humanoid4rent
Přihlásit seZískat cenové nabídky

Modely světa pro roboty - vysvětlení pro laiky

Modely světa umožňují software robotu představit si, co se bude dít dál. Zde je, jak je používají NVIDIA, Meta, 1X a Google DeepMind, a jak moc bylo zatím ukázáno mimo laboratoř.

Autor: redakce humanoid4rent · zveřejněno 17. listopadu 2026

Model světa je systém umělé inteligence, který předpovídá, jak se scéna změní, často jako video, když v ní něco působí. Týmy zabývající se robotikou používají modely světa třemi způsoby: k generování dodatečných trénovacích dat, k testování dovedností robota ve virtuálním prostředí a k umožnění robotovi plánovat si představou předem. Dosavadní výsledky pochází z výzkumných článků a laboratorních demonstrací, ne z robotů, které si můžete pronajmout.

Co je model světa doopravdy

Představte si ho jako naučený simulátor. Tradiční fyzikální simulátor vyžaduje, aby inženýři vytvářeli 3D modely každého objektu a nastavili pravidla pro tření, hmotnost a kontakt. Model světa většinu toho přeskakuje. Trénuje se na velkých množstvích videa a statisticky se učí, co se obvykle stane dál: překvapený hrnek se vylije, dveře se otevřou, přeložená látka si zachová svůj nový tvar.

Důležitou přídavnou součástí pro roboty je akce. Běžný generátor videa změní textový pokyn na klip. Model světa robotu vezme aktuální pohled kamery plus navrhovaný pohyb, například "posuň pravou chytačku o 10 cm dopředu a zavři ji", a předpoví, jaký pohled kamery by následoval. To změní generátor videa na něco, na co se může software robotu ptát: "jestliže to udělám, co se stane?"

Jedná se o odlišnou představu od modelů vize-jazyk-akce, které přímo vydávají příkazy motoru. Model vize-jazyk-akce rozhoduje, co dělat; model světa předpovídá důsledky. V praxi se tyto dva stále více kombinují.

Proč záleží na předtréninku videa

Hlavním úzkým místem učení robotů jsou data. Shromažďování demonstrací obvykle znamená, že člověk několikstěkrát operuje robot skrz úkol, což je pomalé a drahé. Video fyzického světa naproti tomu existuje v obrovských množstvích.

Sázka za předtréninkem videa je taková, že model, který se díval na velmi velké množství záběrů, si již osvojil spoustu věcí o objektech, pohybu a příčině a důsledku. Poté by mělo být potřeba jen malé množství robotově specifických dat k přizpůsobení jednomu konkrétnímu zařízení. Několik zveřejněných projektů testuje právě tuto sázku.

Příklad 1: NVIDIA Cosmos, sdílený základní model

NVIDIA oznámila Cosmos na CES dne 6. ledna 2025, která ji popsala jako platformu "světových základních modelů" pro roboty a autonomní vozidla. Ve své tiskové zprávě k uvedení na trh NVIDIA uvedla, že její datový kanál mohl zpracovat 20 milionů hodin videa za 14 dní na jejím hardwaru Blackwell, a uvedla robotické společnosti včetně 1X, Agility, Figure AI, Fourier a Neura Robotics mezi první přijímače. Být uvedený jako přijímač sám o sobě neřekne, jak společnost modely používá.

Doprovodná technická zpráva na arXiv popisuje části platformy: kanál pro kuraci videa, předtrénované modely světa, tokenizéry videa, které komprimují záběry do formy, kterou model zvládne, a příklady post-tréninku pro specifické použití. Váhy jsou vydány otevřeně pod permisivní licencí, takže vývojáři si je mohou vyladit na svých vlastních videích robotu. Cosmos si stojí vedle práce NVIDIA s modely robotů pokryté v našem články o Isaac GR00T a Jetson Thor.

Příklad 2: DreamGen, generování trénovacích dat pro humanoid

Nejjasnějším zveřejněným příkladem modelu světa produkujícího trénovací data robotu je DreamGen, výzkumný projekt NVIDIA. Podle stránky projektu DreamGen metoda funguje ve čtyřech krocích:

  1. Vyladit existující model světa videa na záběry cílového robotu, aby se naučil, jak se to tělo pohybuje.
  2. Dát modelu počáteční obrázek a psaný pokyn a nechat jej generovat video robotu provádějícího úkol.
  3. Odvodit příkazy motoru, které by video produkovaly, pomocí samostatného modelu trénovaného pracovat obráceně od pohybu k akcím.
  4. Trénovat kontrolní politiku robotu na těchto generovaných videích a odvozených akcích, které autoři nazývají "neuronové trajektorie".

