Physical AI, umělá inteligence a hardware pro humanoidní robotiku

Pojem Physical AI je v současnosti užitečný, ale ne zcela ustálený zastřešující termín. V průmyslovém a mediálním jazyce označuje AI systémy, které pouze negenerují text, obraz nebo predikce ve virtuálním prostředí, ale vnímají, rozhodují a jednají ve fyzickém světě. Typickými příklady jsou humanoidní roboti, mobilní manipulátory, autonomní stroje, průmyslové robotické buňky nebo systémy pro chytrou logistiku. NVIDIA jej používá pro oblast „generative physical AI“, IBM pro AI systémy fungující mimo čistě softwarový prostor a CSET mluví o konvergenci fyzické AI a robotiky. [13] [14] [15]

Z vědeckého hlediska je ale vhodné být přesnější. To, co se dnes často označuje jako Physical AI, má v recenzované literatuře stabilnější oporu v pojmech embodied AI, robot learning, percepce, plánování, řízení, reinforcement learning, sim-to-real a robotika. Physical AI není jedna metoda, jeden model ani jeden produkt. Je to spíše komunikační zkratka pro celý systémový stack, ve kterém se AI potkává s mechanikou, senzory, aktuátory, bezpečností a reálným časem. [7] [8] [9] [10] [11] [12]

Pro humanoidní robotiku je toto rozlišení zásadní. Humanoid není „jen LLM v těle.“ Aby mohl bezpečně fungovat v prostředí navrženém pro člověka, musí kombinovat vnímání scény, odhad stavu vlastního těla, plánování úloh, řízení pohybu, manipulaci, stabilitu, kontakt s okolím a někdy i jazykovou interakci. Proto je nebezpečné prezentovat Physical AI jako magickou technologii, která sama vyřeší obecnou robotickou inteligenci. Přesnější je říct, že jde o integrovaný robotický systém, ve kterém mohou různé AI modely pomáhat v jednotlivých vrstvách, ale nemohou nahradit celé bezpečnostní a řídicí řešení.

Druhá část článku proto odděluje i hardwarovou infrastrukturu společnosti NVIDIA. Jedna RTX karta je dobrý nástroj pro lokální vývoj, simulaci a menší fine-tuning. Menší GPU cluster se čtyřmi RTX PRO 6000 Blackwell je už výpočetní infrastruktura pro trénování, syntetická data, simulace a větší inference workflow. DGX systémy představují vývojové a datacentrové zázemí pro velké modely. Jetson Orin a Jetson Thor naopak patří do role onbboard či edge výpočetní jednotky robotu. V humanoidní robotice tedy nejde jen o otázku jak silnou GPU koupit, ale hlavně o správné rozdělení mezi trénování mimo robota, simulaci, validaci a inferenci na robotu. [21] [22] [24] [25] [26] [27] [28] [29] [30]

