcy chatbotów w ogóle nie muszą rozwiązywać. Model językowy dostaje czysty, wyselekcjonowany tekst; robot dostaje zaszumiony strumień z kamer i czujników, w którym połowa informacji jest niepewna albo zasłonięta. Model językowy ma czas na „namysł“; robot balansujący na dwóch nogach musi zareagować w milisekundach, bo inaczej się przewróci. Techniczne rozbicie tej różnicy — łącznie z częstotliwością pętli sterowania i tym, dlaczego sam duży model językowy nie poprowadzi robota — rozwija osobny materiał o ucieleśnionej AI wobec generatywnej AI.

Co oznacza „ucieleśnienie“ (embodiment)?

Ucieleśnienie (embodiment) to teza, że inteligencja nie jest czystym przetwarzaniem symboli, lecz wyrasta z ciała działającego w środowisku. Ucieleśniony system nie dostaje danych „z góry“, jak model trenowany na zbiorze tekstów z internetu — sam je generuje, poruszając się i wchodząc w interakcję z otoczeniem. Kamera pokazuje co innego, gdy robot przekręci głowę; czujnik siły odczyta opór dopiero wtedy, gdy chwytak coś ściśnie.

Ma to trzy praktyczne konsekwencje. Po pierwsze, dane są sprzężone z działaniem — to, co system „zobaczy“ w następnej chwili, zależy od tego, co teraz zrobi. Po drugie, znaczenie pojęć jest ugruntowane w fizyce: dla ucieleśnionego systemu „ciężki“ i „śliski“ to nie etykiety tekstowe, tylko wartości odczytane z czujników. Po trzecie, ciało nakłada więzy — długość ramienia, moment obrotowy silnika, zasięg baterii — których żaden model językowy respektować nie musi.

Dlatego zwykłe „przeniesienie“ chatbota do robota nie wystarcza. Model językowy potrafi opisać, jak zrobić kawę, ale nie ma pojęcia, ile waży kubek, pod jakim kątem chwycić dzbanek ani co zrobić, gdy kawa się rozleje. Inteligencja ucieleśniona zaczyna się dokładnie tam, gdzie kończy się opis, a zaczyna kontakt z materią.

Jak działa pętla percepcja–plan–akcja?

Klasyczny schemat sterowania robotem to pętla percepcja–plan–akcja (ang. sense–plan–act, w skrócie SPA), zwana też czuj–planuj–działaj. Działa w trzech krokach, które powtarzają się w kółko:

1. Percepcja (czuj). System zbiera dane z czujników i buduje z nich wewnętrzną reprezentację otoczenia — gdzie jest przeszkoda, gdzie cel, jak ułożone są przedmioty.
2. Planowanie (planuj). Na podstawie tej reprezentacji i celu system wybiera sekwencję działań, które mają do celu doprowadzić.
3. Akcja (działaj). Aktuatory wykonują zaplanowany ruch. Świat się zmienia, więc pętla rusza od początku.

Ten sposób myślenia ma rodowód sięgający końca lat 60. i robota Shakey, zbudowanego w Stanford Research Institute — pierwszego systemu, który świadomie budował model otoczenia i na jego podstawie planował działanie. SPA zdominował architekturę robotyki na dwie dekady, do lat 80.

Sednem nie jest jednak sama trójka kroków, lecz to, że tworzą one zamkniętą pętlę sprzężenia zwrotnego. Każde działanie zmienia świat, a każdy nowy odczyt czujników koryguje plan. Robot nie wykonuje planu na ślepo — nieustannie porównuje to, co zamierzał, z tym, co faktycznie się stało, i poprawia kurs. Właśnie to odróżnia sterowanie w pętli zamkniętej od ślepego odtwarzania skryptu i jest powodem, dla którego chatbot wykonujący jedno zapytanie i milknący to zupełnie inny rodzaj systemu.

Gdzie pęka klasyczna pętla?

