Ljudi uče robote kako zamijeniti ljudski rad. Što se događa kada obuka završi?
Student medicine u Nigeriji završava smjenu u bolnici. Kod kuće pričvrsti iPhone na čelo i snima se dok obavlja sasvim obične kućanske poslove. Slaže rublje, namješta krevet, pere suđe i kuha. To nije sadržaj za društvene mreže. To su podaci za obuku robota.
Taj detalj zvuči gotovo kao da je napisan za priču o budućnosti rada, ali vrlo precizno pokazuje gdje je fizička umjetna inteligencija danas. Veliki jezični modeli odrasli su u svijetu koji je čovječanstvo već digitaliziralo: knjige, kod, forumi, slike, video i dokumentacija. Roboti nemaju tu prednost. Internet može objasniti što je stolac ili opisati kako složiti košulju. Ali sadrži mnogo manje podataka korisnih strojevima o sili stiska, pokretu zapešća ili sitnim korekcijama koje čovjek napravi kada tkanina sklizne ili ladica zapne.
Zato jedna od najfuturističkijih industrija na svijetu danas radi nešto iznenađujuće staromodno: plaća ljudima da strojevima pokažu kako se ljudi kreću kroz fizički svijet.
Internet je naučio AI govoriti. Fizički svijet je teži.
Taj je nedostatak podataka u robotici očit već godinama. Projekt Google DeepMind Open X-Embodiment objedinio je podatke iz 22 vrste robota i više od 20 istraživačkih institucija. Zajedno su stvorili više od milijun epizoda za obuku robota na stotinama vještina i zadataka. Poanta nije u tome da je milijun demonstracija riješio robotiku. Upravo suprotno: prikupljanje tolikog broja korisnih podataka o fizičkoj interakciji zahtijevalo je razinu suradnje koju bi jedan laboratorij teško mogao ponoviti.
To pomaže objasniti pojavu nove vrste tržišta rada. Umjesto da se oslanjaju samo na demonstracije koje generiraju roboti, tvrtke bilježe ono što ljudi već znaju raditi.
Ljudi koji obučavaju robote
MIT Technology Review izvijestio je o tvrtki Micro1 iz Palo Alta, koja u više od 50 zemalja angažira ljude da snimaju stvarne aktivnosti za obuku robota. Jedan od sudionika u Nigeriji, student medicine, snima kućanske zadatke i zarađuje oko 15 dolara na sat. Snimke su namjerno sasvim obične: slaganje odjeće, kuhanje, čišćenje, premještanje predmeta. Upravo je u tome stvar. Ono što ljudi rade gotovo bez razmišljanja robotima još uvijek treba pokazati.
Isti se obrazac pojavljuje i na radnim mjestima. The Guardian je opisao radnike u indijskim tvornicama koji nose kamere na glavi dok šivaju, rukuju alatima i obavljaju proizvodne zadatke. Prema izvješću, neke tvornice radnicima nisu dodatno plaćale takve snimke. U članku se spominje i indijska podatkovna tvrtka EgoLab, koja Teslu navodi kao jednog od svojih velikih klijenata. Zasebno, Tesla u SAD-u zapošljava operatere za prikupljanje podataka. Oni nose odijela za snimanje pokreta i VR opremu te izvode pokrete za obuku Optimusa.
Naknade za takav posao jako variraju. Dio posla nalikuje profesionalnom snimanju pokreta (motion capture) i tako se i plaća. Drugi poslovi puno više podsjećaju na globalnu gig ekonomiju. No najzanimljivija nije satnica. Najzanimljivije je što tvrtke zapravo kupuju.
Mišićno pamćenje dobiva cijenu.
Sitna korekcija pokreta kada vam čaša počne kliziti iz ruke jest podatak. Karton i keramiku držite drukčije — i to je podatak. Instinktivno usporavanje kada je nešto krhko također je podatak. Čak se i kut šake mijenja kada je ladica teža nego što ste očekivali.
Ljudi rijetko opisuju takve odluke jer gotovo i ne primjećujemo da ih donosimo. Robotika nas prisiljava da vidimo koliko se inteligencije zapravo skriva u „jednostavnom” fizičkom radu.
