Kabina bagru vypadá jako poslední bašta lidských rukou. Ve skutečnosti stroj už dávno řídí počítač a člověk mu dodává jenom rozhodnutí. Právě proto je nová řada robotických modelů zajímavější, než se na první pohled zdá: nejde o jednoho konkrétního humanoida, ale o mozek, který lze vložit do libovolného těla.
Joystick už netahá za ocelová lanka
Když bagrista pohne joystickem, nenapínají se nikde ocelová lanka ani se neroztáčejí těžká ozubená kola, jak to bývalo dřív. Obsluha ví, že potřebuje výkop přesně na určitém místě, lehce pohne rukou, počítač ten pohyb přečte a převede ho na povely pro hydrauliku. Tím to končí. Samotný stroj tedy dávno řídí počítač, člověk mu dodává pouze vstup.
A přesně tady se rýsuje budoucnost. Jakmile stejné povely dokáže místo člověka vytvářet něco jiného, změní se tenhle typ práce od základu. Ta proměna může být větší než ta, kterou umělá inteligence způsobila v kancelářích.
Proč lidé od ruční práce věří, že jsou v bezpečí
Mezi lidmi, kteří pracují rukama, se drží klid. Umělá inteligence si jde po těch, co celý den ťukají do počítače, fyzická práce je prý v bezpečí a roboti jsou roky daleko. Není těžké pochopit, proč tomu tolik lidí věří. Když se podíváte na dnešního špičkového robota za miliony dolarů, dojde k lampě, dokonale vyšroubuje prasklou žárovku, vezme novou a pustí ji na zem. Zázrak techniky, který pohoří na úplně základní domácí práci.
Proč by řemeslníka měl zajímat software, který je v praxi k ničemu? Jenže mnohem důležitější než jedno legrační video s nemotorným strojem je to, co se odehrává pod povrchem: jak se tyhle stroje učí pracovat se skutečným světem, jak rychle se zlepšují a co to může udělat s naší obživou.
Jedna inteligence do mnoha těl
Řeč je o nové řadě modelů Gemini Robotics 2 od Google DeepMind. Mimořádně zajímavé na ní je, že místo jednoho modelu obsahuje tři. Právě v tom je největší posun: nevznikl jeden konkrétní robot, ale inteligence, kterou lze vložit do nejrůznějších těl. Tři modely jsou přitom součástí jednoho společného mozku.
První se jmenuje VLA, tedy Vision Language Action, vidění, jazyk, akce. Stará se o pohyb celého těla, od chůze přes rovnováhu až po práci jemných prstů. Podstatné je, jak to dělá. Zatímco jazykový model předpovídá další slovo, VLA sleduje obraz z kamer, poslouchá pokyn a místo slova předpovídá, jaký kroutivý moment má vyvinout konkrétní motor. Když mu řeknete, ať něco chytí, převede ten příkaz rovnou do pohybu kloubů. Překládá jazyk do pohybu.
Paměť, plánování a model, který běží přímo na stroji
Pohyb ale nestačí. Když má robot vyzdít barák, čeká ho několik hodin nebo měsíců práce a musí si pamatovat, kam si před dvaceti minutami odložil kladivo. Od toho je tady druhý model Gemini Robotics ER 2, tedy Embodied Reasoning, vtělené uvažování. Jeho kontextové okno má kolem 128 tisíc tokenů. U chatbota kontextové okno znamená, co si model bude pamatovat z konverzace. U robota znamená prostorovou a časovou paměť: ví, že kladivo položil do rohu, neztratí o tom přehled, když se otočí, a dokáže sledovat postup v dlouhé řadě úkolů. Funguje v podstatě jako manažer provozu, plánuje práci na minuty i hodiny dopředu a umí koordinovat i několik robotů najednou.
To všechno je ovšem k ničemu, když na stavbě není wi-fi. Proto existuje třetí model Gemini Robotics On-Device 2, který běží přímo na stroji. Robot se nemusí při každém kroku ptát obřího serveru v Kalifornii, co má dělat. Když nese těžký nosník, není dobrý nápad, aby se uprostřed pohybu zasekl jenom proto, že vypadl internet.
Raná generace, která se novému tělu naučí za pár hodin
Zní to skvěle, jenže v praxi to zatím spíš nefunguje, než funguje. Jde o hodně ranou generaci technologie. Představte si model GPT-2, po kterém chcete, aby zvládl dnešní těžký test. Při dobré představivosti v tom vidíte potenciál, reálně se to ale použít nedá.
