AI navrhuje transformující se roboty: metoda UC Berkeley

Inženýři z UC Berkeley naučili AI automaticky navrhovat roboty-transformery

Výzkumníci vyvinuli AI framework pro optimalizaci designu modulárních robotů měnících tvar. Systém umožňuje automaticky vytvářet stroje schopné například měnit tvar helmy nebo se pohybovat po čtyřech.

---

„Metatransformery“ z Berkeley: Proč je AI architekt navrhující roboty důležitější než samotný robot

[Podstata]: co se skutečně děje

• května 2026 tým pod vedením profesorky Linin Yao z Kalifornské univerzity v Berkeley (za účasti Carnegie Mellon a Georgia Tech) zveřejnil framework pro automatické navrhování robotů-„metatransformerů“.

Média píší o „robotech měnících tvar jako chobotnice“. Titulky křičí o zázračné AI, která sama vymýšlí design. To je pravda, ale jen špička ledovce.

Tady je to, co se skutečně děje: výzkumníci prolomili prokletí dimenzionality v navrhování modulární robotiky. Vyřešili problém, který tuto oblast desítky let zabíjel – exponenciální růst složitosti řízení při přidání každého nového pohyblivého prvku.

Roboti z metatrass (kovových příhradových konstrukcí ze stovek nosníků a otočných spojů) mohou teoreticky nabývat libovolný tvar: stlačit se jako harmonika, přecházet ze čtyřnohého do hadovitého, měnit obrys helmy podle hlavy uživatele. Ale praktické řízení je noční můra. Pokud máte 200 kloubů a každý může být v několika polohách, kombinatorický prostor stavů exploduje do astronomických čísel.

Běžný přístup – ručně seskupovat pohony do říditelných sítí. To je, jak říká profesorka Yao, „únavné a pracné“. Tým z Berkeley prostě řekl: „Zapomeňte. AI sama najde optimální seskupení.“ A našla.

Chronologie a kontext

Abychom pochopili, proč tato událost z května 2026 není běžná, ale tektonická, musíme se podívat na předchozí práce Berkeley v robotice:

• Březen 2025: Sergey Levine (ten samý profesor z Berkeley, spoluzakladatel Physical Intelligence) přednáší na University of Toronto o „fundamentálních modelech pro roboty“, kde hlavním problémem je sběr dat. Bez dat není učení, bez učení není autonomie.
• Leden 2026: Berkeley publikuje disertaci Fanchena Liua o škálovatelném učení robotů, představuje systémy MOKA a OTTER, které se snaží propojit jazykové modely s řízením.
• Únor 2026: NVIDIA Research společně s Berkeley vydává práci o „světových modelech“ pro roboty – učíme AI předpovídat fyziku pomocí videa.
• Duben 2026: Shankar Sastry (další pilíř Berkeley) přednáší o „autonomních systémech, kterým lze důvěřovat“, připomíná Moravcův paradox: „naprogramovat humanoidního robota, aby otevřel neznámé dveře, je jeden z nejsložitějších inženýrských úkolů“.
• 11. května 2026: A tady je – fungující systém, který neučí robota jeden úkol, ale navrhuje samotného robota pro daný úkol.

Klíčový detail: práce vznikla na pomezí mechanical engineering a computer science. Není to „další řídicí algoritmus“, ale systémové řešení od výrobců hardwaru, kteří se unavili trápením s kontroléry.

Kdo vyhrává a kdo prohrává

Vyhrávají:

• DARPA a vojenští dodavatelé (Lockheed Martin, Raytheon). Robot, který sám mění tvar podle úkolu, je snem taktického průzkumu: proleze trubkou jako červ, vyjde – stane se pavoukem, zvedne náklad – transformuje se v jeřáb. AI framework z Berkeley umožňuje navrhovat takové roboty bez miliardy člověkohodin ladění.
• Kosmické agentury (NASA, ESA, SpaceX). Na orbitu je třeba dopravit minimální hmotnost. Příhradová konstrukce ze stovek pohonů může být zabalena do jedné krychle a pak se rozvinout a sestavit anténu nebo opravit satelit. AI návrhář optimalizuje nejen tvar, ale i počet „mozků“ (kontrolérů).
• Medicínská robotika. Prototyp „chapadla“ vyrobený týmem se může stát základem pro budoucí endoskopy, které samy rozhodnou, jak se nejlépe ohnout ve střevě.
• Samotný tým z Berkeley (Yao a spoluautoři). To je zaručená Best Paper Award na kterékoli z top konferencí o robotice (ICRA, RSS 2026) a milionové granty na dalších 5 let.

Prohrávají:

• Společnosti prodávající „nástroje pro ruční návrh robotů“ (SolidWorks s pluginy, MSC Adams). Ruční práce při seskupování pohonů, která nyní stojí tisíce dolarů inženýrského času, je automatizována. Nadstavby pro „dynamickou optimalizaci“ přestanou být potřeba.
• Všechny startupy, které staví stacionární, neměnící tvar roboty pro úzké niky. Řekněme, že váš robot umí jen lézt po trubkách. Robot z Berkeley, nahraný do stejného API, bude umět lézt, chodit i chytat. Vaše nika zmizí, jakmile technologie zlevní na komerční práh.

