Zapamiętamy tydzień od 10 do 16 marca 2026 roku jako tydzień humanoidów: gigantyczna hala treningowa w Monachium, keynote NVIDIA na GTC, chiński plan pięcioletni, robot marionetka na scenie, prognoza trzech miliardów maszyn w 2060 roku. Sześć zapowiedzi, sześć gwiazd, i pokusa uporządkowania ich w obozy — Europa przeciwko Chinom, open source przeciwko właścicielowi. To przeoczyć jedyną frazę, która je łączy, a to NEURA Robotics napisała czarno na białym: głównym wąskim gardłem robotyki nie jest już sprzęt, lecz pozyskiwanie dużych ilości rzeczywistych danych do nauki fizycznej.

Gdy ta fraza zostanie postawiona, tydzień przestaje być sąsiadowaniem. Staje się bitwą — o trzy niezgodne odpowiedzi — wokół jednego pytania: skąd pochodzą dane trenujące roboty? Zbieranie ich ręcznie, syntetyzowanie obliczeniowe lub dekretem państwa. Nikt nie wygrał. Walczono o to, kto posiada fabrykę.

Odpowiedź nr 1: zbieranie ręcznie

10 marca NEURA Robotics i MIRMI Technische Universität München ogłaszają wspólnie TUM RoboGym. Prezentacja jest bez owijania w bawełnę: największy europejski ośrodek naukowy dedykowany treningowi Physical AI w momencie jego ogłoszenia. Ale wewnętrzny układ mówi lepiej niż superlatywy, o co chodzi. Dane do nauki są tam przechwytywane przez trenerów ludzkich noszących rękawice MANUS i system przechwytywania ruchu ciała Xsens, a następnie wpompowywane do platformy Neuraverse.

To dosłowne przyznanie się do wąskiego gardła: płacimy ludziom, aby ręcznie wytwarzali brakujący surowiec. Neuraverse jest zresztą myślany jako system hardware-agnostyczny do zbierania i dystrybucji, przeznaczony do otwarcia się na partnerów przemysłowych i startupy, a większość danych wygenerowanych w RoboGym zostanie udostępniona jako open source dla społeczności robotycznej. Człowieczy gest, przechwycony i ponownie rozdany, jako zasób. Dane nie są produktem ubocznym treningu: one są produktem, a do ich wyprodukowania potrzebna jest hala warta 17 milionów euro.

Odpowiedź nr 2: syntetyzowanie obliczeniowe

Na GTC 2026, 16 marca, NVIDIA wykonuje dokładnie odwrotną operację — i się do niej przyznaje. Jensen Huang ujawnia w premierze GR00T N2, model fundamentowy robotyki wynikający z wewnętrznych badań DreamZero, wyposażony w architekturę „world action model”, której ogólna dostępność jest zapowiedziana na koniec 2026 roku. Według NVIDIA, roboty je wykonujące radzą sobie z nowymi zadaniami w nieznanych środowiskach ponad dwa razy częściej niż konkurencyjne modele vision-langage-action.

Wokół modelu cała łańcuch syntetyczny: Physical AI Data Factory Blueprint, otwarta architektura referencyjna do generowania danych treningowych w skali masowej, zbudowana na modelu świata Cosmos i orkiestratorze OSMO; Isaac Lab 3.0 w wczesnym dostępie, silnik nauki przez wzmacnianie oparty na silniku fizycznym Newton 1.0 i zoptymalizowany dla infrastruktury DGX. The Decoder podsumowuje manewr bez litości: NVIDIA chce „przekształcić problem danych w robotyce w problem obliczeniowy”.

Demonstracją, która wszystko kondensuje, jest Olaf. Aby wytrenować tego robota, 100 000 wirtualnych instancji zostało zasymulowanych jednocześnie w ciągu dwóch dni na jednym GPU NVIDIA RTX 4090, za pomocą symulatora Kamino — narzędzia własnego Disney Research, zbudowanego na solverze Newton i przyspieszanego kartą graficzną. Tam jest twarda liczba, wydobyta spod folkloru trzech miliardów humanoidów: nie horyzont do 2060 roku, ale 100 000 instancji w dwa dni na karcie dla konsumentów. Dzień, w którym trenowanie robota przestaje być problemem ramion i rękawic, a staje się problemem kart graficznych, ciężar gatunkowy przemyslu opuszcza warsztat na rzecz centrum danych. A konsekwencja jest jasna: jeśli dane stają się obliczeniami, ten, kto sprzedaje obliczenia, posiada dane z domniemania.

