← Powrót
lipiec 2026

Robot Foundation Models w fabryce: Pi-Zero, OpenVLA, GR00T N1.5 — koniec ery programowania robotów teach pendantem

Przez 50 lat robot przemysłowy uczył się jednego zadania przez programowanie trajektorii w teach pendant. W 2024–2026 pojawiły się trzy otwarte foundation models dla manipulacji robotycznej — Pi-Zero od Physical Intelligence, OpenVLA ze Stanford i GR00T N1.5 od NVIDIA — które obiecują koniec tej ery. Operator pokazuje robotowi co ma zrobić w VR/AR przez 5–10 demonstracji, model generyczny tłumaczy to na trajektorię w czasie rzeczywistym. Artykuł rozbiera, jak to dziś działa, gdzie wystarcza, a gdzie wciąż nie — plus realne implikacje dla integratorów MES w Polsce.

📅 6 lipca 2026🏭 AI✒ Martin Szerment
Robot Foundation Models w fabryce: Pi-Zero, OpenVLA, GR00T N1.5 — koniec ery programowania robotów teach pendantem

Przez 50 lat robot przemysłowy uczył się jednego zadania przez programowanie trajektorii w teach pendant — punkt po punkcie, kąt po kącie, godziny pracy integratora dla jednej operacji pick-and-place. Drugi wariant produktu wymagał drugiego programu. Trzeci — trzeciego. To była rzeczywistość FANUC, KUKA, ABB, Yaskawa od dekady osiemdziesiątej.

W 2024 i 2025 pojawiły się trzy projekty, które tę rzeczywistość rozbroiły. Pi-Zero (Physical Intelligence, listopad 2024) — pierwszy otwarty foundation model dla manipulacji robotycznej, trenowany na 10 tys. godzin demonstracji z różnych robotów. OpenVLA (Stanford, czerwiec 2024) — 7-miliardowy Vision-Language-Action model, który łączy LLM z polityką motoryczną. GR00T N1.5 (NVIDIA, Computex 2026) — pierwsza wersja produkcyjna NVIDIA foundation model dla humanoidów i robotów manipulacyjnych. Wszystkie trzy z otwartymi wagami.

W praktyce zmienia się model integracji robota z linii produkcyjnej. Operator pokazuje robotowi w VR co ma zrobić (teleoperacja, 5–10 demonstracji), model tłumaczy to na trajektorię w czasie rzeczywistym, MES zapisuje zadanie jako polecenie językowe plus kilka przykładowych demonstracji (few-shot). Nowy wariant produktu na linii? Robot bierze polecenie z MES-a, generuje ruch bez interwencji programisty.

Niżej rozbieram każdy z trzech modeli, gdzie to dziś realnie działa, gdzie jeszcze nie, i co znaczy dla polskich integratorów MES.

Co dzieje się dziś — teach pendant w 2026

Standardowa procedura uruchamiania nowego stanowiska robotycznego w polskim zakładzie w 2026 wygląda mniej więcej tak:

  1. Integrator spędza 3–5 dni z teach pendantem programując trajektorie — pozycje pickup, transitów, drop-off — dla każdego wariantu detalu (typowo 5–30 wariantów per linia)
  2. Walidacja jakości — kolejne 2–3 dni testów z prawdziwym materiałem, debug zderzeń, doszukiwania optimum prędkości vs jakości chwytu
  3. Dokumentacja — kod robota (KAREL dla FANUC, KRL dla KUKA, RAPID dla ABB) trafia do repozytorium, plus instrukcja zmiany wariantu dla operatora
  4. Zmiana wariantu produktu w produkcji — operator wybiera program z menu teach pendantu albo wyzwolenie przez MES — zmiana wariantu zajmuje 30–90 sekund (zwykle przeładowanie programu + parametrów)

Koszt jednego stanowiska: 15–40 tys. zł za robota + 20–60 tys. zł za pracę integratora — zależnie od złożoności. Czas wdrożenia 4–8 tygodni.