Tým testoval několik videí modelů, včetně Cosmos a WAN 2.1, na Fourier GR1 humanoidu, Franka raménku a nízkonákladovém raménku SO-100. Autoři hlásí, že humanoid se naučil 22 nových chování v 10 novém prostředí, zatímco skutečná data dálkového ovládání pocházela pouze z jediného úkolu vybírání a umisťování v jednom prostředí. Také hlásí, že výkon politiky stoupá postupně, jak bylo přidáno více syntetických trajektorií.

Jedná se o významný výzkumný výsledek, ale jedná se o laboratorní výsledek. Úkoly jsou krátké manipulační akce na stole, měřené samotnými autory, a autoři si nenárokují, že se metoda používá na komerčních robotech.

Příklad 3: Meta V-JEPA 2, plánování si představou

Meta zvolila jinou cestu s V-JEPA 2, zveřejněnou 11. června 2025. Místo předpovědi každého pixelu následujícího snímku předpovídá abstraktní shrnutí toho, jak bude scéna vypadat, což je levnější na výpočet. Podle papíru V-JEPA 2 byl model předtrénován na více než milionu hodin internetového videa a obrázků, poté přizpůsoben méně než 62 hodinám robotického videa do verze podmíněné akcí pro plánování.

Zde se model světa používá pro plánování spíše než pro generování dat. Robotovi se ukáže obrázek cíle, představí si výsledek několika kandidátních pohybů a vybere si ten, jehož představovaný výsledek je nejblíže cíli. Meta říká, že to spustila na Franka raménkách ve dvou laboratořích bez shromažďování dat v těch prostředích. Ve svém oznamovacím příspěvku na blogu Meta hlásí úspěšnost 65% až 80% pro vybírání a umisťování nových objektů v neviditelných prostředích. Meta také poznamenává omezení: model plánuje pouze v jednom časovém měřítku, takže dlouhé vícekrokové úkoly zůstávají obtížné, a datová sada robotu je malá.

Úspěšnost 65–80% je skutečný krok pro robota pracujícího bez trénování specifického pro úkol. Znamená to také, že jeden pokus z pěti nebo více selhat, což je daleko pod tím, co by přijala živé publikum nebo výrobní linka.

Příklad 4: 1X, model světa jako zkušební stolice

Výrobce domácího robotu 1X používá modely světa především k vyhodnocení software robotu. Jeho příspěvek ze září 2024 o modelu světa 1X vysvětluje problém: když inženýři změněí kontrolní model robotu, je těžké vědět, zda se opravdu zlepšilo, protože se reálné domovy a kanceláře nikdy nezmění. Model světa trénovaný na tisících hodin vlastního videa robotu společnosti jim umožňuje znovu přehrát stejnou počáteční scénu s různými akcemi a porovnat výsledky.

1X je neobvykle upřímná o slabostech. Příspěvek říká, že objekty mohou změnit tvar nebo barvu nebo zmizet, fyzika se neaplikuje konzistentně a objekty se někdy zdají ignorovat gravitaci. Společnost také vydala více než 100 hodin dat a spustila veřejnou výzvu pro výzkumné pracovníky.

V červnu 2026 1X oznámila vyhrazenou Laboratoř modelu světa, která říká, že se předtrenuje na webovém videu, videu v prvé osobě od člověka, simulaci, datech dálkově ovládaného robotu a datech ze svých používaných robotů NEO. Společnost říká, že tato práce umožnila NEO provádět některé neviditelné úkoly bez střelby, což znamená bez trénování specifického pro úkol. Oznámení nepředstavuje žádné nezávislé měření a reálná operace NEO také spoléhá na vzdálenou pomoc člověka, jak je pokryto v našem článku o 1X NEO a dálkovém ovládání.

Příklad 5: Genie 3, světy pro agenty k trénování

Genie 3 společnosti Google DeepMind, oznámená 5. srpna 2025, generuje interaktivní 3D prostředí z textových pokynů v 720p a 24 snímcích za sekundu a udržuje je konzistentní po několik minut. DeepMind ukázala svého agenta SIMA, který hraje ve virtuálních 3D světech a sleduje cíle v generovaných scénách.

Stojí za to být přesný: Genie 3 byla představena jako krok směrem k trénování ztělesnělých agentů, ale zveřejněné demonstrace zahrnují virtuální agenty, ne fyzické roboty. DeepMind uvádí omezení včetně úzkého rozsahu akcí, obtíží s několika nezávislými agenty a interakcí trvající minuty spíše než hodiny. Byla vydána pouze jako omezený výzkumný náhled.

Články versus produkty

Na všech těchto verzích je vzor jasný:

  • Prokázáno v článcích: generování syntetických videí robotů, která zlepšují naučené dovednosti (DreamGen), a plánování krátkých úkolů vybírání a umisťování si představou výsledků (V-JEPA 2), obojí na laboratorních robotech s výsledky hlášenými autory.
  • Používáno v rámci společností: vyhodnocování nového software robotu proti naučenému simulátoru (1X) a vylaďování otevřených základních modelů, jako je Cosmos, na videích společnosti. Podrobnosti o tom, jak moc to ovlivňuje expedované roboty, jsou z větší části nezveřejněné.
  • Zatím neukazuji: komerční humanoid, jehož každodenní chování ve veřejných místech je plánováno modelem světa a ověřeno nezávisle.