Slovník pojmů

Pojem	Stručné vysvětlení
AI / umělá inteligence	Široký obor metod a systémů, které pro zadané cíle generují predikce, doporučení, rozhodnutí nebo obsah. Definice se liší podle kontextu; OECD i EU pracují s pojmem strojového systému s určitou autonomií a schopností ovlivnit virtuální nebo fyzické prostředí. [1] [2] [3]
Machine learning / strojové učení	Podoblast AI, která se zabývá systémy zlepšujícími se na základě dat nebo zkušenosti, nikoli pouze ručně napsaných pravidel. [4]
Deep learning / hluboké učení	Podmnožina strojového učení založená na vícevrstvých modelech, typicky neuronových sítích, které se učí hierarchické reprezentace dat. [5]
Reinforcement learning / posilované učení	Učení rozhodování interakcí s prostředím. Agent volí akce a dostává odměnu nebo penalizaci. V robotice se používá například pro lokomoci, manipulaci nebo optimalizaci policy. [6]
Embodied AI	Výzkumný směr, kde je inteligence svázána s tělem, senzory, akcemi a prostředím. Je to vědecky stabilnější pojem než Physical AI. [7] [8]
Physical AI	Zastřešující termín pro AI systémy jednající ve fyzickém světě. Je užitečný pro komunikaci, ale bez rozkladu na konkrétní metody snadno sklouzává k marketingu. [13] [14] [15]
Robot learning	Oblast, která řeší, jak se roboti učí pohyb, manipulaci, navigaci nebo interakci s okolím z demonstrací, simulace, dat nebo odměny.
Percepce	Zpracování senzorických dat, například z kamer, LiDARu, IMU, síly, momentu nebo taktilních senzorů. V humanoidní robotice je percepce základem pro orientaci a manipulaci. [9]
Plánování	Generování posloupnosti akcí, cílů nebo trajektorií pod omezeními. V robotice zahrnuje motion planning i task and motion planning. [10] [11]
Řízení	Převod cílů a odhadů stavu na akční zásahy. U humanoidů zahrnuje kloubové řízení, whole-body control, model predictive control a stabilizaci. [12]
Sim-to-real	Přenos politik, modelů nebo parametrů ze simulace na skutečného robota. Je důležitý proto, že trénování na reálném humanoidu je drahé, pomalé a rizikové.
Inference	Nasazení již natrénovaného modelu. U humanoida může jít o detekci objektů, odhad pózy, interpretaci instrukce nebo výpočet akce.
Training	Optimalizace parametrů modelu na datech nebo v simulaci. Obvykle probíhá mimo robota na workstationu, clusteru nebo DGX infrastruktuře.
Fine-tuning	Dotrénování existujícího modelu na konkrétních datech, úlohách nebo prostředí.
VLA model	Vision-Language-Action model. Spojuje obraz, jazyk a akci. U humanoidů je perspektivní pro převod instrukcí a pozorování na robotické chování, ale neměl by nahrazovat bezpečnostní a řídicí vrstvy. [20]
Foundation model	Velký model trénovaný na širokých datech, který lze adaptovat na různé úlohy. V robotice se tato myšlenka objevuje například u humanoidních modelů typu GR00T. [20]

Co je AI a jaké má podoblasti

Umělá inteligence není jedna konkrétní technologie. Je to zastřešující oblast, která zahrnuje symbolické metody, strojové učení, hluboké učení, posilované učení, počítačové vidění, zpracování přirozeného jazyka, plánování, optimalizaci a další přístupy. V posledních letech se veřejná debata často zužuje na generativní AI a velké jazykové modely, ale v robotice je takové zúžení zavádějící.

Pro humanoidní robotiku jsou nejdůležitější minimálně čtyři vrstvy. První je percepce, tedy schopnost získat ze senzorů informaci o světě: kde jsou lidé, objekty, překážky, podlaha, ruce robota a kontaktní body. Druhá je plánování, tedy rozhodování, jakou úlohu robot plní a jak má postupovat. Třetí je řízení, které převádí plán na stabilní pohyb těla a kloubů. Čtvrtá je učení, které může zlepšovat jednotlivé části systému, například rozpoznávání objektů, lokomoci, úchopy, manipulaci nebo reakci na jazykovou instrukci.

Je proto přesnější říkat, že humanoidní robotika leží na průniku několika disciplín: robotiky, AI, teorie řízení, mechaniky, senzoriky, bezpečnosti a interakce člověk – robot. AI je v této architektuře důležitá, ale sama o sobě není celým řešením.

Co je Physical AI

Physical AI lze chápat jako označení pro AI systémy, které jsou propojené s fyzickým světem. Na rozdíl od chatbotu nebo generátoru obrázků musí takový systém vnímat reálné okolí, jednat v něm a nést důsledky fyzické akce. To znamená, že se do hry dostávají síly, hmotnost, setrvačnost, zpoždění, tření, kolize, stabilita, omezený výkon aktuátorů, omezená kapacita baterie a bezpečnost lidí v okolí.

