2 czerwca 2026, Taipei. Jensen Huang otworzył Computex 2026 trzygodzinnym keynote, w którym po raz pierwszy w historii konferencji większość czasu poświęcił przemysłowi — robotyce, AI factories, digital twins. Konsumencka grafika dostała dziesięć minut na końcu. AMD odpaliło konferencję cztery godziny później, Intel następnego dnia rano. Trzy keynote'y, kilkanaście ogłoszeń, jeden wyraźny wniosek: edge AI na hali produkcyjnej przestaje być kategorią pilotaży.
Z perspektywy MES — pięć rzeczy w tej fali realnie zmienia mapę technologiczną na 2027. Nie wszystko z keynote ma znaczenie dla zakładu produkcyjnego, większość to demo, ale poniższa piątka ma konkretny pipeline produkcyjny w horyzoncie 12 miesięcy.
1. GR00T N1.5 — robot foundation model w wersji produkcyjnej
Project GR00T NVIDIA pokazała pierwszy raz w marcu 2024 jako platformę treningową dla humanoidów. GR00T N1 (marzec 2026) był pierwszą wersją z otwartymi wagami — ogólna polityka manipulacji, trenowana na 10 tysiącach godzin demonstracji od FANUC, ABB i Boston Dynamics. GR00T N1.5, pokazany 2 czerwca, to pierwsza wersja, którą NVIDIA pozycjonuje jako produkcyjną.
Co realnie się zmieniło między N1 a N1.5:
- 300% więcej danych treningowych — głównie z syntetyków generowanych w Cosmos (patrz pkt 2)
- Zero-shot manipulacja dla 50+ typów chwytaków — od dwupalczastych przez podciśnieniowe po multi-finger
- Latencja predykcji 80 ms na Jetson Thor (był wcześniej 220 ms na Jetson Orin AGX)
- Wsparcie dla TwinCAT i Beckhoff w domyślnym zestawie wdrożeniowym — to jest kluczowe dla europejskiego przemysłu
Co znaczy dla MES: pierwszy raz integracja robot-MES nie wymaga programowania trajektorii. Operator pokazuje robotowi w VR/AR czego chce (teleoperacja, 5–10 demonstracji), MES zapisuje zadanie jako polecenie językowe + kilka przykładowych demonstracji (few-shot). Następnym razem na linii pojawia się ten sam wariant produktu — robot bierze polecenie z MES-a, generuje trajektorię w czasie rzeczywistym.
Realistyczny harmonogram: Q4 2026 pierwsze produkcyjne pilotaże u dużych OEM (VW, Mercedes, BMW). 2027 dostępność dla średnich producentów przez integratorów (FANUC, KUKA już mają partnerstwa). Dla polskiego zakładu motoryzacyjnego — realny czas wdrożenia POC: początek 2027.
2. Cosmos 2.0 — world model do syntetycznych danych treningowych
Cosmos NVIDIA wypuściła w styczniu 2025 jako foundation model dla generowania syntetycznych scen 3D. Wersja 1.0 produkowała sekwencje video z fizyką, użyteczne głównie do treningu modeli autonomicznych. Cosmos 2.0 rozszerza to o diff-rendering: można wprowadzić własne CAD obiekty (np. brakujący wariant chwytaka, nowy typ opakowania) i Cosmos wygeneruje setki tysięcy realistycznych scen z tym obiektem w różnych oświetleniach, kątach, pozycjach.
Co znaczy dla computer vision w fabryce: do tej pory wdrożenie modelu detekcji wad jakościowych dla nowego SKU wymagało 3–6 miesięcy zbierania i oznaczania danych z realnej produkcji. Z Cosmos 2.0 — 5–10 dni renderowania syntetyków + 200–500 realnych zdjęć do dostrajania. Redukcja o 80–90% czasu wdrożenia dla nowego zastosowania computer vision.
NVIDIA pokazała konkretne demo z producentem czujników: nowy SKU od pomysłu do produkcyjnego modelu CV w 11 dni (vs poprzednie 4 miesiące w tym samym zakładzie z poprzednim procesem).
Bariera: jakość syntetyków zależy od dokładności CAD i shaderów PBR. Dla typowego polskiego producenta — to znaczy, że jeśli macie nowoczesny CAD (SolidWorks 2024+, Fusion 360) ze szczegółowymi materiałami, Cosmos 2.0 zadziała. Jeśli macie stary CAD bez tekstur — najpierw inwestycja w modernizację potoku CAD.
3. Omniverse Replicator + Mega ABBP — multi-agent factory simulation
Dotychczasowy Omniverse Replicator służył do generowania syntetycznych obrazów dla CV. Nowa wersja, prezentowana w demo z ABB i Boston Dynamics ("Mega ABBP"), to wieloagentowy symulator całej fabryki — wirtualna kopia hali, w której równolegle pracuje 10–100 robotów (różnych producentów), AGV-ki, ludzie, konwejery. Wszystko sterowane przez prawdziwy MES — ten sam, który będzie sterował fizyczną fabryką po wdrożeniu.