Zajímavá je rychlost, s jakou se model dokáže přizpůsobit novému tělu. Během několika hodin se naučí ovládat jednoduché robotické rameno i dvouramennou platformu a stačí mu k tomu méně než dvě stě ukázek. Pomáhá mu kinematické mapování: sleduje cíl, třeba cihlu, rozpozná ho a převede si pohyb lidských kloubů na pohyb vlastních. Pak během pár minut vyzkouší tisíce variant, ale jen v simulaci. Spočítá si, jak se musí se svou hmotností a se svými motory pohnout, aby dosáhl stejného výsledku. Než se ve skutečnosti hne o centimetr, má ten pohyb tisíckrát vyzkoušený tam, kde nemůže nic rozbít.
Žárovka, smeták a čísla, která nelichotí
U obyčejných domácích prací nadšení rychle opadne. Starou žárovku robot vyšroubuje s úspěšností 92 procent, novou zašroubuje jen ve 36 procentech případů. Smetí smetákem na lopatku smete zhruba ve 32 procentech, a to velmi pomalu. Pouští věci na zem a dělá chyby, jaké by neudělalo ani dítě. Proč tedy vůbec někdo mluví o revoluci ve stavebnictví a průmyslu, když systém za miliony dolarů nezvládne spolehlivě zamést podlahu, s čímž si poradí běžný domácí vysavač?
Protože důležitější než dnešní stav je tempo, jakým se to zlepšuje. Vzpomeňte si, jak vypadala umělá inteligence před rokem 2022. Pro většinu lidí zajímavá hračka, překladač nebo navigace. Psala nesmyslné básničky a kreslila obrázky s dvanácti prsty na ruce. Během krátké doby se dostala do bodu, kdy začala být skutečně použitelná, a dnes mění kancelářskou práci po celém světě. Šedesát let příprav, pak dva až čtyři roky exploze.
Něco podobného se teď začíná dít u robotů. Na levném rameni se úspěšnost během jediné generace softwaru zvýšila ze 6 na 53 procent, u pokročilejších úkolů z 24 na 75 procent. Hardware přitom zůstal úplně stejný, vyměnil se jenom mozek. Kdo chce odhadnout, co tyhle stroje udělají s fyzickou prací, nesmí se dívat jen na to, co dnes neohrabaně dovedou. Podstatné je tempo, jakým se učí.
Rozeberte si vlastní práci na součásti
U kancelářské práce už zhruba víme, co dělat. Nesnažit se umělé inteligenci konkurovat, protože v tom nemá člověk šanci, ale naučit se s ní spolupracovat. Vyžaduje to ovšem šílenou změnu uvažování. Musíte začít mnohem víc přemýšlet nad tím, jak vaše práce vlastně funguje a z čeho se skládá: které činnosti děláte pořád dokola, kde se rozhodujete, kde komunikujete a kde jenom přesouváte informace z jednoho místa na druhé. A stejná otázka čeká i manuální profese.
Největší omyl v debatách o automatizaci je představa, že výměna proběhne kus za kus. Že přijde robot, začne dělat přesně to, co jste doteď dělali vy, a vy dostanete padáka. Ve skutečnosti to funguje jinak. Automatizace některé činnosti odstraní, ale zároveň umožní dělat věci, na které dřív nebyl čas, peníze ani lidi. Skutečná otázka nezní, jestli vás robot nahradí, ale jestli se naučíte pracovat po jeho boku.
Robotům budete dávat jména
Tady se objevuje problém, který se netýká techniky, ale lidí. V armádě používali robota jménem Boomer, který zneškodňoval výbušniny. Dálkově ovládané autíčko s ramínkem, kus plastu a kovu. Když ho při akci zničili, vojáci mu uspořádali pohřeb, udělili medaili a vypálili čestnou salvu. Jakmile se nějaká věc pohybuje sama, máme tendenci přisuzovat jí osobnost. A když navíc mluví, překročí hranici, které sociologové říkají sociální práh.
Párkrát jsme to už viděli. Inženýr Googlu se bavil s textovým modelem LaMDA tak dlouho, až uvěřil, že jde o živou bytost uvězněnou na serveru, přitom měl před sebou jenom text na obrazovce. Nemalému množství lidí se dnes totéž děje s chatboty. A teď si představte humanoida vysokého 180 centimetrů, který vedle vás na stavbě nese sádrokartonovou desku. Budete mu dávat jméno, bude vám ho líto, když spadne, a začnete mu důvěřovat jako kolegovi.
Jenže kolega to není. Je to pseudoagent bez vlastní morálky, bez schopnosti cítit bolest a bez vědomí v podobě, jak ho známe u lidí. Jenom se chová tak, že to zvenčí vypadá přesvědčivě. A na rušné stavbě může být tahle přesvědčivost smrtelně nebezpečná.