Právě humanoidní robot je pro Physical AI přirozeným příkladem. Má tělo podobné člověku, mnoho stupňů volnosti, musí udržovat rovnováhu, koordinovat nohy a ruce, vnímat prostředí a někdy komunikovat jazykem. Tím se výrazně liší od čistě softwarového AI systému. Chyba textového modelu může znamenat špatnou odpověď. Chyba humanoida může znamenat pád, náraz, poškození majetku nebo zranění člověka.

Zároveň je ale nutné říct, že Physical AI je dnes částečně také strategický a marketingový pojem. To neznamená, že je prázdný. Znamená to, že bez přesnějšího vymezení může skrývat velmi různé věci: od klasické robotiky s kamerou, přes posilované učení pro lokomoci, až po velké multimodální modely pro robotické akce. V odborném textu je proto vhodné pojem Physical AI použít jen jako úvodní rámec a následně ho rozložit na konkrétní technické komponenty: embodied AI, robot learning, percepci, plánování, řízení, simulaci, validaci a bezpečnost. [7] [8] [13] [14] [15]

Buzzword versus vědecky podložený koncept

Buzzword není nutně nepravda. Problém buzzwordu je v tom, že je často příliš obecný, mění význam podle situace a slouží spíše k získání pozornosti než k přesnému popisu technologie. Ve světě AI to vidíme opakovaně. Pojmy jako „AI-powered“, „autonomous“, „foundation model“, „robot brain,“ „AI factory“ nebo „Physical AI“ mohou být užitečné, ale také mohou zakrýt, co systém skutečně dělá, jak byl otestován a jaké má limity. Literatura o AI hype a AI washingu upozorňuje právě na riziko přehnaných tvrzení, nejasných definic a marketingového nadhodnocování schopností systémů. [16] [17]

Užitečné je položit si tři otázky:

Má pojem stabilní definici? Například reinforcement learning, model predictive control nebo task and motion planning mají dlouhodobou výzkumnou historii. Naproti tomu Physical AI je zatím volnější zastřešující termín. [6] [10] [12] [13]
Lze pojem převést na měřitelný experiment? U humanoida lze měřit stabilitu chůze, úspěšnost úchopu, kontaktní síly, latenci inference, spotřebu, počet pádů, generalizaci policy nebo přesnost detekce objektů. Pokud zůstane jen tvrzení „robot používá Physical AI“, není jasné, co se skutečně hodnotí.
Existuje k pojmu recenzovaná literatura? Embodied AI, robot manipulation, humanoid motion planning, MPC nebo RL mají rozsáhlou odbornou literaturu. Physical AI má zatím silnější pozici v průmyslových materiálech, strategiích a produktové komunikaci. To neznamená, že jej nelze používat, ale je nutné jej opřít o přesnější pojmy. [7] [8] [10] [11] [12] [13] [14]

Physical AI je komunikační rámec pro robotické systémy, které propojují AI s fyzickým jednáním. V odborném smyslu jej ale musíme rozložit na konkrétní disciplíny: embodied AI, robot learning, percepci, plánování, řízení, bezpečnost a sim-to-real validaci.

Proč je humanoidní robotika náročnější než běžná AI aplikace

Humanoidní robot musí fungovat v prostředí, které nebylo navrženo pro stroje, ale pro člověka. Dveře, schody, kuchyně, nářadí, regály, madla, kliky i pracovní místa jsou často antropomorfní. To je hlavní argument pro humanoidní tvar: robot podobný člověku by teoreticky mohl využívat existující infrastrukturu bez rozsáhlé přestavby prostředí.

Tento argument je ale zároveň zdrojem technické náročnosti. Humanoid má mnoho stupňů volnosti, je dynamicky nestabilní, pracuje s kontaktem, může spadnout a jeho pohyb je pro okolí fyzicky významný. Nestačí, aby rozuměl instrukci. Musí ji převést na akci, která je proveditelná, stabilní, bezpečná a robustní vůči chybám senzorů i prostředí.