Co znaczy dla projektów greenfield i brownfield: walidacja układu hali i logiki MES przed wylaniem fundamentów (greenfield) lub przed dostawą nowych maszyn (brownfield). NVIDIA pokazała przypadek BMW iFactory — 8 tygodni symulacji zamiast 18 miesięcy iteracyjnych poprawek po uruchomieniu.
Praktyczna obserwacja: dotychczasowe symulatory fabryki (Tecnomatix Plant Simulation, FlexSim, AnyLogic) są dobre w logice strumienia produkcji, ale słabe w fizyce robotów i AI. Omniverse + Mega to pierwszy raz, gdy te dwie warstwy łączą się w jednym narzędziu. Cena licencji enterprise nie została podana — wcześniejsze Omniverse Enterprise to ~USD 9000 za stanowisko rocznie, prawdopodobnie podobnie lub wyżej.
Dla polskiego zakładu średniego to dziś jeszcze nie jest realne — chyba że jesteście dostawcą bezpośrednim dla OEM i to OEM finansuje symulację.
4. AMD Ryzen AI Max+ Pro — Jetson Orin ma konkurenta
AMD ujawnił Ryzen AI Max+ Pro — laptopowy chip z 96 GB zunifikowanej pamięci (unified memory), 50 TOPS NPU, zintegrowaną Radeon RDNA 4. Dla MES najważniejsze: cena referencyjna producenta to ~USD 1200, można nim uruchomić lokalnego Llamę 3.3 70B w pełnej precyzji (bez kwantyzacji) lub Phi-4 14B + Vision Language Model równolegle.
Porównanie do Jetson Orin AGX 64 GB:
- Cena: AMD ~USD 1200 vs NVIDIA ~USD 1999
- RAM: 96 GB vs 64 GB
- Pobór mocy: 120 W vs 60 W (AMD gorzej)
- Format brzegowy: AMD wymaga laptopa lub mini-PC, Jetson jest natywnie wbudowany
- Stos oprogramowania: AMD ROCm 7.0 vs NVIDIA CUDA — w 2026 ROCm wreszcie obsługuje większość modeli z HuggingFace bez modyfikacji
Co znaczy dla MES: dla edge AI w biurze utrzymania ruchu, w pokoju serwerowni zakładu, albo dla dedykowanego asystenta AI na linię produkcyjną — AMD Ryzen AI Max+ jest 40% tańszy niż Jetson AGX z 50% więcej RAM. Dla wdrożeń na samej hali, w pyle i przy 50°C — Jetson dalej wygrywa formą i poborem mocy.
Pierwsze partnerskie produkty (przemysłowe stacje robocze HP, Lenovo) zapowiedziane na wrzesień 2026. Dla nas — czas planowania zakupów Q4 2026/Q1 2027.
5. Intel Gaudi 3 + OpenVINO 2026 — koszt inferencji ML spada o 60%
Intel pokazał Gaudi 3 dla inferencji na brzegu (poprzednio tylko dla centrów danych), w formacie PCIe — można wstawić do każdego serwera 1U. Plus nowa wersja OpenVINO 2026 z natywną optymalizacją dla TimesFM, Chronos i pozostałych time-series foundation models (które omawiałem w poprzednim artykule).
Mierzone wartości z keynote: predykcja awarii dla 200 sensorów co 5 sekund — Gaudi 3 zużywa 18 W i kosztuje USD 2400, dorównuje wydajnością serwerowi z A100 (USD 25 000). To 10x niższy koszt CAPEX dla typowego potoku analityki MES.
Intel pokazał przypadek Foxconn — 4000 sensorów na fabryce iPhone'ów, jeden serwer Gaudi 3 zastępujący stos 3 serwerów GPU. Roczne oszczędności prądu: USD 28 000.
Dla średniego polskiego zakładu (50–200 sensorów) to jest realna alternatywa dla serwera GPU do lokalnego ML — przy szacowanym budżecie projektu 20–40 tys. zł na sprzęt (vs 200 tys. zł za odpowiednik NVIDIA).
Co realnie zmieni się dla polskiego producenta w 12 miesięcy
Trzy konkretne implikacje:
Po pierwsze, koszt edge AI w fabryce spada o połowę. AMD Ryzen AI Max+ i Intel Gaudi 3 to nie kosmetyka — to fundamentalna zmiana ekonomii. Lokalny LLM, lokalny multimodalny AI, lokalne potoki ML — wszystko w 2027 będzie kosztować rzędu USD 1–5 tys. CAPEX zamiast USD 20–50 tys. To otwiera dostęp dla zakładów z 50–200 pracownikami, dla których wcześniej tylko chmura była opłacalna.
