SynapX wypuścił SYNData. Roboty uczą się od ludzi

• SynapX wypuścił SYNData - system do zbierania danych multimodalnych dla robotów
• Łączy wizję z perspektywy pierwszej osoby, sygnały EMG i rękawice egzoszkieletowe
• Cel: skalowalne zbieranie danych o precyzyjnych manipulacjach ludzkich rąk
• To krok w stronę robotów uczących się od ludzi, nie z kodu

Powtarzają, że roboty nauczą się wszystkiego same. Nieprawda. Najpierw muszą zobaczyć, jak to robią ludzie - i zrozumieć nie tylko ruch, ale intencję. SynapX właśnie wypuścił narzędzie, które to umożliwia.

System, który rejestruje więcej niż ruch dłoni

SYNData to system do zbierania danych multimodalnych dla robotów. W praktyce chodzi o to, żeby robot zobaczył, co robisz - i nauczył się tego samego.

System składa się z trzech komponentów:

• Wizja z perspektywy pierwszej osoby (ego vision) - kamera rejestruje to, co widzisz podczas wykonywania zadania
• Sygnały EMG - czujniki mięśniowe mierzą aktywność elektryczną mięśni, pokazując nie tylko ruch, ale napięcie i siłę
• Rękawice egzoszkieletowe - śledzą pozycję i ruch każdego palca z precyzją, jakiej nie da kamera

Dlaczego to ma znaczenie? Robot nie uczy się z kodu. Uczy się z danych - i im lepsze dane, tym lepszy robot.

Dlaczego roboty potrzebują danych o ludzkich dłoniach

Większość robotów przemysłowych działa w kontrolowanym środowisku. Powtarzają te same ruchy, w tym samym miejscu, z tymi samymi obiektami. Jeśli chcesz robota, który potrafi złożyć telefon, posortować odpady albo podać Ci narzędzie - musisz nauczyć go manipulacji zręcznościowej (dexterous manipulation).

Problem? Ludzkie dłonie to 27 kości, 34 mięśnie i dziesiątki stopni swobody. Zaprogramowanie tego od zera to koszmar. Dlatego firmy jak SynapX stawiają na uczenie przez demonstrację - robot obserwuje człowieka i uczy się naśladować.

Żeby to zadziałało, potrzebujesz danych. Dużo danych. Nie tylko wideo - potrzebujesz informacji o sile, napięciu mięśni, pozycji palców. Dokładnie tego, co rejestruje SYNData.

Co dają sygnały EMG

Kamera pokaże Ci ruch dłoni. Nie powie, jak mocno ściskasz obiekt. Nie powie, czy napinasz mięsień, żeby ustabilizować chwyt, czy żeby przygotować się do kolejnego ruchu.

Sygnały EMG (elektromiografia) mierzą aktywność elektryczną mięśni. To dodatkowa warstwa informacji - robot widzi nie tylko co robisz, ale jak to robisz. To robi różnicę między robotem, który upuszcza szklanki, a robotem, który podaje Ci kawę.

Skalowalne zbieranie danych - to jest cel

SynapX nie mówi wprost, ile danych potrzeba, żeby wytrenować robota do konkretnego zadania. Mówi o skalowalnym zbieraniu - co sugeruje setki godzin nagrań, tysiące demonstracji.

Dlaczego to ważne? Roboty uczące się z danych potrzebują ogromnych zbiorów, żeby generalizować. Jeden przykład złożenia telefonu to za mało. Robot musi zobaczyć 100 osób składających 100 różnych telefonów w 100 różnych warunkach - wtedy zaczyna rozumieć zasadę, nie tylko sekwencję ruchów.

SYNData ma to umożliwić. System jest zaprojektowany tak, żeby można było go użyć w różnych miejscach, przez różne osoby, bez potrzeby kalibracji w laboratorium.

Kto z tego skorzysta

Firmy budujące roboty humanoidalne i manipulatory. Laboratoria badawcze trenujące modele AI dla robotyki. Producenci, którzy chcą nauczyć roboty montażu, sortowania, pakowania.

Także - potencjalnie - firmy rozwijające rozwiązania Przemysłu 5.0, gdzie roboty współpracują z ludźmi, nie zastępują ich.

Co to zmienia w embodied AI

Embodied AI to AI, które działa w fizycznym świecie - nie tylko przetwarza tekst czy generuje obrazy, ale porusza się, manipuluje obiektami, reaguje na otoczenie. Spot od Boston Dynamics z Gemini to przykład - robot z AI, który rozumie kontekst i podejmuje decyzje.

Żeby AI mogło kontrolować robota, potrzebuje danych treningowych. Tu pojawia się SYNData. System zbiera dane multimodalne - wizję, EMG, pozycję palców - w formacie, który można użyć do treningu modeli AI.

To krok w stronę robotów, które uczą się od ludzi, nie od inżynierów. Pokazujesz robotowi, jak coś zrobić - on obserwuje, analizuje, trenuje model i powtarza. Bez pisania kodu.

Czy to zadziała w Polsce

SynapX nie podał informacji o dostępności systemu w Europie ani o cenach. Jeśli myślisz o robotyce Jeśli chodzi o polskiego przemysłu - to narzędzie ma sens dla firm, które:

• Budują własne rozwiązania robotyczne (np. integratorzy automatyki)
• Prowadzą badania w zakresie AI i robotyki (uczelnie, instytuty)
• Testują roboty współpracujące w produkcji (automotive, elektronika)

Polska ma rosnący sektor robotyki - GE Aerospace testuje roboty w naprawach silników, polskie firmy integrują roboty w fabrykach. Narzędzia do zbierania danych treningowych mogą przyspieszyć rozwój lokalnych rozwiązań.

Perspektywa: dane to nowa ropa naftowa robotyki

Za 12 miesięcy zobaczymy więcej systemów jak SYNData. Firmy budujące roboty zrozumiały, że wąskim gardłem nie jest hardware - to dane treningowe. Im więcej danych o ludzkich manipulacjach, tym lepsze modele AI, tym sprawniejsze roboty.

SynapX nie jest pierwszy - Spirit AI wypuścił model dla robotów, który pokonał konkurencję właśnie dzięki lepszym danym treningowym. SYNData to narzędzie, które może demokratyzować dostęp do takich danych.

Pytanie nie brzmi "czy roboty nauczą się manipulacji". Pytanie brzmi: kto zbierze dane wystarczająco szybko, żeby wygrać wyścig.