To je důvod, proč se u humanoidů často kombinuje několik vrstev:

vysoká vrstva pro interpretaci úkolu, například jazykový nebo multimodální model,
plánovací vrstva pro rozklad úlohy,
percepční vrstva pro rozpoznání scény,
policy nebo motion generator pro navržení pohybu,
whole-body control nebo MPC pro koordinaci těla,
nízkoúrovňové servo řízení,
bezpečnostní omezení, nouzové zastavení a runtime guard layer.

Velký model tedy může být velmi užitečný jako rozhraní mezi člověkem a robotem, ale neměl by být jedinou vrstvou, která rozhoduje o fyzickém pohybu. U humanoidů je bezpečnější architektura, ve které jsou modely kombinovány s deterministickými omezeními, validací a klasickým řízením. [12] [18] [19] [20]

Trénování, inference a simulace

V debatě o hardwaru je zásadní rozlišovat trénování a inferenci. Trénování je fáze, kdy se model učí. Vyžaduje velké množství dat, vysoký výpočetní výkon, dostatek paměti a často více GPU. Inference je nasazení hotového modelu, kdy model dostane vstup a vytvoří výstup. U humanoida může inference znamenat například detekci objektů, odhad pózy člověka, interpretaci instrukce nebo výpočet další akce.

Humanoidní robotika navíc přidává třetí zásadní kategorii: simulaci. Simulace slouží pro bezpečné testování, generování syntetických dat, trénování policy a validaci chování před nasazením na reálný hardware. NVIDIA tuto logiku často popisuje jako tři počítače pro robotiku: jeden pro trénování, jeden pro simulaci a jeden pro runtime inferenci. [21]

Prakticky to znamená:

trénování velkých modelů patří na workstation, GPU cluster nebo DGX,
simulace patří na výkonný lokální nebo serverový hardware,
inference na robotu patří na energeticky úsporný edge hardware,
nízkoúrovňové řízení často běží mimo GPU na real-time kontroléru, CPU, motor driverech nebo dedikovaném řídicím systému.

Tento rozdíl je klíčový. Silná GPU v serveru neznamená, že ji lze dát do humanoida. A naopak malý embedded modul v humanoidovi neznamená, že je vhodný pro trénování velkých modelů.

Jedna RTX karta: lokální vývoj a menší experimenty

Jedna výkonná RTX karta, například GeForce RTX 4090, je velmi praktický vstupní bod pro robotický vývoj. Hodí se pro lokální běh simulace, rendering, zpracování obrazu, vývoj percepčních pipeline, menší modely, fine-tuning, testování inference a přípravu dat. RTX 4090 má 24 GB GDDR6× paměti, vysoký FP32 výkon a je běžně dostupná ve workstationech. [22] [23]

V humanoidní robotice je taková karta vhodná například pro:

vývoj v Isaac Sim nebo jiném simulačním prostředí,
generování syntetických dat,
trénování menších policy,
fine-tuning menších vision modelů,
lokální testování VLM/VLA pipeline,
vývoj operátorské stanice pro teleoperaci,
offline zpracování logů a datasetů.

Není však vhodná jako palubní počítač humanoida. Desktopová RTX karta má vysoký příkon, rozměry a nároky na chlazení. Pro robota, který běží na baterii, musí být výpočetní jednotka výrazně úspornější a mechanicky integrovatelná.

Menší GPU cluster s RTX PRO 6000 Blackwell

Další úroveň je serverový uzel nebo menší cluster například s kartami typu RTX PRO 6000 Blackwell Server Edition. Jedna tato karta má výrazně větší paměť než spotřebitelská RTX 4090, konkrétně 96 GB GDDR7 ECC, a je navržena pro enterprise a serverové nasazení. NVIDIA ji prezentuje pro AI, rendering, simulace a profesionální výpočetní workflow. [24]

Pokud vezmeme například uzel s 8× RTX PRO 6000 Blackwell, dostáváme výpočetní infrastrukturu vhodnou pro týmový výzkum. Takový systém se hodí pro:

paralelní trénování více robotických policy,
větší reinforcement learning experimenty,
simulace humanoidů ve větším počtu prostředí,
generování syntetických dat,
rendering a digitální dvojčata,
inference větších multimodálních modelů,
týmové sdílení výpočetních zdrojů,
fine-tuning modelů pro percepci, manipulaci nebo jazykové rozhraní.

