Roboty nie potrzebują tylko lepszej AI. Potrzebują ludzi, którzy pokażą im świat

Przez ostatnie dwa lata w debacie o sztucznej inteligencji powtarzało się jedno zdanie: AI zabierze pracę copywriterom, grafikom, programistom i analitykom, ale prace fizyczne są bezpieczne.

Robot nie opróżni Twojej zmywarki. Robot nie posprząta mieszkania. Robot nie złoży koszuli tak sprawnie jak człowiek.

To brzmiało rozsądnie. I przez chwilę było nawet prawdziwe.

Tyle że była to tylko połowa prawdy.

Bo problem robotów humanoidalnych nigdy nie polegał wyłącznie na tym, że brakuje im mocy obliczeniowej albo dobrego modelu AI. Problem był bardziej przyziemny: roboty nie znały naszego świata. Nie znały ciężaru mokrego ręcznika, oporu szuflady, przypadkowości psa przebiegającego pod nogami, różnicy między talerzem, który można chwycić mocniej, a kieliszkiem, którego nie można.

Dlatego dziś obok wyścigu na modele językowe rośnie drugi, mniej widoczny wyścig: wyścig o dane z fizycznego świata.

Praca fizyczna miała być bezpieczna. To był tylko etap

Kiedy generatywna AI weszła do mainstreamu, pierwszą falę lęku poczuły zawody oparte na języku, obrazie, kodzie i analizie. Nagle okazało się, że maszyna potrafi napisać szkic tekstu, przygotować wariant grafiki, wygenerować fragment kodu albo streścić raport.

Prace fizyczne wydawały się znacznie trudniejsze do automatyzacji. I nie bez powodu.

Świat cyfrowy jest uporządkowany. Tekst, obraz, dźwięk i kod można zapisać jako dane. Można je kopiować, przetwarzać, trenować na nich modele. Internet stał się gigantycznym zbiorem treningowym dla AI.

Świat fizyczny jest inny. Jest nieregularny, brudny, zmienny i pełen wyjątków. Ten sam kubek może stać na różnych powierzchniach. Ta sama koszula może być złożona inaczej. Ta sama zmywarka może mieć inny układ, inny opór drzwiczek i inne światło padające na naczynia.

Dla człowieka to banał. Dla robota — ogromny problem.

I właśnie dlatego pojawił się nowy rynek: rynek ludzi, którzy nagrywają codzienne czynności po to, by roboty mogły się ich uczyć.

Nowa klasa pracy: ludzie jako interfejs dla robotów

MIT Technology Review opisało historię gig workerów z Nigerii, Indii i innych krajów, którzy przyczepiają iPhone’y do głowy i nagrywają wykonywanie prac domowych. Jednym z nich jest Zeus, student medycyny w Nigerii. Po dyżurze w szpitalu wraca do mieszkania, zakłada telefon na czoło i nagrywa, jak wykonuje proste czynności: ścielenie łóżka, prasowanie, porządkowanie przestrzeni.

Nie robi tego dla mediów społecznościowych. Robi to jako data recorder dla Micro1, firmy, która zbiera dane z ruchów człowieka i sprzedaje je firmom pracującym nad robotyką.

To bardzo symboliczny obraz naszych czasów.

Przez lata mówiliśmy, że dane są „nową ropą”. Najczęściej mieliśmy na myśli kliknięcia, lajki, historię zakupów, lokalizację, zachowania w aplikacjach i wyszukiwarkach. Dziś do tej kategorii zaczyna trafiać coś jeszcze bardziej podstawowego: ruch ludzkiego ciała w codziennym świecie.

Jak podnieść koszulę. Jak otworzyć szafkę. Jak przełożyć talerz. Jak nie upuścić kubka. Jak poprawić prześcieradło.

To wszystko staje się zasobem treningowym.

Paradoks Moraveca wraca w najbardziej praktycznej formie

Ten proces dobrze tłumaczy Paradoks Moraveca. W uproszczeniu mówi on, że to, co dla ludzi wydaje się intelektualnie trudne, może być dla maszyn relatywnie łatwe, a to, co dla ludzi jest banalne, bywa dla maszyn ekstremalnie trudne.

Rozwiązanie równania matematycznego? Analiza tekstu? Wygenerowanie obrazu? Napisanie kodu?

To są zadania, które AI potrafi wykonywać coraz lepiej, bo można je trenować na ogromnych zbiorach danych cyfrowych.

Ale przejście przez pokój, ominięcie psa, podniesienie talerza, odróżnienie ścierki od koszuli i niezrzucenie szklanki z blatu to zupełnie inny poziom trudności.

Dlatego w robotyce nie wystarczy „więcej AI”. Potrzebne są dane o świecie, którego nie da się w całości pobrać z internetu.

I tu pojawia się ironia. Przez lata wielu ludzi wierzyło, że praca fizyczna będzie ostatnim bastionem odporności na automatyzację. Tymczasem dziś część tej pracy zaczyna być wykorzystywana jako materiał szkoleniowy dla maszyn, które w przyszłości mogą ją wykonywać.

Nie chodzi tylko o to, że robot kiedyś zastąpi sprzątaczkę, magazyniera albo pracownika produkcji. Chodzi o to, że zanim to zrobi, ktoś musi mu pokazać, jak wygląda sprzątanie, przenoszenie, składanie, chwytanie, poprawianie i reagowanie na bałagan.

