Robotika sreće LLM-ove

Stavi robota da hvata čašu. Ne bilo koju čašu — praznu, punu, okrenutu naopako na rubu stola, malo izvan fokusa kamere. Gledaj kako pokušava. Prsti mu se otvore prerano, ili prekasno, ili pod krivim kutom, čaša padne, i netko u laboratoriju zapiše u bilježnicu istu rečenicu koju piše već pedeset godina: treba još podataka.

To je bila mala, glupa, dosadna sitnica. Ali cijela robotika je na njoj stajala kao na kamenu u cipeli. Robot je mogao zavariti karoseriju stotinu tisuća puta s preciznošću koja bi osramotila kirurga — ako je karoserija uvijek na istom mjestu, uvijek pod istim kutom, uvijek u istom, dosadnom, predvidljivom svijetu tvornice. Izvadi ga iz tog kaveza i stavi pred stol s neredom na njemu, i odjednom je gluplji od dvogodišnjaka. Dvogodišnjak zna da je čaša čaša. Robot je vidio milijun piksela i nije imao pojma što gleda.

Godine 2024. ta se sitnica konačno počela pomicati. Ne u robotici — tamo je motorika već odavno bila riješena, ruke su bile brze, precizne, jake. Pomicala se s druge strane zgrade, kod ljudi koji su cijelo desetljeće trenirali modele da čitaju, pišu i, sve više, gledaju. Ti su modeli u glavi (metaforički, ali samo malo metaforički) nosili neku vrstu zdravog razuma o svijetu — što je šalica, gdje joj je drška, zašto se pazi ako je vruća. Nisu imali ruke. Robot je imao ruke, a nije imao ništa od toga.

I onda je netko spojio to dvoje. Prva domina padne tiho: model koji razumije jezik i slike počne razumijevati naredbu »uzmi šalicu« ne kao niz koordinata, nego kao — pojam. Druga domina: taj se pojam prevede u pokret, ne unaprijed programiran, nego generiran u trenutku, prilagođen situaciji koju robot vidi prvi put u životu. Treća domina: robot koji gleda video čovjeka kako slaže suđe i, bez ijedne ručno napisane linije koda za tu radnju, pokuša isto.

Do 2026. video snimke iz demonstracijskih hala postale su valuta doline. Humanoidi hodaju po pozornicama, slažu kutije, serviraju kavu, uz glazbu i tišinu publike koja izgleda kao da gleda čudo. Neki od tih videa jesu čudo. Neki su, da budemo pošteni, teleoperirani izvan kadra — što znači da robot uopće ne odlučuje sam, nego ga negdje iza scene, poput drona, u stvarnom vremenu upravlja skriveni čovjek s kontrolerima — ili urezani iz dvadeset dublova da se dobije jedan besprijekoran. Razlika između to dvoje trenutno je najbolje čuvana tajna industrije.

Sad se sastaju. I to nije samo tehnička kuriozitet za nerde — to je prva domina u lancu koji vodi ravno u pitanje koje smo do sada mogli udobno izbjegavati: što se dogodi kad AI ne samo da razgovara s tobom kroz ekran, nego ustane, zaobiđe stol i pokuša ti donijeti kavu?

Postoji jedna sitnica koja je desetljećima sabotirala robotiku, i ta sitnica je — čaša. Čovjek je uzme bez razmišljanja, dijete od tri godine je uzme bez razmišljanja, pas je gurne nosom bez razmišljanja. Robot? Robot stoji i, metaforički rečeno, doživljava moždani udar.

Zove se to Moravčev paradoks, po Hansu Moravcu koji je primijetio nešto što je iz današnje perspektive očito, a osamdesetih je bilo skoro pa uvredljivo za ljudski ego: sve što mi smatramo teškim — šah, matematika, logičko zaključivanje — strojevima je relativno lako. A sve što smatramo trivijalnim, ono što radimo dok gledamo u mobitel i razgovaramo o vremenu — hodanje po neravnom terenu, prepoznavanje predmeta u nepoznatom položaju, hvatanje nečega prstima tako da ne padne ni da se ne razbije — to je strojevima paklenski teško. Deep Blue, IBM-ov šahovski superračunalni program, pobijedio je svjetskog šampiona u šahu 1997. Trebalo je još skoro trideset godina da robot pouzdano ulije vodu iz vrča u čašu bez da polije stol.

Zašto je to tako neintuitivno? Zato što mi kao vrsta procjenjujemo težinu zadatka po tome koliko nas košta svjesnog napora, a ne po tome koliko je zadatak zapravo računski složen. Šah nas iscrpljuje, pa mislimo da je težak. Hvatanje čaše nas ne iscrpljuje ni najmanje, jer smo za to imali sto pedeset milijuna godina evolucije da uštimamo motoriku, vid, ravnotežu i procjenu težine predmeta u jedan glatki, nesvjesni sustav. Šah je izumljen prije otprilike tisuću i pol godina. Hvatanje predmeta u ruku razvijalo se dulje nego što postoji sam koncept ruke kakvu danas imamo. Nema veze koliko je nešto staro i utaban put — kad ga treba objasniti stroju od nule, ispada da je *to* teško, a šah je, u usporedbi, mačji kašalj.

