Teleoperacja i wąskie gardło danych: jak firmy humanoidalne naprawdę zbierają dane treningowe

Zapytaj inżyniera zajmującego się robotami humanoidalnymi, co naprawdę hamuje rozwój uniwersalnych robotów, a rzadko usłyszysz „ramiona“ albo „chipy“. Odpowiedź brzmi: dane — konkretnie oznaczone, fizyczne, ucieleśnione demonstracje, które uczą sieć neuronową robota, jak złożyć ręcznik, podnieść krewetkę albo przejść przez zagracony korytarz. W odróżnieniu od dużych modeli językowych, które mogą wchłonąć biliony słów już leżących w internecie, roboty potrzebują przykładów działania w fizycznym świecie, a takich danych prawie nie istnieje. Firmy muszą więc budować je same, ręcznie, metodą teleoperacji: człowiek fizycznie prowadzi ciało robota przez zadanie, klatka po klatce, a system nagrywa wszystko po drodze.

Czym jest teleoperacja i dlaczego to domyślne źródło danych dla humanoidów?

Teleoperacja oznacza, że człowiek zdalnie lub bezpośrednio steruje ruchami robota — często przez pasujący egzoszkielet, gogle VR, joystick albo ręczne kontrolery — podczas gdy czujniki robota nagrywają wynikające z tego kąty stawów, obraz z kamer i sprzężenie siłowe jako oznaczoną demonstrację. Ta zarejestrowana trajektoria staje się danymi treningowymi dla uczenia przez naśladowanie — techniki, w której sieć neuronowa uczy się odtwarzać zachowanie, obserwując (a docelowo naśladując) wiele przykładów człowieka wykonującego zadanie poprawnie.

Teleoperacja dominuje nie dlatego, że jest elegancka. Po prostu nic innego nie daje dziś ucieleśnionych danych treningowych o użytecznej jakości. Symulacja potrafi wygenerować nieskończoną liczbę syntetycznych epizodów, ale przeniesienie polityki wytrenowanej wyłącznie w symulacji na rzeczywiste silniki, tarcie i szum czujników prawdziwego robota wciąż bywa zawodne — to wyzwanie szerzej opisujemy w tekście o symulacji robotów i cyfrowych bliźniakach. Samo zbieranie wideo z internetu (na przykład filmów kulinarnych z YouTube) daje modelowi kontekst wizualny, ale nie dostarcza dokładnego zapisu momentów obrotowych stawów i siły chwytu potrzebnych, by faktycznie wykonać zadanie. Teleoperacja sytuuje się gdzieś pomiędzy — jest wolna i kosztowna, ale generuje dokładnie sparowane dane (obserwacja, akcja), których potrzebuje uczenie przez naśladowanie.

Ile faktycznie kosztuje rig do teleoperacji?

Więcej, niż większość ludzi zakłada, i taniej, niż mogłoby się wydawać, biorąc pod uwagę możliwości. Projekt Mobile ALOHA ze Stanfordu — mobilna, dwuręczna platforma do teleoperacji całym ciałem, zbudowana przez badaczy Zipeng Fu, Tony’ego Z. Zhao i Chelsea Finn — wycenia kompletny rig do mobilnej manipulacji, wraz z pokładowym zasilaniem i mocą obliczeniową, na około 32 tysiące dolarów. Ten system potrafił nauczyć się zadań takich jak smażenie krewetek czy otwieranie szafki na podstawie zaledwie około 50 ludzkich demonstracji teleoperacyjnych — co samo w sobie było godne uwagi, bo to ułamek tysięcy przykładów, jakich zwykle wymagały wcześniejsze konfiguracje uczenia przez naśladowanie.