Oproti DGX systémům je takový cluster flexibilnější a často lépe škálovatelný z pohledu laboratoře, ale nemusí mít stejnou úroveň integrovaného NVLink/NVSwitch propojení jako nejvyšší DGX platformy. To je důležité hlavně pro trénování opravdu velkých modelů přes mnoho GPU. Pro praktickou humanoidní laboratoř je ale 8× RTX PRO 6000 Blackwell velmi silné zázemí pro vývoj, simulaci a středně velký trénink. [24] [25]

Jetson Orin a Jetson Thor: výpočet přímo na robotu

Pro skutečné nasazení v humanoidovi je důležitější jiná třída hardwaru: embedded/edge platformy. NVIDIA Jetson AGX Orin je dnes běžná volba pro robotiku, autonomní stroje a edge AI. Nabízí vysoký AI výkon při příkonu v řádu desítek wattů, což je pro mobilního robota mnohem důležitější než absolutní výkon desktopové GPU. [26]

Jetson Orin se hodí pro:

onboard počítačové vidění,
zpracování více kamer,
lokální inferenci detekčních a segmentačních modelů,
fúzi senzorů,
navigaci,
komunikaci s robotickým middlewarem,
běh kompaktních modelů přímo na robotu.

Jetson Thor tuto třídu posouvá výrazně dál. NVIDIA jej prezentuje přímo jako platformu pro Physical AI a humanoidní robotiku. Má vyšší výkon, více paměti a lepší předpoklady pro nasazení náročnějších multimodálních modelů v robotu. [27]

Jetson Thor se hodí pro:

high-end onboard inference,
více kamer a senzorů současně,
VLM/VLA inferenci v omezeném rozsahu,
lokální robotické agenty,
zpracování taktilních, vizuálních a proprioceptivních dat,
runtime komponenty humanoidního systému,
propojení cloud-to-edge workflow.

Ani Jetson Thor ale není primárně určen pro velký pretraining. Jeho hlavní role je nasazení modelu na robotu, nikoli trénování velkého modelu od nuly.

DGX Spark, DGX Station a DGX B200

Rodina DGX reprezentuje výkonnější vývojovou a datacentrovou infrastrukturu. DGX Spark je kompaktní desktopový systém pro lokální prototypování, vývoj a práci s AI modely. Je zajímavý tam, kde tým nechce vše posílat do cloudu a potřebuje lokální prostředí pro testování agentů, inference a menší fine-tuning. [28]

DGX Station je výrazně výkonnější desk-side systém. Hodí se pro týmy, které chtějí lokálně provozovat větší modely, fine-tuning, simulaci a multimodální vývoj bez plnohodnotného datacentra. V robotice může sloužit jako výpočetní uzel pro vývojové oddělení, teleoperační backend, generování dat nebo prototypování modelů před nasazením na edge hardware. [29]

DGX B200 je datacentrová platforma. Je určena pro velké trénování, fine-tuning a inferenci modelů ve škálovaném prostředí. V humanoidní robotice by dávala smysl pro:

trénování velkých foundation modelů,
fleet learning z dat více robotů,
rozsáhlé generování syntetických dat,
rozsáhlé RL experimenty,
world modely,
velké VLM/VLA modely,
simulace v masivním měřítku. [30]

DGX B200 tedy nepatří do robota. Patří do výpočetního zázemí organizace, která vyvíjí modely a robotické schopnosti ve velkém.