Co média nedopovídají

Insight č. 1: Není to „univerzální stavebnice robotů“, je to „Neuronová Fixní Cena“.

Systém design jen negeneruje. Zároveň optimalizuje dvě vrstvy: geometrii (kde jsou jaké nosníky) a řiditelnost (kolik kontrolérů je potřeba). Výzkumníci objevili „zlatou střední cestu“: zvýšení počtu řídicích sítí přináší nárůst výkonu jen do určitého prahu, pak začínají klesající výnosy.

Co to znamená v praxi? Návrhář už nemusí přemýšlet: „Udělám 50 mikromotorků, bude to přesnější.“ Systém sám řekne: „Pro úkol ‚stát se helmou a stlačit hlavu‘ ti stačí 4 řídicí skupiny. Zbylých 46 motorů bude jen mrtvá váha.“ To je automatický boj s nadbytečnou složitostí – hlavní nemocí moderní robotiky.

Insight č. 2: Kde je propojení s Physical Intelligence (PI)?

Sergey Levine, který také působí v Berkeley, je spoluzakladatelem Physical Intelligence – startupu, který vytváří fundamentální model pro všechny roboty. Jeho teze: „Jeden mozek pro všechna těla.“ Práce Linin Yao poskytuje nástroj pro vytváření optimálních těl pro konkrétní úkoly. Pokud je spojíme, získáme systém, který sám navrhne jak tělo (metatrassu), tak mozek (politiku PI) pro něj. V podstatě – továrna na roboty od nuly.

Proč o této synergii média mlčí? Protože to vyžaduje pochopení vnitřní kuchyně Berkeley. Je to jako kdyby na jedné univerzitě pracoval vynálezce spalovacího motoru a vynálezce kola. Ale tiskové zprávy píší odděleně.

Insight č. 3: Moravcův paradox udeřil znovu – a zde ho obcházejí.

Shankar Sastry v dubnu 2026 připomínal, že „40 % mozkové kůry člověka odpovídá pouze za ruce a obličej“. Řízení tvaru je ještě složitější než řízení ruky. Ale tým Yao našel obchůzku: neřídí každý kloub jednotlivě v reálném čase. Řídí makrostavy (síť pohonů A zapíná režim „chůze“, síť B režim „úchop“). To je inženýrský génius: místo učení robota tisícům mikropohybů zabudovali „přepínač rychlostí“ přímo do architektury neuronové sítě navrhující robota.

Předpověď: následujících 30 dní a 90 dní

Následujících 30 dní (červen 2026):

• Otevře se repozitář s kódem frameworku na GitHubu (tradice Berkeley – open source). Lidé z Číny a Německa zkopírují nápad pro své uzly 22FDX a FPGA do měsíce.
• Linin Yao bude pozvána k přednesení plenární přednášky na konferenci IEEE International Conference on Robotics and Automation (ICRA 2027), ale spíše už vystoupí na RSS 2026 v červenci.

Následujících 90 dní (srpen 2026):

• Boston Dynamics vydá zdrženlivé prohlášení, že „již používají podobné metody pro Atlas“, ale ve skutečnosti – ne. Jejich hydraulika je pro metatransformery příliš inertní. Začnou naléhavě hledat partnery mezi výrobci elektrických pohonů.
• NVIDIA vydá simulátor pro metatransformery na bázi Omniverse s podporou tohoto frameworku. Již pracují s Berkeley na „světových modelech“, takže integrace bude bezproblémová.
• Objeví se první komerční skandál: nějaký startup prohlásí, že vyrobil „inteligentní airbag“, který mění tvar při nárazu – ve skutečnosti jen zkopíruje prototyp helmy z článku Berkeley. A bude to legální, protože patentovat optimalizační algoritmy je obtížné.

Hlavní riziko: škálovatelnost. V článku pracovali se stovkami nosníků. Co když jich jsou tisíce? Nebo desetitisíce? Složitost stejně roste, i když pomaleji. V určitém bodě se hledání optimálního seskupení kontrolérů stane NP-těžkým úkolem i pro AI a framework narazí na zeď výpočetní složitosti. Ale pro 90 % praktických úkolů (helmy, končetiny záchranářských robotů, modulární manipulátory) to stačí.

Závěr: Výzkumníci z Berkeley neudělali jen „robota-transformera“. Udělali „autocad pro fyziku“. Automatizovali tu část inženýrství, která byla považována za „neautomatizovatelnou“ – intuitivní cit, kolik pohonů kam zapojit. Výsledkem je, že navrhování robotů s měnitelným tvarem se z elitářského umění mění v rutinní postup: nahrajete požadavky, spustíte AI, dostanete výkresy. Za 5 let nebudou metatransformery v laboratořích, ale v dětských stavebnicích: „Sestav si svého robota a neuronová síť ho naučí být autíčkem i letadélkem.“ Sbohem, Lego Mindstorms, vítej, Metatruss AI.

— Editorial Team