Inżynierowie UC Berkeley nauczyli AI automatycznie projektować roboty-transformery
Naukowcy opracowali framework AI do optymalizacji projektowania modułowych robotów zmieniających kształt. System pozwala automatycznie tworzyć maszyny zdolne np. do zmiany kształtu hełmu lub poruszania się na czterech nogach.
„Metatransformery” z Berkeley: dlaczego architekt AI projektujący roboty jest ważniejszy niż sam robot
[Sedno]: co naprawdę się dzieje
11 maja 2026 roku zespół pod kierownictwem profesor Linin Yao z Uniwersytetu Kalifornijskiego w Berkeley (przy udziale Carnegie Mellon i Georgia Tech) opublikował framework do automatycznego projektowania robotów-„metatransformerów”.
Media piszą o „robotach zmieniających kształt jak ośmiornice”. Nagłówki krzyczą o cudownym AI, które samo wymyśla projekt. To prawda, ale tylko wierzchołek góry lodowej.
Oto co naprawdę się dzieje: naukowcy złamali klątwę wymiarowości w projektowaniu modułowej robotyki. Rozwiązali problem, który przez dekady zabijał tę dziedzinę – wykładniczy wzrost złożoności sterowania przy dodawaniu każdego nowego ruchomego elementu.
Roboty z metatrass (metalowych kratownic z setek belek i obrotowych połączeń) teoretycznie mogą przybierać dowolny kształt: ściskać się jak harmonijka, przekształcać z czworonoga w wężopodobne, zmieniać obrys hełmu pod głowę użytkownika. Ale praktyczne sterowanie nimi to koszmar. Jeśli masz 200 przegubów, a każdy może znajdować się w kilku położeniach, przestrzeń stanów kombinatorycznych eksploduje do astronomicznych liczb.
Typowe podejście – ręczne grupowanie napędów w sterowalne sieci. To, jak mówi profesor Yao, „żmudne i czasochłonne”. Zespół z Berkeley po prostu powiedział: „Zapomnijcie. AI samo znajdzie optymalne grupowanie”. I znalazł.
Chronologia i kontekst
Aby zrozumieć, dlaczego to wydarzenie z maja 2026 roku nie jest zwykłe, a tektoniczne, trzeba spojrzeć na wcześniejsze prace Berkeley w robotyce:
- Marzec 2025: Sergey Levin (ten sam profesor Berkeley, współzałożyciel Physical Intelligence) wygłasza na Uniwersytecie Toronto wykład o „fundamentalnych modelach dla robotów”, gdzie głównym problemem jest zbieranie danych. Bez danych nie ma uczenia, bez uczenia nie ma autonomii.
- Styczeń 2026: Berkeley publikuje rozprawę Fanchena Liu o skalowalnym uczeniu robotów, przedstawiając systemy MOKA i OTTER, które próbują łączyć modele językowe ze sterowaniem.
- Luty 2026: NVIDIA Research wspólnie z Berkeley wydaje pracę o „modelach świata” dla robotów – uczymy AI przewidywać fizykę przez wideo.
- Kwiecień 2026: Shankar Sastry (kolejny filar Berkeley) wygłasza referat o „autonomicznych systemach, którym można ufać”, przypominając o paradoksie Moraveca: „zaprogramowanie humanoidalnego robota do otwierania nieznanych drzwi to jedno z najtrudniejszych zadań inżynieryjnych”.
- 11 maja 2026: I oto ona – działający system, który nie uczy robota jednego zadania, ale projektuje samego robota pod zadanie.
Kluczowy szczegół: praca została wykonana na styku inżynierii mechanicznej i informatyki. Nie „kolejny algorytm sterowania”, ale systemowe rozwiązanie od producentów sprzętu, którzy zmęczyli się męczeniem z kontrolerami.
Kto wygrywa, a kto przegrywa
Wygrywają:
- DARPA i wykonawcy wojskowi (Lockheed Martin, Raytheon). Robot, który sam zmienia kształt w zależności od zadania, to marzenie rozpoznania taktycznego: wpełza do rury jak robak, wychodzi – staje się pająkiem, podnosi ładunek – przekształca się w dźwig. Framework AI z Berkeley pozwala projektować takie roboty bez miliarda roboczogodzin debugowania.
- Agencje kosmiczne (NASA, ESA, SpaceX). Wystrzelenie na orbitę wymaga minimalnej wagi. Kratownica z setki napędów może być zapakowana w jeden sześcian, a potem rozłożyć się i złożyć antenę lub naprawić satelitę. Projektant AI optymalizuje nie tylko kształt, ale i liczbę „mózgów” (kontrolerów).
- Robotyka medyczna. Prototyp „macki” wykonany przez zespół może stać się podstawą dla przyszłych endoskopów, które same decydują, jak najlepiej się wygiąć w jelicie.
- Sam zespół Berkeley (Yao i współautorzy). To gwarantowana nagroda Best Paper na dowolnej z topowych konferencji robotycznych (ICRA, RSS 2026) i milionowe granty na następne 5 lat.
Przegrywają:
- Firmy sprzedające „narzędzia do ręcznego projektowania robotów” (SolidWorks z wtyczkami, MSC Adams). Ręczna praca przy grupowaniu napędów, która obecnie kosztuje tysiące dolarów czasu inżynierskiego, zostaje zautomatyzowana. Nakładki do „optymalizacji dynamicznej” staną się zbędne.