Obuka humanoidnih robota možda počinje ljudskim demonstracijama
Očita je primjedba: sve ovo zvuči preskupo. Ako budući humanoidni roboti moraju tisućama puta gledati čovjeka kako izvodi svaki pojedini zadatak, ekonomija takvog modela jednostavno ne funkcionira.
No industrija se ne kreće u tom smjeru.
Praktičniji pristup jest koristiti ljudske demonstracije kao početne podatke, a zatim ih proširivati simulacijama i sintetičkim podacima. NVIDIA Isaac GR00T 1.7, primjerice, koristio je oko 32.000 sati stvarnih demonstracija i snimki iz perspektive prve osobe. NVIDIA je tome dodala približno 8.000 sati simuliranih demonstracija i izvođenja.
Istraživači također ispituju koliko je malo ljudskih podataka potrebno da model počne prenositi vještinu na druge robote i nova okruženja. U radu HumanEgo iz 2026. zabilježena je prosječna uspješnost od 92,5% na četiri testna zadatka nakon korištenja 30 minuta snimke iz perspektive prve osobe po zadatku. To je rezultat iz kontroliranog istraživačkog okruženja, a ne dokaz da 30 minuta videa može komercijalnog humanoida naučiti bilo kojem poslu. Ali pokazuje vjerojatan put skaliranja: ljudi daju primjere, softver oko njih stvara dodatno iskustvo za učenje, a model uči primijeniti vještinu šire.
Ako se taj ciklus nastavi poboljšavati, mijenja se glavno usko grlo. Pitanje više nije „Možemo li snimiti dovoljno ljudskih demonstracija?”, nego „Koliko brzo model može ograničen broj ljudskih primjera pretvoriti u pouzdano ponašanje u fizičkom svijetu?”
Tu prognoze počinju zvučati gotovo nadrealno.
Deset milijardi robota, jedna milijarda ili mnogo manje?
Elon Musk iznio je neke od najagresivnijih javnih prognoza. Godine 2024. rekao je da bi do 2040. moglo postojati najmanje 10 milijardi humanoidnih robota, uz cijenu od oko 20.000 do 25.000 dolara po jedinici. Također je više puta opisivao Optimus kao posao koji bi mogao postati jedan od najvećih poslovnih segmenata Tesle.
To ne znači da 10 milijardi robota treba uzeti kao osnovni scenarij. Druge procjene znatno su niže.
Morgan Stanley vidi put prema više od jedne milijarde humanoidnih robota do 2050. godine. Prema toj procjeni, usvajanje bi tijekom prve polovice 2030-ih ostalo relativno sporo, a zatim bi se ubrzalo. Analitičari očekuju da će većina tih robota raditi u industrijskim i komercijalnim okruženjima, a mnogo manji broj u domovima.
Goldman Sachs daje još konzervativniju procjenu. U objavljenom scenariju procijenio je da bi tržište humanoidnih robota moglo dosegnuti 38 milijardi dolara do 2035., uz oko 1,4 milijuna isporučenih humanoidnih robota samo te godine.
Ti se brojevi temelje na različitim metodologijama i vremenskim horizontima, pa bi ih bilo pogrešno postaviti jedan nasuprot drugome kao konkurentske odgovore. Važniji je sam raspon. Ovisno o pretpostavkama, humanoidi mogu postati jedna od najvećih tehnoloških platformi u povijesti — ili još dugo ostati puno uža industrijska kategorija nego što sugerira trenutna pompa.
Stvarnost 2026. nalazi se negdje između demonstracijskih prototipova i fantazije o masovnom tržištu. Boston Dynamics još nije uveo Atlas u velikom opsegu, a Hyundai cilja na proizvodni kapacitet od 30.000 humanoidnih robota godišnje do 2028. To je ozbiljna proizvodna ambicija, ali i dalje smo nekoliko redova veličine udaljeni od svijeta s milijardama humanoida.
Robotska apokalipsa vjerojatno neće stići odjednom
Ali to ne znači da se ništa ne događa.