Modely světa také sdílejí základní slabost: předpovídají, co vypadá věrohodně, ne co je fyzicky zaručeno. To je důvod, proč doplňují, spíše než nahrazují, tradiční fyzikální simulaci, popsanou v našem vysvětlení učení v simulaci, a testování v reálném světě.

Co to znamená pro organizátory akcí

  • Očekávejte rychlejší vývoj dovedností, ne okamžitou autonomii. Modely světa mohou zkrátit čas, který musí dodavatelé naučit robota novým pohybům, ale roboty na akcích dnes stále převážně běží přednastavené rutiny nebo je operují lidé; viz dálkově ovládané nebo autonomní roboty.
  • Pečlivě čtěte úspěšnosti. Laboratorní údaje 65–80% na úkolech na stole málo říkají o spolehlivosti v přeplněné místnosti.
  • Ptejte se, co je živé a co je generováno. Jak se zlepšuje generování videa, některé propagační klipy mohou být syntetické nebo silně editované. Je rozumné požádat dodavatele o neupravené záběry přesného robotu a rutiny, kterou si pronajímáte.
  • Bezpečnostní limity se nezmění. Bez ohledu na to, jaký software robot trénoval, fyzické bezpečnostní opatření, přítomnost operátora a pravidla webu pro akci se stále vztahují.

Časté otázky

Je model světa totéž co fyzikální simulátor?

Ne. Fyzikální simulátor vypočítává pohyb z 3D modelů vytvořených inženýry a explicitních pravidel pro hmotnost, tření a kontakt. Model světa se učí z videa, co se obvykle stane dál, a generuje předpověď. Potřebuje mnohem méně ruční nastavení a zvládne chaotické scény, ale může produkovat fyzicky nemožné výsledky, jako jsou zmizející objekty, takže týmy používají oba a stále testují na skutečných robotech.

Používají humanoidní roboti na akcích dnes modely světa?

Neexistuje žádný veřejný důkaz, že roboti pronajatí na akce plánují své chování pomocí modelů světa. Roboti na akcích obvykle běží přednastavené rutiny, dálkové ovládání nebo kombinaci. Modely světa se používají především v rámci výzkumu a uvnitř robotických společností k generování trénovacích dat a vyhodnocení softwaru, takže jakýkoli účinek na roboty na akcích je nepřímý, prostřednictvím toho, jak jejich výrobci vyvíjejí nové dovednosti.

Co znamená termín nula-shot v oznámeních modelu světa robotu?

Nula-shot znamená, že robot provedl úkol nebo pracoval v prostředí bez přidělení příkladů tréninku pro daný případ. Meta a 1X oba používají termín pro své výsledky. Neznamená to, že se robotovi daří pokaždé: Meta hlásí úspěšnost mezi 65% a 80% pro své testy nula-shot vybírání a umisťování v nových prostředích.

Proč modely světa potřebují tolik videa?

Aby model předpověděl, co se stane dál, musí vidět mnoho příkladů objektů pohybujících se, padajících, otevírajících se a manipulovaných. Internetové video poskytuje tuto rozmanitost levně. V-JEPA 2 od Meta byla předtrénována na více než milionu hodin videa a obrázků, poté přizpůsobena méně než 62 hodinám robotického videa, což ukazuje, jak videoový přetrénink snižuje potřebná robotická data.

Jak článek vznikl: napsala ho redakce humanoid4rent s pomocí AI; každé faktické tvrzení jsme 2026-11-17 ověřili ve zdrojích uvedených níže. Našli jste chybu? Napište na info@humanoid4rent.com.

Zdroje

Fakta v článku jsme v den psaní ověřili na těchto stránkách.

  1. Cosmos World Foundation Model Platform for Physical AI – arXiv
  2. NVIDIA Launches Cosmos World Foundation Model Platform to Accelerate Physical AI Development – NVIDIA Newsroom
  3. DreamGen - Unlocking Generalization in Robot Learning through Video World Models – NVIDIA Research
  4. V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and Planning – arXiv
  5. Introducing the V-JEPA 2 world model and new benchmarks for physical reasoning – Meta AI
  6. 1X World Model – 1X Technologies
  7. 1X Launches World Model Lab to Scale Humanoid Intelligence – 1X Technologies
  8. Genie 3: A new frontier for world models – Google DeepMind

Další články z blogu

Chcete robota na svou příští akci?

Jednou popište termín, místo a co má robot dělat. Dodavatelé odpoví nabídkami, které porovnáte jednu s druhou.

Odeslat poptávku

Pracujete v robotice? Napište pro náš blog. →