Po drugie, computer vision dla nowych SKU wchodzi z miesięcy do tygodni. Cosmos 2.0 + Omniverse Replicator skraca cykl od "mamy nowy wariant produktu" do "MES rozpoznaje wady" o 80%. To zmienia kalkulację dla zakładów małoseryjnych — wcześniej CV się nie opłacało dla wariantów poniżej 5000 sztuk, teraz próg spada do około 500 sztuk.
Po trzecie, integracja robot-MES przestaje wymagać programisty robota. GR00T N1.5 w 2027 (realny czas wdrożenia) zmienia rolę integratora z "spędzasz tydzień na trajektorii pick-and-place" do "uczysz robota nowego wariantu przez 30 minut demonstracji". To redukuje koszt jednostkowy zmiany wariantu o 5–10x.
Bariery i czego keynote nie pokazał
Pięć rzeczy, które wymagają uczciwego komentarza:
Demo vs produkcja. GR00T N1.5 w demo na scenie sortuje kostki Tetris z 99% skutecznością. W realnej fabryce, w pyle i przy zmiennym oświetleniu, te metryki spadną. NVIDIA nie pokazała demo "po roku w realnej fabryce" — tego wciąż brakuje branży.
Cena nieskończona dla Omniverse Enterprise. Mega ABBP demo było spektakularne, ale licencjonowanie Omniverse dla średnich producentów ciągle jest poza zasięgiem. Czekamy na "Omniverse for SMB", którego NVIDIA nie zapowiedziała.
Brak SLA dla foundation models. GR00T jest z otwartymi wagami, ale to też znaczy "brak SLA". Dla integracji w pętli sterowania robotem, gdzie awaria modelu = stop linii, to jest poważny problem. Standardowo rozwiązuje się to przez rozwiązanie zapasowe (klasyczne reguły, jeśli foundation model nie ufa swojej predykcji), ale to dodatkowa warstwa do zbudowania.
Uzależnienie od dostawcy. CUDA, ROCm, oneAPI Intel — trzy ekosystemy, słaba interoperowalność. Jeśli dziś inwestujesz w stos Jetson, za 3 lata przeniesienie na AMD lub Intel będzie kosztowne. Open Neural Network Exchange (ONNX) pomaga, ale nie rozwiązuje problemu w 100%.
Brak ofert dla średnich polskich integratorów. Wszystkie demo robione były z producentami TIER-1 OEM (VW, BMW, Foxconn). NVIDIA i AMD nie pokazały ścieżki dla integratorów regionalnych, którzy obsługują 80% polskiego rynku MES. To luka, która prawdopodobnie wypełni się przez 2027 (gdy dystrybutorzy zaczną oferować gotowe do wdrożenia zestawy), ale dziś planowanie wdrożeń wymaga większego ryzyka niż dla TIER-1.
Wnioski dla dyrektora produkcji i CIO
Krótkoterminowo (Q3-Q4 2026): zacznij rozmowę z integratorem o pilotażu jednego zastosowania z nowego stosu. Najbezpieczniejsza ścieżka: Intel Gaudi 3 dla predykcji awarii (najmniejsza zmiana potoku, najszybszy ROI). AMD Ryzen AI Max+ jako lokalny asystent LLM — drugi wybór.
Średnioterminowo (2027): zaplanuj budżet inwestycyjny na drugą falę edge AI. Cosmos 2.0 + nowy potok CV dla zmienialnych wariantów produktu. GR00T N1.5 dla jednego stanowiska pilotażowego z robotem typu cobot.
Strategicznie (do 2028): rozważ wyjście z chmurowych LLM dla danych produkcyjnych. Lokalny stos na nowym sprzęcie staje się tańszy, szybszy w odpowiedzi, i fundamentalnie prostszy w kontekście zgodności z NIS2 (pisałem o tym w artykule o NIS2).
Computex 2026 nie był rewolucją w stylu ChatGPT 2022. Był serią inkrementalnych ogłoszeń, które w sumie zmieniają mapę ekonomii edge AI dla średniego producenta. Następne 12 miesięcy zdecyduje, kto pierwszy wykorzysta nową ekonomię — i czy polscy producenci zdążą, zanim niemiecka konkurencja zrobi to samo.
Źródła
- NVIDIA Project GR00T — strona produktu, dokumentacja techniczna
- NVIDIA Cosmos — strona world model, blueprint synthetic data
- NVIDIA Omniverse Enterprise — licencjonowanie i case studies
- AMD Ryzen AI Max+ announcement (Computex 2026) — specyfikacja i partnerstwa
- Intel Gaudi 3 PCIe (Computex 2026) — benchmark Foxconn case study
- OpenVINO 2026 release notes — optymalizacja TimesFM, Chronos
- Time-series Foundation Models w MES — nasz wcześniejszy artykuł o TSFM
- NIS2 i KSC2 w 2026 — kontekst regulacyjny lokalnego AI