1. Naslov i uvod
Dok se društvene mreže pune videima humanoidnih robota koji plešu, prava revolucija možda se događa tamo gdje je manje glamurozno: na radnom stolu uz kartonske kutije i sitne dijelove. Startup Generalist tvrdi da je njegov novi model GEN‑1 postigao oko 99 % uspješnosti u takvim zadacima. To više nije demo za sajam, nego ozbiljna prijetnja statusu quo u skladištima i pogonima. U nastavku analiziram što GEN‑1 realno mijenja, zašto bi to mogao biti „GPT‑3 trenutak” za fizički rad i što to znači za Europu i regiju jugoistočne Europe.
2. Vijest ukratko
Prema pisanju Ars Technice, tvrtka Generalist predstavila je GEN‑1, sustav „fizičke umjetne inteligencije” za upravljanje robotskim rukama i rukama‑hvataljkama. Model je treniran na više od 500.000 sati podataka prikupljenih pomoću nosivih „data hands” uređaja – svojevrsnih kliješta koja snimaju mikropokrete i sliku dok ljudi obavljaju ručne zadatke.
GEN‑1, tvrdi Generalist, postiže oko 99 % uspjeha u zadacima poput preklapanja kutija, pakiranja telefona, sortiranja autodijelova i osnovnog servisiranja robotskih usisavača. U odnosu na prethodni model GEN‑0, sustav je otprilike tri puta brži i treba mu oko sat vremena dodatne prilagodbe da svoje vještine uskladi s konkretnom robotskom konfiguracijom. Ključna razlika je sposobnost improvizacije i oporavka od pogrešaka – robot može reagirati na poremećaje i koristiti poteze koji nisu eksplicitno bili prikazani u podacima za učenje. Generalist smatra da se time prelazi prag za ekonomski isplativi rad u stvarnim proizvodnim okruženjima.
3. Zašto je to važno
U robotici je ključni skok prelazak iz domene „impresivno na videu” u „dosadno pouzdano u tri smjene”. GEN‑1 tvrdi da je upravo na tom prijelazu.
Klasični industrijski roboti briljiraju u krutim, ponavljajućim zadacima: zavarivanje, lakiranje, manipulacija uvijek istih dijelova. No čim se pojave mekani objekti (odjeća, vrećice, kabele) ili česte promjene proizvoda i ambalaže, trošak integracije i održavanja sustava naglo raste. U praksi to znači da se golem broj zadataka u logistici i montaži i dalje oslanja na ljudske ruke – često u pogonima u srednjoj i istočnoj Europi, uključujući Hrvatsku i susjedne zemlje.
Ako jedan generički model može raditi na različitim robotskim rukama, u sat vremena se prilagoditi novom okruženju i zatim obavljati cijelu klasu zadataka s oko 99 % uspjeha, ekonomika se mijenja. Umjesto višemjesečnog projekta prilagođene automatizacije za jedan proizvod, integrator može uzeti „temeljni model za ruke” i ga doraditi za konkretnog klijenta.
Tko kratkoročno dobiva:
- logistički centri i e‑trgovina, gdje se asortiman stalno mijenja,
- proizvođači u lohn‑sustavu i dobavljači auto/moto i elektronike,
- sistemski integratori, koji svoje znanje mogu pretvoriti u skalabilne module.
Tko potencijalno gubi:
- radnici niže kvalifikacije u komisioniranju, pakiranju i doradi,
- dobavljači usko specijaliziranih robotskih stanica, čija je prednost bila ručno uglađena pouzdanost.
Strateški je važno i to da se fokus inženjerskog rada pomiče s „programiranja svakog pomaka” na definiranje ciljeva, ograničenja i sigurnosnih pravila. Kao i kod velikih jezičnih modela, moć se koncentrira kod onih koji imaju podatke i računalnu infrastrukturu, a manje kod onih koji samo poznaju PLC‑e i klasičnu automatiku.
4. Šira slika
GEN‑1 je dio šire utrke: kako primijeniti temeljne modele na fizički svijet. Posljednjih mjeseci vidjeli smo nekoliko pristupa:
- Google Gemini Robotics spaja multimodalne modele s planiranjem gibanja kako bi roboti razumjeli naloge u prirodnom jeziku,
- startupi poput Physical Intelligence treniraju manipulaciju u simuliranim kućanstvima pa prenose naučeno na stvarne robote,
- Tesla Optimus cilja humanoidni oblik, ali prema riječima samog Tesle još ne obavlja korisne zadatke u tvornicama.
Generalist bira prizemniju strategiju: umjesto šetajućih humanoida, fokus na rukama koje rade konkretne zadatke u stanicama za koje postoji jasan poslovni slučaj. To je pristup koji je za našu regiju većinom mnogo relevantniji. Proizvođača u Krapini ili Nišu u pravilu manje zanima kako robot izgleda, a više koliko smanjuje škart i koliko pouzdano radi kroz tri smjene.