Klasyczna pętla ma jedną fundamentalną słabość, którą inżynierowie znają od dawna: percepcja i planowanie są zwykle wolniejsze niż samo sterowanie. Zanim robot „przemyśli“ pełny plan, świat może się już zmienić. W statycznym magazynie to nie problem. W dynamicznym otoczeniu — wśród ludzi, na nierównym terenie, przy niespodziewanym ruchu — czysta pętla SPA jest zbyt powolna, by zareagować na czas.

To ograniczenie dało początek późniejszym architekturom reaktywnym i hybrydowym, w których szybka, odruchowa warstwa sterowania (utrzymanie równowagi, unik przed kolizją) działa równolegle z wolniejszą warstwą planowania. Widać to dziś w architekturach „dwusystemowych“, o których za chwilę: szybki „System 1“ wykonuje ruch w czasie rzeczywistym, a wolniejszy „System 2“ rozważa, co właściwie zrobić.

Czym są modele świata i dlaczego stały się kluczowe?

Model świata (world model) to model AI, który uczy się przewidywać, jak środowisko zmieni się w odpowiedzi na działanie. Zamiast tylko uzupełniać wzorce w danych — jak robi to klasyczny model językowy — próbuje symulować konsekwencje: „jeśli pchnę ten przedmiot, przewróci się czy przesunie?“. Taki model przydaje się do trzech rzeczy: planowania (można „w głowie” przetestować ruch, zanim się go wykona), symulacji oraz generowania syntetycznych danych treningowych.

To rozróżnienie stało się jedną z głównych osi sporu w całej branży AI. Yann LeCun, przez około 12 lat główny naukowiec AI w Meta, odszedł z firmy w listopadzie 2025 roku właśnie na tym tle — nie zgadzał się z kursem stawiającym wszystko na modele językowe. Jego teza: systemy, które mają planować fizyczne działanie, potrzebują wewnętrznego, predykcyjnego modelu świata, a tej zdolności modele językowe strukturalnie nie mają. Na przełomie 2025 i 2026 roku LeCun współzałożył w Paryżu AMI Labs (Advanced Machine Intelligence Labs). Firma ogłosiła 10 marca 2026 rundę zalążkową na 1,03 mld USD przy wycenie 3,5 mld USD (pre-money) — opisywaną jako największa runda seed w historii europejskich startupów. Uwaga metodologiczna: te kwoty pochodzą z prasy branżowej, nie z pierwotnych dokumentów, więc traktuj je jako podane, lecz niezweryfikowane niezależnie.

Kto buduje dziś modele świata?

Tę dziedzinę wyznacza dziś kilka nazw (stan na połowę 2026):

• Nvidia Cosmos — platforma otwartych „modeli fundamentalnych świata“ (World Foundation Models), trenowanych na wideo z robotyki i jazdy, z trybami Text2World, Image2World i Video2World, które służą do tworzenia syntetycznych danych treningowych uwzględniających fizykę. Doniesienia z czerwca 2026 mówią o wersji „Cosmos 3“, łączącej rozumowanie fizyczne, symulację świata i generowanie działań — dokładna nazwa i data pozostają jednak niepotwierdzone u źródła.
• Google DeepMind Genie 3 — generuje interaktywne, fotorealistyczne środowiska 3D z opisu tekstowego lub obrazu, w czasie rzeczywistym (ok. 24 klatek/s), z trwałym stanem świata i wyłaniającą się fizyką; służy do trenowania agentów. Ogłoszony ok. sierpnia 2025.
• Meta V-JEPA 2 — model świata z rodziny JEPA, dostrojony na ok. 62 godzinach danych z robotów ze zbioru DROID; powstał z tego model warunkowany działaniem, zdolny do planowania zero-shot i wdrożony bez dodatkowego treningu na realnych ramionach Franka do zadań chwytania i odkładania.
• World Labs „Marble“ — projekt Fei-Fei Li, wydany w listopadzie 2025, generuje pełne światy 3D (tzw. Gaussian splats) z tekstu, obrazów, wideo lub zgrubnych szkiców układu.

Wspólny mianownik: wszystkie próbują dać maszynie coś w rodzaju „wyobraźni fizycznej“ — zdolność przewidzenia, co się stanie, zanim to się stanie naprawdę.