Sémantická bezpečnost: stroj musí umět říct ne
V DeepMindu si to zřejmě uvědomují, a proto spolu s modely představili bezpečnostní benchmark Asimov, který rozlišuje fyzickou a sémantickou bezpečnost. Fyzická je jasná: robot vám nesmí šlápnout na nohu a má splňovat další zákony robotiky. Kdo je nezná, má sáhnout po knize Já, robot, rozhodně ne po jejím filmovém zpracování.
Sémantická bezpečnost je něco jiného. Stroj musí pochopit skutečný význam toho, co říkáte a jak to myslíte. Když ze žebříku zakřičíte na robota, ať vám hodí pilu, stroj zaměřený jen na provedení příkazu si může spočítat dráhu letu a hodit ji po vás. Sémanticky bezpečný robot si uvědomí, že házet těžké ostré nářadí po člověku na žebříku není dobrý nápad, a zkusí něco rozumnějšího, případně to raději neudělá vůbec. Rozumět člověku neznamená slepě ho poslouchat. Stroj musí umět říct ne, protože člověk si často neuvědomuje, že mluví se strojem.
ER 2 navíc hlídá, jak daleko se od něj pohybují lidé. Když se někdo dostane příliš blízko, okamžitě zastaví a rozejde se, až si ověří, že má kolem sebe volný prostor. Nemusíte tedy stát vedle něj uprostřed stavby, stačí na něj dohlížet z bezpečné vzdálenosti.
Z kabiny do klimatizované místnosti
Tím se vracíme na začátek. Odpojíte joystick, bagr osadíte kamerami a povely místo lidského mozku začne posílat VLA. Stroj má lepší výhled, kamery všude okolo, v milisekundách reaguje na změnu tvrdosti půdy a po deseti hodinách v kabině nedostane úpal.
Znamená to, že bagrista zmizí? Spíš bude fungovat jako instruktor v autoškole, který má vlastní brzdu. Bude sledovat, co systém dělá, opravovat ho a zasáhne, když hrozí, že stroj překopne neoznačený vodovod nebo optický kabel. Bude řešit situace, se kterými se model při tréninku nesetkal, a přitom ho dál učit. V druhé fázi už bude systém natolik spolehlivý, že obsluha nebude muset sedět přímo v mašině. Sundá si helmu, sedne si do klimatizované místnosti a nebude dohlížet na jeden bagr, ale třeba na deset. Nebude celý den řešit každý jednotlivý pohyb, zasáhne až ve chvíli, kdy si jeden ze strojů nebude vědět rady.
Práce je víc než lidí, kteří ji umějí udělat
Neznamená to, že by ruční řemeslo zmizelo a všechno dělali roboti. Nábytek, keramiku a další věci, na kterých je poznat práce konkrétního člověka, budeme chtít dál. Jenže ne každý bude vyrábět hrnky a zakázkové stoly. Civilizace má před sebou obrovské množství fyzické práce, kterou musí někdo udělat. Stačí se podívat na silnice, po kterých jezdíte, na mosty, které se rozpadají, nebo na množství domů a firem, které nestíháme postavit. Té práce je jednoduše mnohem víc než lidí, kteří ji dovedou udělat. Roboti proto vůbec nemusejí lidi ze staveb vyhnat. Stačí, když jednomu člověku umožní zvládnout několikanásobně víc práce, odvést ji lépe a pustit se do věcí, na které dosud nepomyslel.
Pro toho, kdo se živí rukama, z toho plyne jedna nepříjemná věc. Můžete dál dělat svou práci stejně jako doteď a za deset let se jednoho rána probudit do zjištění, že ji dělá někdo, kdo šéfuje deseti robotům, a levněji než vy. Druhá možnost je začít přemýšlet už teď, v čem vaše práce doopravdy spočívá. Vy totiž nepokládáte cihly. Stavíte zeď, která musí stát na správném místě, něco unést a fungovat i ve chvíli, kdy plán neodpovídá realitě. Neovládáte bagr, ale rozhodujete o tom, kde má vzniknout výkop a čemu se musí stroj vyhnout, když narazí na něco, s čím nikdo nepočítal.
Závěr
Samotné pohyby se stroj dřív nebo později naučí dělat sám. Hodnota manuální práce se proto přesouvá z rukou do hlavy, ke schopnosti rozumět problému, který se těmi pohyby řeší. Kdo chce i v budoucnu pracovat rukama, bude u toho muset začít zapojovat hlavu.