Odpowiedź nr 3: dekretem

12 marca Zgromadzenie Narodowe ludowe formalnie przyjmuje 15. piętletni plan Chin (2026-2030). Po raz pierwszy wprowadzona w życie sztuczna inteligencja jest w nim klasyfikowana jako autonomiczna kategoria przemysłowa strategiczna, na tym samym poziomie co kwant, interfejsy mózg-komputer i 6G; roboty humanoidy figuruja wśród ośmiu narodowych strategicznych przemysłów wyznaczonych, co jest awansem statusu w stosunku do 14. planu.

Szczegół, który ma tu znaczenie, nie jest ogólną ambicją, ale listą. Plan wymienia pięć osi dla AI wprowadzonej w życie, a dwie z nich precyzyjnie nazywają dane jako infrastrukturę państwową: koordynacja terenów treningowych i fuzja wirtualno-rzeczywista do treningu collaborative — czyli dwie pierwsze odpowiedzi, zbieranie i syntetyzowanie, planowane od góry. Wszystko to oparte na państwowym funduszu venture capital w wysokości 1 000 miliardów juanów (około 138 miliardów dolarów) dedykowanym AI, robotyce i technologiom wczesnego rozwoju.

Aby dane istniały, potrzebne są ciała, które je produkują. W marcu UBTech Robotics podpisuje umowę o współpracy strategicznej z Siemens Digital Industries Software, aby podnieść produkcję Walker S2 do 10 000 jednostek rocznie, integrując oprogramowanie Siemens do projektowania, symulacji i planowania w całym cyklu produkcji. Masowa produkcja maszyn, które, wdrożone, wygenerują z kolei dane: pętla zamyka się na skali państwa.

„Bifurkacja geopolityczna” nie trzyma się kupy

Łatwą narracją tygodnia była ta o rozłamie: europejski counterweight — RoboGym pozycjonuje się zresztą wprost wobec czterdziestu chińskich centrów zbierania danych i inicjatyw amerykańskich — przeciwko rywalizującym blokom. Wykres tygodnia demontuje tę narrację.

Jedyną rzeczywistą autonomią wykazaną, bez teleoperatora, jest na GTC: RealSense i LimX Dynamics realizują pierwszą na świecie demonstrację autonomicznej nawigacji 3D dla humanoida, łącząc kamery głębi RealSense i cuVSLAM NVIDIA, robot poruszający się w przestrzeniach wspólnych z ludźmi bez najmniejszej interwencji operatora. Co więcej, ten robot jest chiński — LimX ma siedzibę w Shenzhen — i został wytrenowany przez naukę przez wzmacnianie w NVIDIA Isaac Lab, aby zmniejszyć lukę sim-to-real.

Ten sam tydzień, NEURA (Europa), Figure AI (Stany Zjednoczone), Agility Robotics (Stany Zjednoczone) i AgiBot (Chiny) ogłaszają wszystkie przyjęcie modeli Isaac GR00T N — podczas gdy NVIDIA powierza silnik Newton Linux Foundation i publikuje go jako open source na licencji Apache 2.0, współrozwijany z Disney Research i Google DeepMind. „Obozy” mogą spierać się o dane poprzez geografię. Ale trenują je wszystkie na tym samym symulatorze, z tym samym modelem fundamentowym, na tym samym silniku fizycznym. Rozłam jest w zbieraniu, nie w narzędziu: na poziomie stosu technologicznego nie ma dwa bloki, jest jeden dostawca.

O jeden poziom niżej

Ten wątek schodzi w dół stosu warstwa po warstwie, tydzień po tygodniu. W grudniu demonstracją był produkt; na CES w styczniu teleoperacja stała się biznesem danych; w lutym ciało ujawniło się jako konsumpcyjne, wartość tkwiła w mózgu; 9 marca pytanie brzmiało: kto posiada mózg? Ten tydzień schodzi o stopień niżej, pod mózg: kto posiada fabrykę danych, która go żywi? Obiekt jest nowy — dane treningowe i ich tryb produkcji — i jest potwierdzony w tym samym tygodniu przez centrum fizyczne (RoboGym), stos syntetyczny (Data Factory i Olaf) i plan państwowy (15. plan).

Więc nie pytajcie, który robot najlepiej się zachowywał w tym tygodniu. Zapytajcie, skąd pochodzą jego dane treningowe. Trzy odpowiedzi — zbieranie ręcznie, symulowanie, dekretem — kreślą prawdziwą mapę sił. I podczas gdy trzy strony są zajęte, NVIDIA pracuje nad tym, aby pozostało tylko jedno pytanie do zadania: ile GPU?