Wcześniejszy, stacjonarny rig ALOHA (poprzednik bez mobilności) jest w materiałach dotyczących cennika opisywany jako koszt rzędu 27 067 dolarów za cały sprzęt, z czego same ramiona robota i kamery odpowiadają za około 20 486 dolarów — mniej więcej trzy czwarte kosztu. Warto zaznaczyć, że ten konkretny podział pochodzi z dokumentacji wtórnej, a nie z niezależnie zweryfikowanego źródła Stanfordu czy Trossen Robotics, więc dokładny rozkład kosztów należy traktować raczej jako orientacyjny niż pewnik. Tak czy inaczej, wzorzec się powtarza: sprzęt do teleoperacji kosztuje dziesiątki tysięcy dolarów za rig, a każdy rig i tak wymaga przeszkolonego człowieka siedzącego za nim, godzina za godziną, żeby produkować dane.

Jak Figure AI zbiera swoje dane treningowe?

Figure wytrenowało swój model wizyjno-językowo-akcyjny Helix na około 500 godzinach teleoperacyjnych danych demonstracyjnych, zebranych na wielu robotach i przez wielu ludzkich operatorów. Firma opisuje to jako mniej niż 5% rozmiaru wcześniej zbieranych zbiorów danych VLA w tej dziedzinie — twierdzenie, które, jeśli jest trafne, sugeruje, że lepsze kuratorstwo danych i pipeline automatycznego oznaczania liczą się bardziej niż surowa objętość. Model wizyjno-językowy odpowiedzialny za automatyczne oznaczanie generuje dla każdego nagranego segmentu instrukcje w języku naturalnym z perspektywy „po fakcie“, zamieniając surowe nagrania teleoperacyjne w oznaczone trójki (wideo, język, akcja) bez ręcznego pisania opisów przez człowieka.

Figure ma też niezwykle mocne zaplecze kapitałowe do finansowania tego rodzaju operacji na danych. W lutym 2024 roku firma zebrała 675 milionów dolarów przy wycenie 2,6 miliarda dolarów, wraz z umową o współpracy z OpenAI, a wśród inwestorów znaleźli się Microsoft, OpenAI Startup Fund, Nvidia oraz Bezos Expeditions Jeffa Bezosa. Do 16 września 2025 roku Figure zamknęło rundę Serii C przekraczającą miliard dolarów przy wycenie post-money na poziomie 39 miliardów dolarów, prowadzoną przez Parkway Venture Capital z udziałem Brookfield Asset Management, Nvidii i Intel Capital — to niemal piętnastokrotny wzrost wyceny w osiemnaście miesięcy.

Relacja z Brookfield to nie tylko kapitał. Ogłoszony razem z rundą Serii C „Project Go-Big“ to partnerstwo mające na celu zbieranie egocentrycznego wideo ludzi w całym portfelu nieruchomości Brookfield — według doniesień ponad 100 tysięcy mieszkań, 500 milionów stóp kwadratowych powierzchni biurowej i 160 milionów stóp kwadratowych powierzchni logistycznej. Figure opisuje to jako budowę największego na świecie zbioru danych do wstępnego trenowania humanoidów i podaje, że Helix, trenowany w tej fazie na 100% egocentrycznego wideo ludzi bez ani jednej demonstracji robota, potrafił nauczyć się poruszać po zagraconych wnętrzach domów wyłącznie na podstawie poleceń w języku naturalnym. Jeśli to się potwierdzi w większej skali, oznaczałoby to realne odejście od teleoperacji jako jedynego źródła danych — w stronę tego samego rodzaju wideo o skali internetu, na którym wytrenowano dzisiejsze duże modele językowe i wizyjne. To podejście oparte na modelu fundamentowym łączy się z szerszą falą ucieleśnionych modeli fundamentowych, którą opisujemy w tekście o platformach Isaac i GR00T od Nvidii.

Jak 1X Technologies zamienia teleoperację w funkcję produktu?