BMW dobro pokazuje kako izgleda ova rana faza. U tvornici u Spartanburgu humanoidni roboti Figure 02 sudjelovali su u desetomjesečnom proizvodnom pilotu. Prema BMW-u, sustav je sudjelovao u proizvodnji više od 30.000 vozila BMW X3, premjestio više od 90.000 komponenti, prikupio oko 1.250 radnih sati i napravio približno 1,2 milijuna koraka. BMW je nakon toga proširio testiranje humanoida i na tvornicu u Leipzigu.
To nije univerzalni robot koji zamjenjuje čovjeka u svakoj situaciji. To je robot koji obavlja koristan posao unutar strukturiranog industrijskog okruženja.
I ta je razlika ključna.
Tvornice su jednostavnije od domova. Predvidljiva proizvodna stanica lakše je okruženje od kuhinje s kućnim ljubimcima, djecom, neredom, mokrim površinama, predmetima koji se stalno mijenjaju i beskrajnim iznimkama. Skladišta, proizvodne linije i ponavljajući logistički procesi nude jasnija ograničenja, sigurnosne granice i mjerljiviji povrat ulaganja.
Humanoidi ne moraju postati univerzalno sposobni da bi postali ekonomski važni. Dovoljno je da postanu pouzdani u smislenom skupu zadataka.
Što će se onda dogoditi s poslovima?
Tu rasprava obično prebrzo preskoči s „roboti postaju bolji” na „za ljude više neće biti posla”.
Današnje prognoze tržišta rada ne podupiru tako jednostavan zaključak. Izvješće Future of Jobs Report 2025 Svjetskog ekonomskog foruma procjenjuje da će tehnološke, demografske i ekonomske promjene do 2030. stvoriti 170 milijuna radnih mjesta i istisnuti 92 milijuna, što znači neto porast od 78 milijuna radnih mjesta. Međunarodna organizacija rada (ILO) također upozorava da izloženost umjetnoj inteligenciji ne treba izjednačavati s nestankom radnih mjesta; njezino istraživanje generativne umjetne inteligencije sugerira da je za mnoge profesije transformacija vjerojatnija od potpune zamjene.
Ali postoji važna ograda: dosadašnja rasprava o radu uglavnom se odnosila na softversku umjetnu inteligenciju.
Pisanje, programiranje, analiza, korisnička podrška, administracija i dizajn postali su očite mete automatizacije jer generativna umjetna inteligencija živi na računalima. Fizička umjetna inteligencija mijenja jednadžbu. Automatizaciju donosi u poslove koji su se prije činili zaštićenima iz jednostavnog razloga: netko je morao djelovati u fizičkom svijetu. Podignuti predmet, kretati se kroz prostor, koristiti alat ili reagirati na nepredvidivu situaciju.
To ne vodi automatski masovnoj nezaposlenosti. Ali može donijeti sasvim drukčiji skok produktivnosti.
Jedna osoba koja radi zajedno sa softverskim agentima i fizičkim robotima mogla bi proizvoditi mnogo više nego danas. Neki će poslovi nestati ili se razlomiti na manje zadatke. Drugi će se pomaknuti prema nadzoru i rješavanju iznimnih situacija. Pojavit će se i nove uloge oko implementacije, sigurnosti, podataka, koordinacije, održavanja i odgovornosti za sustave.
Korisnije je zato pitati ne „Hoće li ljudi i dalje imati vrijednost?”, nego „Koje ljudske sposobnosti postaju rjeđe i vrjednije kada samo izvršavanje posla postane jeftinije?”
Vrijednost se pomiče s izvršavanja na odlučivanje
Godinama smo se uvjeravali da će fizički rad ostati ljudski jer strojevima nedostaje spretnosti. Kako su humanoidi napredovali, argument se preselio na kreativnost, empatiju i prosudbu. I to se može pokazati previše pojednostavljenim.
Trajnija prednost možda je negdje drugdje: u odlučivanju što uopće treba učiniti, prepoznavanju trenutka kada pravila više ne odgovaraju situaciji, preuzimanju odgovornosti i rješavanju sukobljenih ciljeva. Povjerenje i dizajn sustava također bi mogli postati važniji. Ne zato što strojevi te sposobnosti nikada ne mogu naučiti, nego zato što svaki novi sloj automatizacije stvara nove slojeve koordinacije i odgovornosti.