Povijesno smo u automatizaciji već vidjeli ovakve prijelome: od ručnog do NC/CNC upravljanja, od krutih logičkih pravila do strojnog učenja. Svaki put dio „magije” prijeđe iz glava stručnjaka u modele trenirane na podacima. Razlika kod robotike je što su kvalitetni podaci o ljudskoj manipulaciji bili skupi i rijetki. Generalistov pristup s „data hands” pokušaj je da se to promijeni – da se, karikirano, svaka ljudska ruka u pogonu pretvori u senzor za treniranje budućih robota.
Ako analogija s GPT‑3 drži vodu, GEN‑1 nije konačno rješenje, ali jest platforma na kojoj mogu nicati specijalizirane aplikacije – od pametnih skladišta do automatiziranih laboratorija.
5. Europski i regionalni kut
Za Hrvatsku i regiju jugoistočne Europe ova tehnologija dolazi u osjetljivom trenutku. S jedne strane, zemlje poput Hrvatske, Srbije, Rumunjske ili Bugarske i dalje privlače investicije nižom cijenom rada. S druge strane, demografski pad i emigracija znače da poslodavci sve teže pronalaze radnike za skladišta i proizvodne linije.
EU kao cjelina, čija je Hrvatska dio, uvodi Akt o umjetnoj inteligenciji (EU AI Act) koji će sustave za upravljanje strojevima u radnom okruženju vrlo vjerojatno tretirati kao visokorizične. To donosi obveze dokumentiranja, upravljanja rizicima i ljudskog nadzora. Istodobno, GDPR postavlja pitanja oko prikupljanja stotina tisuća sati podataka o pokretima radnika: tko je vlasnik tih podataka, kako se anonimiziraju i mogu li se kasnije zloupotrijebiti za nadzor produktivnosti.
Za hrvatske i regionalne integratore – od tvrtki koje automatiziraju prehrambenu industriju do logistike u lukama Rijeka i Ploče – otvara se prilika da postanu „prevoditelji” između globalnih modela i lokalnih procesa, zakona i radne kulture. To uključuje ne samo tehniku, nego i rad s sindikatima, inspekcijama i osiguravateljima.
Ujedno, ovakva tehnologija može promijeniti logiku ulaganja: umjesto da se proizvodnja seli tamo gdje je rad najjeftiniji, isplativije može postati ulagati u visoko automatizirane pogone bliže tržištu – bilo da je to sjeverna Italija, Slovenija ili Hrvatska.
6. Pogled unaprijed
Sljedećih 2–4 godine vjerojatno nećemo vidjeti GEN‑1 u kućnim usisavačima ili robotima koji slažu veš u dnevnoj sobi. Ali vrlo je realno da ćemo ga – ili slične modele – vidjeti u:
- velikim logističkim centrima u srednjoj Europi, kroz koje prolazi i roba za Jadran,
- automobilskoj i metalskoj industriji u Sloveniji, Mađarskoj i Slovačkoj, gdje rade mnogi dobavljači za europske brendove,
- prehrambenoj industriji i preradi ribe, mesa i povrća u regiji.
Pitanja na koja bi čitatelji trebali obratiti pozornost:
- Kako se tih 1 % preostalih grešaka manifestira – kao bezazleni dodatni pokušaji ili kao skupi kvarovi i sigurnosni incidenti?
- Hoće li regulator zahtijevati posebne certifikate i revizije za svaki update modela?
- Hoće li se pojaviti europski ili regionalni modeli za fizičku AI koji će biti transparentniji i bliže EU regulativi od američkih rješenja?
Za poduzeća u regiji ovo je i prilika i rizik. Oni koji rano krenu eksperimentirati, uče i grade interne kompetencije, dobit će prednost kada tehnologija sazrije. Oni koji čekaju „savršeno zrelo rješenje” mogli bi se naći pod pritiskom konkurencije iz zemalja koje agresivnije uvode automatizaciju.
7. Zaključak
GEN‑1 nije čarobni humanoid koji će zamijeniti sve poslove, ali može biti mozak iza robotskih ruku koje već danas obavljaju najdosadnije i najponavljanije zadatke. Ako se 99‑postotna uspješnost potvrdi i izvan laboratorija, skladišta i tvornice – pa i u Hrvatskoj i susjedstvu – dobit će snažan poticaj da pređu još jedan korak prema „ljudskoj“ finoći pokreta. Ključno pitanje više nije hoće li ova vrsta fizičke AI doći, nego tko će kontrolirati platformu i pod kojim društvenim i regulatornim uvjetima ćemo je prihvatiti.