1X obrało inne podejście: wbudowuje teleoperację bezpośrednio w doświadczenie klienta, zamiast ukrywać ją w laboratorium. Domowy humanoid firmy, NEO — wyceniony na 20 tysięcy dolarów przy zakupie na własność albo 499 dolarów miesięcznie w subskrypcji z minimalnym okresem sześciu miesięcy, z dostawami dla klientów indywidualnych w USA i Kanadzie planowanymi na trzeci i czwarty kwartał 2026 roku — działa w oparciu o system nazwany przez 1X „Expert Mode“. Kiedy pokładowa AI NEO nie potrafi samodzielnie dokończyć zadania domowego, przeszkolony zdalny operator przejmuje kontrolę, kończy zadanie za pośrednictwem robota, a ta sesja staje się oznaczonymi danymi treningowymi zasilającymi model AI 1X o nazwie Redwood.

To prawdziwy koło zamachowe danych: każda sytuacja, w której stos autonomii robota zawodzi, staje się punktem danych ulepszającym kolejną iterację modelu, a 1X otwarcie mówi o obecnym rozkładzie. Firma zapowiada, że przy starcie sprzedaży spodziewa się około 60-70% autonomicznej pracy, rosnącej do 80-90% do 2027 roku i ponad 95% do 2028 roku, w miarę jak Redwood wchłania coraz więcej tych korekcyjnych danych z teleoperacji. Innymi słowy, 1X nie twierdzi, że NEO jest dziś autonomiczny — firma wprost sprzedaje robota opierającego się na człowieku w pętli sterowania, obstawiając, że proporcje będą się poprawiać z roku na rok.

Wsparcie tego zakładu wymagało poważnego kapitału. We wrześniu 2025 roku 1X — wspierane przez OpenAI i EQT — było, według doniesień, w rozmowach o pozyskaniu nawet miliarda dolarów przy docelowej wycenie co najmniej 10 miliardów dolarów, czyli ponad dwunastokrotnie wyższej niż w styczniu 2024 roku. Warto tu być precyzyjnym: kilka źródeł opisywało to w danym momencie jako rundę poszukiwaną lub negocjowaną, a nie potwierdzoną jako zamkniętą, więc kwotę 10 miliardów dolarów należy czytać jako cel, a nie ogłoszony fakt.

Czym różni się podejście Tesli do danych dla Optimusa?

Tesla zmieniła własną metodę zbierania danych mniej więcej w połowie 2025 roku, odchodząc od kombinezonów motion-capture, gogli VR i rigów teleoperacyjnych, których wcześniej używał zespół pracowników przeznaczony wyłącznie do zbierania danych. Nowsze podejście polega na tym, że operatorzy noszą kamery zamontowane na hełmie i plecaku — z pomocą haptycznych rękawic do śledzenia dłoni w niektórych przypadkach — żeby nagrywać codzienne zadania człowieka bezpośrednio, zamiast prowadzić przez nie ciało robota. Ta zmiana nastąpiła mniej więcej w tym samym czasie, gdy Milan Kovac ustąpił ze stanowiska szefa programu Optimus w czerwcu 2025 roku, a stery przejął Ashok Elluswamy.

To rozróżnienie ma znaczenie: nowsza metoda Tesli rejestruje ruch człowieka w świecie, zamiast sterować stawami robota za pośrednictwem operatora, co bliższe jest duchem podejścia Figure opartego na egocentrycznym wideo niż klasycznej teleoperacji w stylu ALOHA. Odzwierciedla to szersze pytanie branżowe, które wciąż nie ma jednoznacznej odpowiedzi: czy skuteczniej jest uczyć robota, dosłownie pilotując jego ciało, czy nagrywać ludzi wykonujących zadania naturalnie, a trudniejszy problem przeniesienia tego ruchu na inną fizyczną formę rozwiązywać później?

Jak wypadają te trzy podejścia w bezpośrednim porównaniu?