Praktické srovnání hardwaru

Hardware	Typické použití	Trénování	Fine-tuning	Simulace	Inference	Onboard použití v humanoidu
Jedna RTX 4090	Vývojová workstation	Ano, menší modely	Ano	Ano	Ano	Ne
8× RTX PRO 6000 Blackwell node	Laboratorní/serverový uzel	Ano	Ano	Ano	Ano	Ne
Jetson AGX Orin	Edge/onboard výpočet	Ne	Omezeně	Omezeně	Ano	Ano
Jetson Thor	High-end onboard Physical AI	Ne	Omezeně	Omezeně	Ano	Ano
DGX Spark	Lokální AI prototypování	Omezeně	Ano	Ano	Ano	Ne
DGX Station	Vývojové centrum pro větší modely	Ano	Ano	Ano	Ano	Ne
DGX B200	Datacentrový training a inference	Ano, ve velkém	Ano	Ano, ve velkém	Ano	Ne

Doporučená architektura pro humanoidní robotiku

Pro realistický vývoj humanoidů dává smysl vrstvená architektura:

Datové a simulační zázemí Zde vznikají datasety, simulace, syntetická data a trénovací prostředí. Hardware: RTX cluster, DGX, případně cloud.
Trénovací a fine-tuning vrstva Zde se učí percepční modely, manipulační policy, lokomoční policy, VLA modely nebo specializované modely pro konkrétní úlohy. Hardware: RTX PRO cluster, DGX Station, DGX B200.
Validace a bezpečnostní testování Zde se ověřuje, zda model funguje v limitech. Patří sem sim-to-real testy, stress testy, kolizní scénáře, pádové scénáře a ověření reakce na selhání.
Onboard inference Zde běží modely přímo na robotu. Hardware: Jetson Orin, Jetson Thor nebo obdobný edge SoC.
Real-time řízení a aktuace Zde běží stabilizační a kloubové smyčky. Ty často nepatří na velký AI model, ale na deterministické řídicí systémy, motor controllery a real-time komunikaci.

Takový stack lépe odpovídá reálné robotice než představa jednoho „mozku“, který vše vyřeší. U humanoidů je inteligence distribuovaná napříč hardwarem, softwarem, řízením a bezpečnostní architekturou.

Závěr

Physical AI je užitečný pojem, pokud jej používáme opatrně. Pomáhá vysvětlit, že další vlna AI se nebude týkat jen textu, obrázků a digitálních asistentů, ale také robotů a strojů jednajících ve fyzickém světě. Humanoidní robotika je dobrý příklad, protože propojuje téměř všechny vrstvy Physical AI: percepci, jazyk, plánování, manipulaci, lokomoci, řízení, simulaci, učení i bezpečnost. Zároveň ukazuje, proč nestačí mluvit jen o „AI modelu.“ Robot má tělo, hmotnost, sílu, baterii, senzory, zpoždění a fyzické limity.

Stejně opatrně je potřeba mluvit o hardwaru. RTX karta, GPU cluster, Jetson a DGX nejsou konkurenční odpovědi na stejnou otázku. Každý hardware má jinou roli. RTX a DGX slouží hlavně pro vývoj, simulaci a trénování. Jetson slouží pro inferenci a runtime na robotu. U humanoidních robotů proto není cílem najít jednu nejsilnější GPU, ale správně rozdělit výpočetní stack mezi trénování, simulaci, validaci a bezpečné nasazení.

Zdroje

[1] Odkaz
[2] Odkaz
[3] Odkaz
[4] Odkaz
[5] Odkaz
[6] Odkaz
[7] Odkaz
[8] Odkaz
[9] Odkaz
[10] Odkaz
[11] Odkaz
[12] Odkaz
[13] Odkaz
[14] Odkaz
[15] Odkaz
[16] Odkaz
[17] Odkaz
[18] Odkaz
[19] Odkaz
[20] Odkaz
[21] Odkaz
[22] Odkaz
[23] Odkaz
[24] Odkaz
[25] Odkaz
[26] Odkaz
[27] Odkaz
[28] Odkaz
[29] Odkaz
[30] Odkaz