Dlaczego świat rzeczywisty jest tak trudny dla AI?

Bo świat nie jest tekstem. To jedno zdanie mieści w sobie pięć osobnych, twardych problemów, których czysto programowa AI nie zna. Warto je rozłożyć na czynniki pierwsze, bo to one wyznaczają granicę między efektowną demonstracją a wdrożeniem, które działa co dzień.

1. Skutki są nieodwracalne

Chatbot, który się pomyli, generuje kolejną odpowiedź. Robot, który się pomyli, może zniszczyć przedmiot, uszkodzić siebie albo zranić człowieka. Nie ma przycisku „cofnij“ dla stłuczonej szyby ani dla kolizji. Ta nieodwracalność zmienia całą logikę projektowania: system musi być z założenia ostrożny, a nie odważny.

2. Świat jest tylko częściowo widoczny i zaszumiony

Model językowy dostaje pełny, uporządkowany kontekst. Robot widzi świat przez czujniki, które potrafią kłamać: kamera oślepiona słońcem, lidar mylony przez odbicia, czujnik siły z dryfem. Duża część otoczenia jest zasłonięta albo niepewna. System musi działać, nie mając pełnego obrazu — i jednocześnie wiedzieć, że go nie ma.

3. Fizyka to twarde więzy — i luka sim-to-real

Tarcie, bezwładność, grawitacja, dynamika kontaktu — tego nie da się symulować idealnie. Stąd jeden z najbardziej dokuczliwych problemów robotyki: luka sim-to-real, czyli przepaść między symulacją a rzeczywistością. Polityka wytrenowana w symulatorze radzi sobie w nim świetnie, a potem zawodzi na prawdziwym sprzęcie, bo rzeczywiste tarcie, masa, opóźnienia silników i zużycie mechaniki różnią się od modelu.

Przegląd literatury z 2025/2026 roku (arXiv 2510.20808, „The Reality Gap in Robotics“) podaje, że nawet przy intensywnej randomizacji domeny (domain randomization) skuteczność w realnym świecie spada zwykle o około 15–30% względem symulacji. Techniki łagodzące — randomizacja domeny, transfer real-to-sim, wspólne trenowanie na danych z symulacji i z rzeczywistości — zmniejszają tę lukę, ale jej nie zamykają.

4. Liczy się czas rzeczywisty

Percepcja i planowanie są kosztowne obliczeniowo, a niskopoziomowe sterowanie musi działać natychmiast. Powstaje napięcie: im dłużej system „myśli“, tym większe ryzyko, że nie zdąży zareagować. To nie jest problem teoretyczny — to dokładnie różnica między robotem, który utrzyma równowagę na oblodzonej powierzchni, a takim, który przewróci się, zanim skończy planować.

5. Bezpieczeństwo trzeba certyfikować

Oprogramowanie można wdrożyć aktualizacją. Robota pracującego obok ludzi trzeba wcześniej dopuścić zgodnie z normami bezpieczeństwa — przede wszystkim serią ISO 10218 (o niej za chwilę) oraz wcześniejszą specyfikacją ISO/TS 15066 dla robotów współpracujących. To formalny wymóg, którego wdrożenie czysto programowej AI w ogóle nie zna.

Z czego składa się stos technologiczny fizycznej AI?

Ucieleśniony system to nie jeden model, lecz warstwy — od surowych czujników po normy bezpieczeństwa. Oto skrótowy przegląd stosu (stan na połowę 2026):

Warstwa	Rola	Przykłady (2026)
Czujniki i percepcja	zbierają dane o otoczeniu	kamery, lidar, IMU, czujniki siły
Modele świata	przewidują skutki działań	Cosmos, Genie 3, V-JEPA 2
Polityki VLA („mózg“)	zamieniają obraz i polecenie w ruch	RT-2, OpenVLA, π0–π0.6, GR00T N1.x
Obliczenia brzegowe	uruchamiają modele na pokładzie	Nvidia Jetson Thor
Middleware i orkiestracja	spinają moduły i floty	ROS 2, VDA 5050
Normy bezpieczeństwa	dopuszczają robota do pracy	ISO 10218-1/-2:2025