Firma	Główna metoda zbierania danych	Kluczowe liczby	Status w połowie 2026
Figure AI	Teleoperacja (trening Helix) + egocentryczne wideo ludzi (Project Go-Big)	~500 godz. danych teleoperacyjnych dla Helix; portfel Brookfield (100 tys.+ mieszkań, 500 mln stóp kw. biur, 160 mln stóp kw. logistyki) do zbierania wideo	Runda Serii C ponad 1 mld USD przy wycenie 39 mld USD, wrzesień 2025
1X Technologies	Teleoperacja jako żywa funkcja produktu („Expert Mode“) zasilająca model Redwood	60-70% autonomii przy starcie, cel 80-90% do 2027, ponad 95% do 2028	Podobno w poszukiwaniu ~1 mld USD przy wycenie 10 mld USD+ (niepotwierdzone jako zamknięte), wrzesień 2025
Tesla Optimus	Przejście z motion-capture/teleoperacji na zbieranie danych wyłącznie kamerami	Zmiana datowana na ok. czerwiec 2025, wraz ze zmianą na stanowisku szefa programu	Zbieranie danych oparte na kamerach w toku

Dlaczego to dane teleoperacyjne są wąskim gardłem, a nie moc obliczeniowa czy sprzęt?

Bo każda z tych metod wciąż przechodzi przez człowieka — fizycznie albo zdalnie — wykonującego jedno zadanie naraz. Klaster GPU skaluje się przez dokładanie kolejnych szaf serwerowych; operacja zbierania danych skaluje się przez dokładanie kolejnych godzin wykwalifikowanej pracy ludzkiej, jedna demonstracja na raz, na sprzęcie kosztującym dziesiątki tysięcy dolarów za rig. W komentarzach branżowych krążą dwie liczby dotyczące przepustowości — że jeden operator może nagrać rzędu 20-30 epizodów na godzinę, albo alternatywnie, że obecne pipeline’y teleoperacyjne produkują mniej niż 200 demonstracji dziennie — ale te liczby prowadzą do nakładających się źródeł blogowych, a nie do niezależnie zweryfikowanych danych firmowych czy akademickich, więc traktujemy je jako niepotwierdzone, a nie jako fakt. Dobrze udokumentowany jest za to kierunek, w którym zmierza każdy większy gracz: ograniczanie liczby danych teleoperacyjnych potrzebnych modelowi na jedno zadanie (benchmark Mobile ALOHA na poziomie ~50 demonstracji), pipeline’y automatycznego oznaczania skracające ręczną pracę przy anotacji oraz uzupełnianie lub zastępowanie teleoperacji pasywnie nagrywanym wideo ludzi na znacznie większą skalę.

Gdzie to się mieści w szerszym obrazie fizycznej AI?

Teleoperacja to w gruncie rzeczy faza pracy fizycznej w dużo większym procesie produkcyjnym, który obejmuje też symulację, modele fundamentowe i wdrożenia na skalę całych flot — warstwy, które porządkujemy w przeglądzie stacku fizycznej AI. To właśnie tę część stacku firmy humanoidalne najbardziej chcą skurczyć, bo skaluje się najgorzej. Niezależnie od tego, czy oznacza to egocentryczne wideo na skalę całych portfeli nieruchomości, procesy trenowania stawiające na symulację w pierwszej kolejności, czy po prostu lepszą efektywność próbkowania na jedną demonstrację, wspólny mianownik dla Figure, 1X i Tesli jest ten sam: teleoperacja doprowadziła roboty humanoidalne branży do obecnego poziomu możliwości, ale nikt nie stawia swojej długoterminowej strategii na liniowe skalowanie jej w nieskończoność.

Pełną mapę tego, jak łączą się te elementy — zbieranie danych, symulacja, modele fundamentowe i operacje floty — znajdziesz w hubie Stack fizycznej AI. Definicje pojęć takich jak uczenie przez naśladowanie czy modele wizyjno-językowo-akcyjne sprawdzisz w słowniku pojęć.