Słabe strony tego modelu są znane od dekad:

  • Brak generalizacji. Robot nauczony pakować butelki 0,5 L nie umie pakować butelek 0,7 L bez nowego programu, nawet jeśli różnica jest minimalna
  • Brak adaptacji do wariancji procesu. Detal nieco inaczej pozycjonowany na wejściu? Trajektoria nie pasuje, kolizja, stop produkcji
  • Koszt zmiany. Wprowadzenie nowego SKU = nowy projekt integratora 4–8 tygodni. To dyskwalifikuje robotyzację dla małoseryjnych zakładów (poniżej 5 tys. sztuk jednego wariantu)
  • Uzależnienie od dostawcy (vendor lock-in). Program w KAREL nie działa na KUKA. Klient ze stanowiskiem FANUC płaci 2× więcej za zmianę dostawcy

Pi-Zero — pierwsza ogólna polityka robotyczna

Physical Intelligence (założone 2024 w San Francisco, $400 mln finansowania w pierwszej rundzie) opublikowało Pi-Zero w listopadzie 2024. To foundation model dla manipulacji — analogicznie do GPT dla tekstu — trenowany na 10 tys. godzin demonstracji z różnych robotów: cobots Universal Robots, ALOHA (dual-arm system), Franka Panda, niektóre humanoidy.

Architektura: VLM (Vision-Language Model) jako szkielet + flow-matching action head dla generowania trajektorii. Wejście: kamera RGB + polecenie w języku naturalnym („pick up the red cup and place it in the box"). Wyjście: sekwencja akcji w przestrzeni stawów (joint space), 50 Hz.

Co istotne dla MES: few-shot transfer (transfer z kilku przykładów). Model przeszkolony na 10 tys. godzin ogólnych danych potrafi nauczyć się nowego zadania z 5–10 demonstracji (teleoperacja przez kontroler VR). Bez programowania, bez teach pendantu. Sukces w demonstracjach Physical Intelligence: składanie koszul (klasyczne zadanie tekstylne, dotychczas uważane za bardzo trudne), pakowanie wielowariantowe, podawanie narzędzi.

Pi-Zero otrzymał otwarte wagi w lipcu 2025 (HuggingFace pi0). Implementacja referencyjna w PyTorch, integracja z biblioteką LeRobot od Hugging Face. Dla integratora: bariery wejścia są niskie — GPU z 24 GB VRAM (RTX 4090 lub Jetson AGX Thor) wystarczą do inferencji, dostrajanie (fine-tune) wymaga klastra A100/H100 z 4–8 węzłów.

Realny przypadek: Covariant (kupione przez Amazon w 2024) używa pochodnej Pi-Zero w kompletacji magazynowej — 95% skuteczności w pakowaniu artykułów konsumenckich, z 12-godzinnym dostrajaniem dla nowego asortymentu zamiast 2-tygodniowej integracji.

OpenVLA — akademicki punkt odniesienia, ale działający

OpenVLA ze Stanforda i Berkeley to VLA (Vision-Language-Action) 7B model — Llama-2-7B jako szkielet + ViT (Vision Transformer) jako enkoder obrazu + liniowa głowica akcji. Trenowany na Open X-Embodiment — agregowanym zbiorze danych z 21 instytucji akademickich, 970 tys. trajektorii z 22 platform robotycznych.

Co jest interesujące dla przemysłu: otwartość kompletna. Kod, dane treningowe, wagi, skrypty dostrajania — wszystko w GitHubie pod licencją MIT. Można wziąć i postawić u siebie, bez negocjacji prawnych.

Praktycznie: OpenVLA jest gorszy niż Pi-Zero w manipulacji wieloetapowej, ale wystarczy dla pick-and-place jednorazowego (chwyt + przeniesienie + odłożenie). Latencja predykcji 60–80 ms na RTX 4090, skuteczność na typowych zadaniach przemysłowych 80–88%.

Zastosowanie dla MES: asystent operatora w trybie uczenia. Operator pokazuje robotowi nowy wariant detalu przez 3–5 demonstracji w VR, OpenVLA dostraja się 30 minut, wynik wystarczy do produkcji o niskich stawkach (kosmetyka, opakowania).

GR00T N1.5 — NVIDIA na Computex 2026

GR00T N1.5, prezentowany na Computex 2026 (omawiałem w retrospektywie keynote), to wersja produkcyjna NVIDIA foundation model. Co zmieniło się względem N1 (marzec 2026):

  • 300% więcej danych treningowych, znaczna część z syntetyków generowanych w Cosmos (NVIDIA world model)
  • Zero-shot manipulacja dla 50+ typów chwytaków — od dwupalczastych przez podciśnieniowe po multi-finger
  • Latencja 80 ms na Jetson Thor (był 220 ms na Jetson Orin AGX dla N1)
  • Wsparcie dla TwinCAT i Beckhoff w domyślnym zestawie wdrożeniowym — kluczowe dla europejskiego przemysłu, gdzie te platformy dominują automatykę

GR00T N1.5 ma najmocniejsze partnerstwa wśród trzech modeli. NVIDIA potwierdziła współpracę z FANUC, KUKA, Boston Dynamics, Agility Robotics. To znaczy, że w 2027 prawdopodobnie kupisz cobota FANUC z GR00T-em jako domyślną opcję integracji, a nie z klasycznym przepływem teach pendant.