Warstwę czujników i sposób, w jaki fuzja spina kamery, lidar, czujniki siły i propriocepcję w jeden spójny stan, rozkładamy na czynniki pierwsze w materiale o stosie sensorycznym robota. Pełniejsze, warstwa po warstwie rozpisane zestawienie całego stosu — od czujników po orkiestrację floty — znajdziesz z kolei w osobnym przeglądzie z czego składa się stack fizycznej AI.

Mózg: modele wizja–język–akcja (VLA)

Sercem współczesnej fizycznej AI są modele VLA (vision-language-action), które przyjmują obraz i polecenie językowe, a zwracają działanie robota. Rozwiązują one też cichy, ale dotkliwy problem: danych z robotów jest mało. Tekstu w internecie są biliony słów, a każda demonstracja ruchu robota musi zostać nagrana na fizycznym sprzęcie — drogo i wolno. Dlatego przełomem bywają nie tyle same modele, ile wspólne zbiory danych, jak Open X-Embodiment, łączące nagrania z wielu laboratoriów w jeden zasób treningowy. Kilka nazw wyznacza tempo:

• RT-2 (Google DeepMind, ogłoszony 28 lipca 2023) — pionierski VLA, który reprezentuje działania robota jako tokeny tekstowe i uczy się jednocześnie na danych wizja–język z internetu oraz na demonstracjach robota. Zbudowany na modelach PaLI-X i PaLM-E, dostrojony na demonstracjach z RT-1.
• OpenVLA (czerwiec 2024, badacze związani ze Stanfordem) — otwarty model o 7 mld parametrów, wytrenowany na 970 tys. rzeczywistych demonstracji ze zbioru Open X-Embodiment (21 instytucji, 22 rodzaje robotów, ponad milion epizodów). Łączy enkoder wizji DINOv2 i SigLIP z modelem językowym Llama 2. Mimo mniejszego rozmiaru w testach manipulacji przewyższył większy RT-2-X.
• Physical Intelligence (π, „Pi“) — startup założony w 2024 roku przez pięcioro współzałożycieli: Karola Hausmana (wcześniej Google DeepMind), Sergeya Levine’a (UC Berkeley), Chelsea Finn (Stanford), Briana Ichtera (wcześniej Google Research) i Adnana Esmaila. Ich π0 (Pi-Zero) to uniwersalna polityka VLA (typu flow) dla różnych typów robotów — składanie prania, sprzątanie ze stołów, parzenie kawy; kod i wagi udostępniono ok. lutego 2025. Kolejne wersje: π0.5 (ok. kwietnia 2025, samodzielne poruszanie się w nieznanym otoczeniu domowym) i π0.6 (ok. listopada 2025, uczenie przez wzmacnianie na doświadczeniu z realnego świata).
• Nvidia Isaac GR00T — „GR00T N1“ (marzec 2025) to według Nvidii pierwszy otwarty, konfigurowalny model fundamentalny odpowiadający za rozumowanie i umiejętności humanoidów. Ma architekturę dwusystemową: szybki „System 1“, który generuje ruch, i wolniejszy „System 2“ (model wizja–język) odpowiedzialny za namysł. Kolejne wersje N1.5 i N1.6 (dokładna data tej ostatniej niepewna) poprawiały adaptację do nowych środowisk i manipulację oburęczną. Od kwietnia 2026 dostępna jest w trybie early access wersja N1.7, oparta na nowym backbone’ie Cosmos-Reason2-2B/Qwen3-VL i pretrenowana na ok. 20 854 h wideo egocentrycznego — kolejny punkt danych producenta, jeszcze bez niezależnego benchmarku.

Jak dokładnie taki model zamienia obraz z kamery i polecenie w konkretny ruch — architektury, dane treningowe, realne ograniczenia — rozkładamy szczegółowo w materiale o modelach wizja-język-akcja.