- Wszystkie startupy budujące stacjonarne, niezmieniające kształtu roboty dla wąskich nisz. Załóżmy, że twój robot umie tylko pełzać po rurach. Robot z Berkeley, załadowany do tego samego API, będzie umiał i pełzać, i chodzić, i chwytać. Twoja nisza zniknie, gdy tylko technologia stanie się wystarczająco tania dla progu komercyjnego.
Czego media nie dopowiadają
Insight #1: To nie jest „uniwersalny konstruktor robotów”, to „Neural Network Fixed-Price”.
System nie tylko generuje projekt. Jednocześnie optymalizuje dwie warstwy: geometrię (gdzie jakie belki) i sterowalność (ile kontrolerów potrzeba). Naukowcy odkryli „złoty środek”: zwiększanie liczby siatek sterujących daje wzrost wydajności tylko do pewnego progu, a potem zaczynają się malejące przychody.
Co to oznacza w praktyce? Projektant nie musi już myśleć: „Zrobię 50 mikrosilników, będzie dokładniej”. System sam powie: „Do zadania 'stać się hełmem i ścisnąć głowę' wystarczą 4 grupy sterujące. Pozostałe 46 silników będzie tylko martwym ciężarem”. To automatyczna walka z nadmierną złożonością – główną chorobą współczesnej robotyki.
Insight #2: Gdzie związek z Physical Intelligence (PI)?
Sergey Levin, który również pracuje w Berkeley, jest współzałożycielem Physical Intelligence – startupu tworzącego fundamentalny model dla dowolnych robotów. Jego teza: „Jeden mózg dla wszystkich ciał”. Praca Linin Yao dostarcza narzędzia do tworzenia optymalnych ciał dla konkretnych zadań. Jeśli je połączymy, otrzymamy system, który sam projektuje i ciało (metatrass), i mózg (politykę PI) dla niego. W zasadzie – fabryka robotów od zera.
Dlaczego media milczą o tej synergii? Ponieważ wymaga to zrozumienia wewnętrznej kuchni Berkeley. To tak, jakby na jednym uniwersytecie pracował wynalazca silnika spalinowego i wynalazca koła. Ale komunikaty prasowe piszą osobno.
Insight #3: Paradoks Moraveca uderza ponownie – i tutaj go omijają.
Shankar Sastry w kwietniu 2026 roku przypominał, że „40% kory mózgowej człowieka odpowiada tylko za ręce i twarz”. Sterowanie kształtem jest nawet trudniejsze niż sterowanie ręką. Ale zespół Yao znalazł obejście: nie sterują każdym przegubem osobno w czasie rzeczywistym. Sterują makro-stanami (sieć napędów A włącza tryb „chodzenie”, sieć B – tryb „chwyt”). To inżynieryjny geniusz: zamiast uczyć robota tysięcy mikroruchów, wbudowali „przełącznik biegów” bezpośrednio w architekturę sieci neuronowej projektującej robota.
Prognoza: następne 30 dni i 90 dni
Następne 30 dni (czerwiec 2026):
- Repozytorium z kodem frameworka zostanie otwarte na GitHub (tradycja Berkeley – open source). Ludzie z Chin i Niemiec skopiują pomysł na swoje węzły 22FDX i FPGA w ciągu miesiąca.
- Linin Yao zostanie zaproszona do wygłoszenia referatu plenarnego na konferencji IEEE International Conference on Robotics and Automation (ICRA 2027), ale najprawdopodobniej wystąpi już na RSS 2026 w lipcu.
Następne 90 dni (sierpień 2026):
- Boston Dynamics wyda powściągliwe oświadczenie, że „już stosuje podobne metody dla Atlasa”, ale w rzeczywistości – nie. Ich hydraulika jest zbyt inercyjna dla metatransformerów. Zaczną pilnie szukać partnerów wśród producentów napędów elektrycznych.
- NVIDIA wypuści symulator dla metatransformerów oparty na Omniverse z obsługą tego frameworka. Już współpracują z Berkeley nad „modelami świata”, więc integracja będzie bezproblemowa.
- Pojawi się pierwszy skandal komercyjny: jakiś startup ogłosi, że stworzył „inteligentną poduszkę powietrzną”, która zmienia kształt przy uderzeniu – w rzeczywistości po prostu skopiuje prototyp hełmu z artykułu Berkeley. I będzie to legalne, ponieważ opatentowanie algorytmów optymalizacji jest trudne.
Główne ryzyko: skalowalność. W artykule pracowano z setkami belek. A co, jeśli belek są tysiące? Albo dziesiątki tysięcy? Złożoność i tak rośnie, choć wolniej. W pewnym momencie znalezienie optymalnego grupowania kontrolerów stanie się problemem NP-trudnym nawet dla AI, a framework uderzy w ścianę złożoności obliczeniowej. Ale dla 90% praktycznych zadań (hełmy, kończyny robotów ratowniczych, modułowe manipulatory) to wystarczy.
Wniosek: Naukowcy z Berkeley nie tylko zrobili „robota-transformera”. Zrobili „AutoCAD dla fizyki”. Zautomatyzowali tę część inżynierii, która była uważana za „niepoddającą się automatyzacji” – intuicyjne wyczucie, ile napędów gdzie włożyć. W rezultacie projektowanie robotów o zmiennym kształcie z elitarnej sztuki staje się rutynową procedurą: załadowałeś wymagania, uruchomiłeś AI, dostałeś rysunki. Za 5 lat metatransformery będą nie w laboratoriach, ale w zestawach dla dzieci: „Złóż swojego robota, a sieć neuronowa nauczy go stawać się to samochodem, to samolotem”. Żegnajcie Lego Mindstorms, witajcie Metatruss AI.
— Editorial Team
Brak komentarzy.