Kompromis: GR00T jest otwarty pod względem wag, ale trening i dostrajanie wymagają sprzętu NVIDIA (Jetson Thor lub serwer z H100/B200). Dla mniejszych zakładów to znaczy USD 5–20 tys. dodatkowo na sprzęt w porównaniu do OpenVLA na konsumenckim GPU.

Co realnie zmienia się dla integratora MES

Cztery konkretne zmiany w 2026–2027:

1. Czas wdrożenia spada z tygodni do dni. Zamiast 4–8 tygodni programowania trajektorii — 2–5 dni: konfiguracja sprzętu, 5–10 demonstracji na zadanie, dostrajanie (30 min do 4 godzin), walidacja. Dla zakładu z 5–10 stanowiskami robotycznymi rocznie to oszczędność rzędu 200–400 tys. zł rocznie na pracy integratora.

2. Zmiana wariantu = nowe polecenie, nie nowy projekt. Operator pokazuje robotowi w VR nowy wariant przez 5–10 demonstracji. Robot generalizuje, MES rejestruje polecenie jako parametr zadania. Czas: 30–60 minut zamiast tygodni. To dyskwalifikuje argument „nie opłaca się robotyzować małoseryjnych" — próg opłacalności wdrożenia spada z 5 tys. sztuk do ~500 sztuk jednego wariantu.

3. MES staje się magazynem poleceń (prompts). Nowy obowiązek MES: trzymanie biblioteki poleceń dla każdego wariantu produktu, wersjonowanie ich, walidacja przez proces zatwierdzania (kto może modyfikować polecenie do robota? — to nowy poziom RBAC). To pasuje do istniejącego stosu OmniMES — polecenie to po prostu tekst plus odniesienie do demonstracji zapisanych w VR.

4. Uzależnienie od dostawcy spada. Pi-Zero, OpenVLA, GR00T — wszystkie trzy z otwartymi wagami, wszystkie wspierają wielu producentów robotów. Przejście z FANUC na KUKA przy dostrajanym foundation model wymaga 4–8 godzin ponownego treningu, a nie pełnego przepisania programu w innym języku DSL.

Gdzie to NIE działa — uczciwa lista

Cztery przypadki, w których teach pendant nadal wygrywa w 2026:

1. Wysoka precyzja (poniżej 0,1 mm tolerancji). Foundation models radzą sobie z manipulacją w skali 1–10 mm. Dla precyzyjnego montażu elektroniki (SMT, micro-soldering, fiber optic alignment) ich dokładność jest zbyt niska. Tu klasyczne programowanie ze sprzężeniem zwrotnym siły i momentu (force-torque) oraz dokładną kalibracją wygrywa o rząd wielkości.

2. Cykl czasowy poniżej 2 sekund na chwyt. Latencja predykcji 80 ms (GR00T) + planowanie + wykonanie to typowo 0,8–1,5 s na operację. Dla pakowania wysokoprzepustowego (np. linia rozlewania 12 tys. butelek/h) klasyczna trajektoria z PLC ma 200–400 ms cyklu — 3–5× szybciej.

3. Krytyczne dla bezpieczeństwa (safety-critical) w bezpośredniej współpracy z człowiekiem. Foundation models nie mają jeszcze certyfikacji ISO 10218 / ISO 13849 dla operacji objętych oceną bezpieczeństwa. Standardowy cobot z certyfikowanym zatrzymaniem bezpieczeństwa działa pod ISO. Foundation model jako pętla sterowania dla cobota wymaga osobnej warstwy bezpieczeństwa, którą trzeba zbudować od zera.

4. Bardzo wysokie obciążenie (powyżej 50 kg). Modele trenowane są głównie na cobotach i lekkich ramionach przemysłowych (poniżej 20 kg udźwigu). Manipulacja 100+ kg paletyzacja, automotive body-in-white welding — tu klasyczny robot przemysłowy z planowaniem offline w RobotStudio/RoboGuide wciąż jest właściwym wyborem.

