← 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 (telep operacja, 5–10 demonstracji), model tłumaczy to na trajektorię w czasie rzeczywistym, MES zapisuje zadanie jako prompt plus few-shot demonstrations. Nowy wariant produktu na linii? Robot bierze prompt 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 trigger przez MES — zmiana waria 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)
  • Vendor lock-in. Program w KAREL nie działa na KUKA. Klient ze stanowiskiem FANUC płaci 2× więcej za zmianę dostawcy

Pi-Zero — pierwszy generic robot policy

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 + język naturalny prompt („pick up the red cup and place it in the box"). Wyjście: sekwencja akcji w przestrzeni joint space, 50 Hz.

Co istotne dla MES: few-shot transfer. Model przeszkolony na 10 tys. godzin generic data potrafi nauczyć się nowego zadania z 5–10 demonstracji (teleoperacja przez VR controller). 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, fine-tune wymaga klastra A100/H100 z 4–8 nodes.

Realny case: Covariant (kupione przez Amazon w 2024) używa pochodnej Pi-Zero w warehouse picking — 95% recall w pakowaniu artykułów konsumenckich, z 12-godzinnym fine-tunem dla nowego asortymentu zamiast 2-tygodniowego integracji.

OpenVLA — academic baseline, ale działający

OpenVLA ze Stanforda i Berkeley to VLA (Vision-Language-Action) 7B model — Llama-2-7B jako backbone + ViT (Vision Transformer) jako encoder obrazu + linear action head. Trenowany na Open X-Embodiment — agregowany dataset z 21 instytucji akademickich, 970 tys. trajektorii z 22 platform robotycznych.

Co jest interesujące dla industri: otwartość kompletna. Kod, dane treningowe, wagi, scripty fine-tune — 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, recall na typowych zadaniach przemysłowych 80–88%.

Use case dla MES: asystent operatora w training mode. Operator pokazuje robotowi nowy wariant detalu przez 3–5 demonstracji w VR, OpenVLA fine-tune'uje się 30 minut, wynik wystarczy do produkcji nisko-stake'owej (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 default deployment kit — 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 default integration option, nie z classical teach pendant flow.

Trade-off: GR00T jest open weight, ale trening i fine-tune wymagają NVIDIA Hardware (Jetson Thor lub serwer z H100/B200). Dla mniejszych zakładów to znaczy USD 5–20 tys. dodatkowo na hardware vs 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: setup hardware, 5–10 demonstracji per zadanie, fine-tune (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 = nowy prompt, nie nowy projekt. Operator pokazuje robotowi w VR nowy wariant przez 5–10 demonstracji. Robot generalizuje, MES rejestruje prompt jako parametr zadania. Czas: 30–60 minut zamiast tygodni. To dyskwalifikuje argument „nie opłaca się robotyzować małoseryjnych" — próg dochodu wdrożenia spada z 5 tys. sztuk do ~500 sztuk jednego wariantu.

3. MES staje się store of prompts. Nowy obowiązek MES: trzymanie biblioteki promptów per wariant produktu, wersjonowanie ich, walidacja przez approval workflow (kto może modyfikować prompt do robota? — to nowy poziom RBAC). To pasuje do istniejącego stack-u OmniMES — prompt to po prostu tekst plus reference do VR-recorded demonstrations.

4. Vendor lock-in spada. Pi-Zero, OpenVLA, GR00T — wszystkie three open weight, wszystkie wspierają wielu producentów robotów. Przejście z FANUC na KUKA przy fine-tunowanym foundation model wymaga 4–8 godzin re-training, 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. High-precision (poniżej 0,1 mm tolerancji). Foundation models radzą sobie z manipulacją w skali 1–10 mm. Dla precyzyjnej assembly elektronicznej (SMT, micro-soldering, fiber optic alignment) ich dokładność jest zbyt niska. Tu klasyczne programowanie z force-torque feedback i dokładną kalibracją wygrywa o rząd wielkości.

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

3. Safety-critical w bezpośredniej współpracy z człowiekiem. Foundation models nie mają jeszcze certyfikacji ISO 10218 / ISO 13849 dla operacji safety-rated. Standardowy cobot z certified safety stop działa pod ISO. Foundation model jako control loop dla cobota wymaga osobnej warstwy safety, którą trzeba zbudować od zera.

4. Bardzo wysokie obciążenie (powyżej 50 kg). Modele trenowane są głównie na cobots i lekkich industrial arms (poniżej 20 kg payload). Manipulacja 100+ kg paletyzacja, automotive body-in-white welding — tu klasyczny industrial robot 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 store of prompts and demonstrations. Każde zadanie robotyczne to:

  • Prompt językowy (np. „pick the red package from the conveyor and place it in slot 3")
  • 5–20 demonstracji VR per prompt (jako reference dla retraining)
  • Wynik fine-tune jako artifact (model weights, ~200 MB)
  • Telemetria z produkcji (success rate, czas wykonania, kolizje)

To dokładnie pasuje do architektury danych w OmniMES — prompty trzymane w PostgreSQL, demonstracje w obiektowym storage, 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 classical integratorem. Programowanie teach pendantem dla high-precision / high-throughput / safety-critical 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 hybrid integration. Klient dostaje classical robot z foundation model jako default flow + classical fallback. Margines marketingowy duży — to nowa generacja oferty, brak konkurencji regionalnej do końca 2027. Wymaga inwestycji w kompetencje (PyTorch, ROS 2, NVIDIA stack) i hardware demo (Jetson Thor + cobot do POC).

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

Wnioski dla dyrektora produkcji

Trzy konkrety:

Po pierwsze, foundation models w robotyce w 2026 to nie hype — to dojrzała technologia z trzema produkcyjnymi modelami open weight (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 custom manufacturing (motoryzacja niszowa, elektronika konsumencka, opakowania premium) — to fundamentalna zmiana.

Po trzecie, MES staje się elementem stacka robotycznego, nie tylko obserwatorem. Nowa rola: store of prompts, demonstration library, approval workflow, performance monitoring. To wymaga rozszerzenia istniejącego MES lub wymiany na MES gotowy na AI integration. 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 default integration option dla większości wdrożeń produkcyjnych. Polski przemysł, który zacznie eksperymentować w 2026, będzie miał 2-letnią przewagę nad konkurencją regionalną.

Źródła