Obliczenia, middleware i normy

Te modele muszą gdzieś działać — i to lokalnie, na pokładzie robota, bez stałego połączenia z chmurą. Referencyjnym układem brzegowym jest Nvidia Jetson Thor (dostępny od 25 sierpnia 2025): architektura GPU Blackwell, do 2070 TFLOPS w formacie FP4, 128 GB pamięci LPDDR5X, 14 rdzeni Arm Neoverse V3AE, pobór mocy ok. 130 W. Nvidia deklaruje 7,5-krotnie większą moc obliczeniową AI i 3,5-krotnie lepszą efektywność energetyczną niż poprzednik, Jetson AGX Orin; zestaw deweloperski kosztuje od 3499 USD. Do grona pierwszych użytkowników firma zalicza m.in. Agility Robotics, Amazon Robotics, Boston Dynamics, Caterpillar, Figure, Hexagon, Medtronic i Meta.

Warstwę oprogramowania spina najczęściej ROS 2 (Robot Operating System 2). Nowe wydania ukazują się co roku 23 maja; edycja Kilted Kaiju wyszła w maju 2025, a rocznikiem 2026 jest Lyrical Luth (ma bazować na Ubuntu 26.04). W połowie 2026 wspierane są równolegle Lyrical Luth, Kilted, Jazzy oraz starszy, zbliżający się do końca wsparcia Humble.

Na styku z flotą pojazdów obowiązuje VDA 5050 — standard komunikacji między systemem nadrzędnym a pojazdami AGV/AMR (JSON przez MQTT), utrzymywany wspólnie przez niemieckie VDA i VDMA. Wersję 2.0 opublikowano w lutym 2022, a 2.1.0 — w sierpniu 2024; ta ostatnia dodała funkcje dla większych, mieszanych flot z maszynami różnych producentów. Kolejna poważna rewizja, v3.0.0, wyszła w marcu 2026 (nowe poziomy błędów CRITICAL/URGENT, strefy nawigacyjne).

Bezpieczeństwo domyka ISO 10218. Wydanie ISO 10218-1:2025 zastąpiło edycję z 2011 roku po około ośmiu latach prac. Najważniejsza zmiana: formalne włączenie wymagań dla robotów współpracujących, wcześniej opisanych w osobnej specyfikacji ISO/TS 15066:2016 (limity siły, nacisku i prędkości oraz cztery metody współpracy człowiek–robot: ograniczanie mocy i siły, monitorowanie prędkości i separacji, prowadzenie ręczne, zatrzymanie z nadzorem bezpieczeństwa). Trafiły one głównie do towarzyszącej normy ISO 10218-2:2025. Rewizja z 2025 roku dodała też wymagania z zakresu cyberbezpieczeństwa.

Gdzie jest fizyczna AI w połowie 2026?

Krótko: między realnym postępem a mocno rozdmuchanymi liczbami. Postęp jest prawdziwy — modele VLA, układy brzegowe i modele świata robią rzeczy, które trzy lata temu były wyłącznie demonstracjami laboratoryjnymi. Ale prognozy rynkowe warto czytać z ołówkiem w ręku.

Ile jest wart ten rynek? (odpowiedź: nikt tego nie wie)

Nie istnieje jedna, uzgodniona liczba określająca „wielkość rynku fizycznej AI“ — szacunki rozjeżdżają się o rzędy wielkości w zależności od tego, co się do nich wlicza. MarketsandMarkets prognozuje 15,24 mld USD do 2032 roku; inne firmy podają 49,7 mld USD do 2033 albo 68,5 mld USD do 2034; PwC/Strategy& w najszerszym ujęciu mówi o ok. 430 mld EUR do 2030 roku (w tym sama motoryzacja to ok. 171 mld, a automatyka przemysłowa i magazynowa ok. 69 mld). Kaiso Research idzie najdalej: 81,4 mld USD w 2025 i 1145 mld USD w 2035. Te liczby są nieporównywalne — różnią się definicją i metodą — więc żadnej nie należy traktować jako „tej właściwej“.