Architektura referencyjna: MES + Robot Foundation Model

Stack, który spina foundation model z MES w sensowny sposób:

PLC / Robot Controller (FANUC R-30iB, KUKA KR C5, ABB OmniCore)
  ↕ EtherCAT / PROFINET (real-time, niezmienione)
GR00T-compatible Hardware (Jetson Thor lub edge GPU server)
  ↕ ROS 2 / DDS bridge
Foundation Model Inference (Pi-Zero / OpenVLA / GR00T N1.5)
  ↕ MQTT / Kafka events
MES Layer (OmniMES)
  ├── Prompt Store (per wariant produktu, w PostgreSQL)
  ├── Demonstration Library (VR recordings, S3-compatible)
  ├── Fine-tune Pipeline (orchestrated jobs)
  ├── Approval Workflow (RBAC dla promptów)
  └── Performance Monitoring (success rate per prompt, drift detection)

Kluczowy element to MES jako magazyn poleceń i demonstracji. Każde zadanie robotyczne to:

  • Polecenie językowe (np. „pick the red package from the conveyor and place it in slot 3")
  • 5–20 demonstracji VR na polecenie (jako odniesienie do ponownego treningu)
  • Wynik dostrajania jako artefakt (wagi modelu, ~200 MB)
  • Telemetria z produkcji (wskaźnik sukcesu, czas wykonania, kolizje)

To dokładnie pasuje do architektury danych w OmniMES — polecenia trzymane w PostgreSQL, demonstracje w magazynie obiektowym, telemetria w TimescaleDB jako time-series.

Co znaczy dla polskich integratorów

FANUC, KUKA, ABB, Universal Robots — wszystkie cztery zapowiedziały integracje z foundation models w 2026–2027. Dla polskich integratorów regionalnych (Aluprof, AC, Promet, Apena) to dwie ścieżki:

Ścieżka A: zostać klasycznym integratorem. Programowanie teach pendantem dla zadań o wysokiej precyzji, wysokiej przepustowości i krytycznych dla bezpieczeństwa zostaje. Margines pracy nie znika — w istocie rośnie, bo na rynku jest mniej osób gotowych pisać KAREL/KRL/RAPID dla naprawdę trudnych przypadków. Specjalizacja jako droga.

Ścieżka B: uczyć się foundation models, oferować integrację hybrydową. Klient dostaje klasycznego robota z foundation model jako domyślnym przepływem + klasyczne rozwiązanie zapasowe. Margines marketingowy duży — to nowa generacja oferty, brak konkurencji regionalnej do końca 2027. Wymaga inwestycji w kompetencje (PyTorch, ROS 2, stos NVIDIA) i sprzęt demonstracyjny (Jetson Thor + cobot do POC).

Realna prognoza: do końca 2027 ~30% nowych wdrożeń robotów w polskim przemyśle będzie miało foundation model jako opcję domyślną, 70% pozostanie klasyczne. Do 2030 te liczby się odwrócą.

Wnioski dla dyrektora produkcji

Trzy konkrety:

Po pierwsze, foundation models w robotyce w 2026 to nie moda — to dojrzała technologia z trzema produkcyjnymi modelami o otwartych wagach (Pi-Zero, OpenVLA, GR00T N1.5) i partnerstwami z dużymi producentami robotów (FANUC, KUKA, ABB). Realna ścieżka wdrożenia: 12–18 miesięcy od decyzji do pierwszego produkcyjnego POC.

Po drugie, najmocniejsza zmiana to ekonomia małoseryjnych. Foundation models robią ekonomicznie opłacalną robotyzację produktów, które do tej pory były ręczne (poniżej 5 tys. sztuk wariantu). Dla polskiego rynku produkcji na zamówienie (motoryzacja niszowa, elektronika konsumencka, opakowania premium) — to fundamentalna zmiana.

Po trzecie, MES staje się elementem stosu robotycznego, nie tylko obserwatorem. Nowa rola: magazyn poleceń, biblioteka demonstracji, proces zatwierdzania, monitorowanie wydajności. To wymaga rozszerzenia istniejącego MES lub wymiany na MES gotowy na integrację z AI. Pomocna jest architektura danych z TimescaleDB — telemetria z robotów to klasyczna time-series, którą hypertables obsługują bez modyfikacji.

Foundation models nie zastąpią klasycznego programowania robotów w 2026. Ale do 2028 stają się domyślną opcją integracji dla większości wdrożeń produkcyjnych. Polski przemysł, który zacznie eksperymentować w 2026, będzie miał 2-letnią przewagę nad konkurencją regionalną.

Źródła