Humanoid w kuchni i skrót ze Stanfordu: sterowanie robotem bez modeli akcji

Laboratorium TML Uniwersytetu Stanforda zaprezentowało we wrześniu 2026 roku HomeBody (wśród autorów jest też badacz z Caltechu) — system badawczy, który powierza kierowanie humanoidalnym robotem bezpośrednio czołowemu modelowi wizyjno-językowemu. Jak opisano na stronie projektu i jak 27 września podał serwis The Decoder, podejście to pomija warstwę pośrednią, którą zwykle stanowi wytrenowany model akcji (VLA). Zamiast niego model OpenAI — nazywany "GPT Astra" na stronie Stanforda i "GPT-6 Astra" przez The Decoder — bezpośrednio wywołuje bibliotekę pięciu istniejących umiejętności ruchowych i koordynuje nawigację po mapie, chwytanie i odkładanie przedmiotów, otwieranie szuflad oraz wyjmowanie rzeczy z otwartej szuflady.

Zanim zacznie działać, Unitree G1 bada otoczenie i w procesie real2sim odtwarza jego cyfrowego bliźniaka w Nvidia Isaac Sim, zapisując trójwymiarowe położenie przedmiotów w pamięci przestrzennej. Dzięki tej wewnętrznej mapie może odnaleźć przedmioty także wtedy, gdy znikną z jego bezpośredniego pola widzenia. Obliczenia na pokładzie wykonuje laptop z jednym GPU RTX 4090, który obsługuje sterowanie ramieniem i dłonią z częstotliwością 250 Hz oraz aktualizacje polityki AMO z częstotliwością 50 Hz; model OpenAI jest natomiast odpytywany przez API. W jakościowej demonstracji udostępnionej przez badaczy robot na podstawie ogólnego polecenia posprzątał kuchnię, której nigdy wcześniej nie widział, bez treningu przygotowanego pod to miejsce.

System ma jednak ograniczenia typowe dla technologii, które jeszcze nie dojrzały. Autorzy zaznaczają, że "opóźnienie rozumowania GPT Astra wprowadza przerwy między umiejętnościami" i że łączny czas zadań "ograniczają też zasięg humanoida, jego zdolności manipulacyjne i wytrzymałość sprzętu" (tłumaczenie własne), wskazując zwłaszcza na przegrzewanie się serwomotorów palców. Ponadto odtworzenie otoczenia wymaga czasu na przygotowanie i wiąże się z kosztami API, których nie podano. W chwili weryfikacji kod w oficjalnym repozytorium GitHub nie jest jeszcze publiczny, licencja nie jest podana, nie ma powiązanej publikacji na arXiv i nie wiadomo, czy próbę powtórzono w więcej niż jednej kuchni. Brak statystyk dotyczących skuteczności czy liczby prób; krążące w sieci 95% nie dotyczy HomeBody — wygląda na to, że pochodzi z zewnętrznej oceny ramion robotycznych I2RT YAM, której nie udało nam się sprawdzić w źródle pierwotnym.

Pominięcie pośredniego tłumaczenia na ruch i oparcie się wprost na czołowej inteligencji to fascynujący eksperyment, ale przypomina, że fizyka ma inne tempo niż czyste obliczenia. Jeśli ruch musi zamierać w oczekiwaniu na odpowiedź modelu przez API, płynny gest pozostaje wciąż odległym celem. — Olya