W węższym ujęciu, dla samych humanoidów, obraz jest nieco spójniejszy: rynek szacowany na ok. 4–6 mld USD w 2026 roku, z prognozą wzrostu rzędu 39–45% rocznie do 13–15 mld USD w latach 2028–2030 (Goldman Sachs podaje ok. 38 mld USD do 2035 — to inna prognoza niż znacznie szersza wycena Morgan Stanley, który mówi o 5 bln USD do 2050 roku dla całego rynku robotów humanoidalnych). TrendForce przewiduje, że globalne dostawy humanoidów przekroczą w 2026 roku 50 tys. sztuk. Ceny rozciągają się od ok. 16 tys. USD (Unitree G1) po ponad 250 tys. USD (klasa Atlasa Boston Dynamics), a większość modeli komercyjnych mieści się w przedziale 20–120 tys. USD. Wszystkie te liczby to szacunki branżowe, nie dane audytowane.

Co realnie jeździ i chodzi?

Tu trzeba największej ostrożności, bo doniesienia pochodzą głównie z prasy branżowej, nie z oficjalnych raportów firm:

• Boston Dynamics Atlas (w pełni elektryczny od 2024 roku) — wersję produkcyjną pokazano podobno na CES 2026, a pierwsze komercyjne dostawy mają trafiać w 2026 roku do Hyundaia i Google DeepMind. Brzmi wiarygodnie, ale konkretne liczby i daty pozostają niepotwierdzone.
• Tesla Optimus — według telekonferencji wynikowej Tesli za I kwartał 2026 (22 kwietnia 2026) w fabryce we Fremont instalowane są pierwsze linie produkcyjne, a publiczną premierę wersji V3 przesunięto podobno na przełom lipca i sierpnia 2026. Optimus działa na razie wyłącznie wewnętrznie w zakładach Tesli; nie ma sprzedaży publicznej. Krążące parametry techniczne V3 pochodzą z niskiej jakości agregatorów i pozostają niezweryfikowane.
• Physical Intelligence (π) — po serii rund (ok. 70 mln USD w rundzie zalążkowej, 400 mln USD w serii A przy wycenie 2,4 mld, 600 mln USD w serii B przy 5,6 mld w listopadzie 2025) startup miał w połowie 2026 roku poszukiwać kolejnego miliarda przy wycenie ok. 11 mld USD. Ta ostatnia runda nie jest jednak potwierdzona jako domknięta.

Jak to czytać bez emocji?

Skala finansowania jest realna i ogromna — od rekordowej rundy AMI Labs po miliardowe wyceny startupów robotycznych. Realny jest też postęp techniczny. Ale między „model potrafi złożyć pranie na wideo“ a „robot pracuje na trzy zmiany w magazynie bez nadzoru“ leży cała przepaść, którą wyznacza pięć trudności opisanych wyżej. W połowie 2026 roku fizyczna AI jest na etapie, na którym demonstracje bywają imponujące, wdrożenia produkcyjne są nieliczne i pilotażowe, a najuczciwszą odpowiedzią na pytanie „kiedy humanoidy będą powszechne?“ pozostaje „później, niż sugerują prezentacje“.

Co z tego wynika?

Fizyczna AI to nie kolejny chatbot z rękami. To osobna klasa systemów, w której inteligencja spotyka się z materią — i płaci za to cenę, jakiej nie zna czysto programowa AI: nieodwracalność błędów, niepewność czujników, twardą fizykę, presję czasu rzeczywistego i wymóg certyfikacji. Termin spopularyzowała Nvidia, ale idea inteligencji ucieleśnionej jest starsza i głębsza niż jakikolwiek slogan z targów.

Jeśli masz zapamiętać jedno: oceniaj tę dziedzinę po wdrożeniach, nie po demonstracjach, i po danych u źródła, nie po prognozach rynkowych rozjeżdżających się o rząd wielkości. Reszta klastra Podstawy fizycznej AI rozkłada każdy z tych elementów na czynniki pierwsze, a definicje kluczowych pojęć znajdziesz w słowniku.