U tome postoji i neobična ironija. Prije nego što roboti smanje vrijednost nekih vrsta ljudskog rada, mogli bi nas natjerati da napokon primijetimo koliko je taj rad oduvijek bio sofisticiran.
Osoba koja slaže tkaninu, puni policu ili rukuje alatom neprestano donosi sitne odluke o percepciji i kontroli pokreta. Dok netko nije pokušao naučiti robota istom zadatku, velik dio tog znanja bio je ekonomski nevidljiv.
Sada tvrtke to znanje snimaju, označavaju i prodaju.
Možda smo upravo mi generacija koja će strojeve naučiti fizičkom svijetu
U Allmaticsu ne gradimo humanoidne robote. Upravo zato o ovoj temi možemo govoriti bez potrebe da se pretvaramo da radimo nešto što ne radimo.
Radimo s tehnologijama koje neposredno okružuju ovu promjenu: AI/ML, embedded sustavi, IoT, povezani uređaji, cloud infrastruktura i softver koji djeluje u fizičkom svijetu. U projektima poput ReadU6, AI i NLP samo su dio šireg proizvoda koji uključuje prilagođeni embedded hardver, IoT, web i mobilni softver te obradu u stvarnom vremenu. Vrijednost takvog proizvoda nije u etiketi „AI-powered”, nego u tome da inteligencija mora funkcionirati kao dio fizičkog, povezanog sustava.
Humanoidna robotika isti problem na razini sustava podiže na sasvim novu razinu.
Kada softver počne djelovati u fizičkom svijetu, kvaliteta modela postaje samo jedan dio arhitekture. Važni su senzori, povezivost i latencija. Jednako su važni izbor između lokalne i cloud obrade, ažuriranja, praćenje i vidljivost sustava, sigurnost, scenariji otkaza i pitanje tko snosi odgovornost za pogrešne odluke.
Chatbot može izmisliti pogrešan odgovor. Fizički sustav može pomaknuti pogrešan predmet, primijeniti preveliku silu ili otkazati u najgorem trenutku.
Zato sljedeći val umjetne inteligencije možda neće biti toliko o tome da model dodamo u svaki proizvod. Teži zadatak bit će projektirati sustave kojima ljudi mogu vjerovati kada umjetna inteligencija dobije mogućnost djelovanja.
Timovi koji grade povezane proizvode s umjetnom inteligencijom trebali bi te granice definirati već tijekom Product Discovery faze, prije nego što se pretvore u čvrsta produkcijska ograničenja.
Možda strojeve učimo da postanu sve sposobniji, ali zasad i dalje vjerujemo da rad s ljudima kojima je stalo ima stvarnu vrijednost.
Za Allmatics to znači izrazito osoban pristup, izravnu komunikaciju i tim koji se duboko uključuje u proizvode koje gradimo.
Zato smo, dok roboti još nisu preuzeli svijet, i dalje ovdje — gradimo softver s ljudima i za ljude. Ako imate ideju koju vrijedi realizirati, razgovarajmo.
Najčudniji dio robotske revolucije
Možda najzanimljivije kod humanoidnih robota nije to što strojevi postaju sličniji ljudima. Zanimljivije je to što nas njihovo učenje prisiljava da primijetimo koliko ljudske inteligencije postoji izvan jezika.
Prvom valu umjetne inteligencije dali smo proizvode našeg uma: tekst, kod, slike, dokumente i razgovore. Fizičkoj umjetnoj inteligenciji počinjemo davati ponašanje naših tijela.
Doslovno stvaramo skup podataka o samima sebi.
To nam ne govori hoće li za deset godina postojati milijun humanoida ili deset milijardi. Ne govori nam ni koji će poslovi nestati ni koji će novi zauzeti njihovo mjesto.
Ali jedno pitanje nakon toga teško je ignorirati.
Što se događa kada strojevi nauče dovoljno samo promatrajući nas?