Europa też buduje swoje laboratoria Physical AI

W tym samym czasie Europa próbuje budować własną odpowiedź na wyścig o Physical AI. NEURA Robotics i Technical University of Munich ogłosiły TUM RoboGym — centrum treningowe dla robotów i systemów Physical AI w Monachium. Projekt ma obejmować 2300 metrów kwadratowych, 17 milionów euro inwestycji i dużą flotę humanoidalnych robotów pracujących w kontrolowanych warunkach.

To ważny sygnał.

Bo rozwój robotów humanoidalnych nie będzie wyłącznie pytaniem technologicznym. Będzie pytaniem o dane, infrastrukturę, standardy, prywatność, pracę i suwerenność technologiczną.

Kto będzie miał najlepsze dane z fizycznego świata? Kto będzie potrafił je zbierać legalnie, etycznie i w dużej skali? Kto zbuduje modele ruchu, chwytu i interakcji z przestrzenią? Kto będzie właścicielem „mózgów” dla robotów?

To nie są abstrakcyjne pytania dla laboratoriów. To są pytania o przyszły układ sił w przemyśle, logistyce, opiece, usługach domowych i produkcji.

USA ma firmy, kapitał i globalne platformy zbierania danych. Chiny mają skalę, przemysł i silną koordynację państwowo-przemysłową. Europa ma regulacje, świetne uczelnie, mocny przemysł — i ryzyko, że znów będzie debatować dłużej, niż inni będą budować.

To oczywiście uproszczenie. Europa nie jest bezbronna. Ale jest pytanie, czy potrafi połączyć swoje mocne strony szybciej, niż rynek Physical AI zostanie zdominowany przez kilka pozaeuropejskich ekosystemów.

Kontrargument: to może być dobra praca i potrzebny etap rozwoju

Łatwo opowiedzieć tę historię wyłącznie jako cyfrowy kolonializm. Ludzie z krajów o niższych dochodach nagrywają swoje mieszkania, swoje ruchy i swoją codzienność, aby zasilać modele budowane przez bogatsze firmy technologiczne.

Ten opis jest częściowo trafny, ale niepełny.

Dla części osób taka praca może być realną szansą. Stawka, która w USA wyglądałaby przeciętnie, w Nigerii czy Indiach może być atrakcyjna. Nie każdy worker musi czuć się wykorzystywany. Niektórzy mogą widzieć w tym uczestnictwo w technologicznej zmianie, dodatkowe źródło dochodu albo wejście do globalnej gospodarki cyfrowej.

To ważne, bo paternalistyczna opowieść, w której wszyscy pracownicy z Globalnego Południa są wyłącznie ofiarami, też byłaby uproszczeniem.

Problem zaczyna się gdzie indziej.

Czy ci ludzie naprawdę wiedzą, do kogo trafiają ich dane? Czy rozumieją, jak długo będą przechowywane? Czy wiedzą, czy ich nagrania posłużą do robotów domowych, magazynowych, przemysłowych czy wojskowych? Czy mają wpływ na późniejsze wykorzystanie własnej pracy? Czy dostają tylko stawkę godzinową, czy uczestniczą w wartości, którą pomagają stworzyć?

To nie jest prosty spór „postęp kontra wyzysk”. To raczej pytanie o to, czy nowa gospodarka danych fizycznych powtórzy błędy starej gospodarki platformowej.

Najpierw zbieramy dane. Potem budujemy przewagę. Na końcu dopiero pytamy, czy wszyscy uczestnicy systemu wiedzieli, w czym brali udział.

Najważniejsze pytanie nie brzmi „czy roboty nas zastąpią”

W debacie o AI często pytamy: który zawód zniknie jako pierwszy?

To wygodne pytanie, ale coraz mniej wystarczające.

Lepsze pytanie brzmi: które elementy naszej pracy, ruchu, wiedzy i codzienności staną się danymi treningowymi dla systemów, które później zmienią rynek?

Copywriterzy, graficy i programiści zobaczyli to jako pierwsi, bo ich praca już była w dużej mierze cyfrowa. Teksty, obrazy i kod były łatwe do skopiowania, przetworzenia i użycia w modelach.

Praca fizyczna była trudniejsza. Ale nie była magicznie odporna. Po prostu potrzebowała innego typu danych.

Teraz ten etap się zaczyna.

Nie oznacza to, że za pięć lat każdy dom będzie miał robota humanoidalnego. Bardziej prawdopodobne jest to, że roboty najpierw pojawią się tam, gdzie środowisko jest częściowo kontrolowane: w magazynach, fabrykach, laboratoriach, centrach logistycznych, opiece instytucjonalnej i wybranych usługach.

Ale kierunek jest jasny.

AI najpierw nauczyła się naszego języka. Potem naszych obrazów. Teraz zaczyna uczyć się naszych ruchów.

I dlatego zdanie „żaden zawód nie jest bezpieczny” jest zbyt proste, ale nie całkiem fałszywe.

Bezpieczny nie jest żaden typ pracy rozumiany jako zestaw powtarzalnych czynności. Różni się tylko tempo automatyzacji, koszt danych, poziom ryzyka i trudność wejścia w fizyczny świat.

Najważniejsze pytanie nie brzmi więc: czy roboty zabiorą ludziom pracę?

Brzmi raczej: kto będzie właścicielem mapy ludzkiego świata, na której te roboty będą się uczyć?