I tu je bio kamen spreman da padne: robot je desetljećima imao odlično tijelo i katastrofalno prazan mozak. Tijela su, iskreno, bila impresivna već davno — hidraulika, elektromotori, senzori koji mjere silu s preciznošću na koju čovjek ni ne sanja da bi bio kadar. Problem nikad nije bio „kako pomaknuti ruku”. Problem je bio „kako znati što s tom rukom uopće raditi kad se stvarnost malo promijeni od onoga što je programer predvidio”.

Zato su roboti desetljećima radili isključivo ono što je uvježbano, u uvjetima koji su kontrolirani do zadnjeg milimetra. Tvornička ruka koja zavaruje karoseriju automobila čudo je inženjerstva — ali ta ista ruka, kad se dio na traci pomakne tri centimetra lijevo od pozicije za koju je programirana, neće se snalaziti. Zavariti će zrak, ili udariti u nešto, ili stati i čekati čovjeka da dođe i ispravi je. Sjeća se čitatelj automatizacije iz prijašnjih poglavlja ove kronike — one iste priče o strojevima koji preuzimaju repetitivni posao, samo umnožene i pretvorene u meso i kosti. Krutost je bila cijena pouzdanosti. Roboti su bili genijalni idioti: savršeno precizni unutar kaveza koji im je netko nacrtao, potpuno bespomoćni čim izađu iz njega.

Dobro, evo kako se taj lanac dalje nastavlja. Netko je negdje 2020-nešto sjeo i pomislio: čekaj, imamo model koji je pojeo pola interneta i sad „razumije” što je šalica, što je kuhinja i što znači „uzmi mi to sa stola” — a imamo i robotsku ruku koja, bez pojma o čemu je riječ, savršeno precizno pomiče metalne prste u prostoru. Što ako ih spojimo? Ispada da je to bio taj naizgled trivijalan potez koji je pokrenuo cijelu lavinu o kojoj pišemo ovo poglavlje.

Prvo malo demistifikacije, jer riječ „razumije” zvuči preozbiljno za softver. LLM ne razumije šalicu kao što ti razumiješ šalicu — nema uspomenu na to kako ju je razbio kao dijete. Ali je iz planina teksta i slika pokupio nešto vrlo korisno: da šalica ima dršku, da se drška hvata s te strane, da tekućina u njoj znači da je treba nositi ravno, da je porculan i da padne kad ga gurneš. To je gomila zdravog razuma koju je klasična robotika desetljećima morala programirati ručno, pravilo po pravilo, i nikad nije stigla ni blizu. LLM to donosi kao gotov paket, naučen iz konteksta u kojem su ljudi pisali i fotografirali svoj svakodnevni život. Odjednom, kad kažeš robotu „uzmi mi šalicu sa stola”, on ne mora imati unaprijed napisanu proceduru poput datoteke „šalica_dohvat_v3.py” — on može posegnuti za onim istim razumijevanjem svijeta koje koristi kad ti u razgovoru objašnjava kako se pere posuđe.

Tehnički žargon za ovo je vision-language-action model, kratica VLA, i nemoj se dati smesti — u prijevodu je to samo model koji istovremeno gleda (vision), sluša ili čita naredbu (language) i onda to pretvara u pokret (action). Ulaz je slika kamere plus tvoja rečenica, izlaz su koordinate i sile koje treba poslati motorima ruke. Ono što je prije bilo tri odvojena sustava — jedan koji „vidi” predmete, drugi koji „shvaća” jezik, treći koji planira putanju ruke — sad je jedna spojena cjelina, obučena na ogromnim količinama parova „slika–uputa–pokret”. Robotu ne treba objasniti gdje je drška na svakoj mogućoj šalici u svemiru; on generalizira, otprilike onako kako LLM generalizira gramatiku iz milijun rečenica koje nikad prije nije vidio u tom točnom obliku.

Druga stvar koja se ovdje spojila je učenje iz videa, i ovo je onaj dio priče gdje YouTube postaje škola za robote — bez ironije, baš tako. Klasičan pristup robotici je bio: postavi robota u simulaciju ili u kontrolirani laboratorij, pusti ga da milijun puta pokuša i pogriješi, uz nagradu kad uspije i kaznu kad zabrlja — to se zove reinforcement learning, „učenje s potkrepljenjem”, i to je isti princip po kojem je nekoć trenirao AlphaGo, onaj program koji je naučio igrati go igrajući sam protiv sebe milijune partija dok mu nitko nije morao objašnjavati pravila pobjede. Kod robota to znači: dani ili tjedni treniranja da napokon nauči podići kocku. Sporo, skupo, i vrijedi samo za tu jednu kocku u tom jednom laboratoriju. Novi pristup je puno lijeniji, u dobrom smislu: pusti model da gleda ogromnu količinu snimki ljudi koji rade obične stvari — kuhaju, spremaju stol, slažu kutije u skladištu — i neka iz toga izvuče obrasce pokreta. Ljudska ruka koja hvata šalicu izgleda otprilike isto bez obzira je li u Zagrebu ili Tokiju; taj obrazac se može kopirati. Robot onda ne uči hvatanje od nule kroz milijun pokušaja, nego kreće od nečega što već nalikuje na „ovako se to radi”, i fino podešava od tamo. Manje pokušaja, manje razbijenih šalica, brže do rezultata koji radi izvan laboratorija.

Ali stvarna promjena paradigme, ona koja povezuje ovo poglavlje sa svime što smo pisali o agentima nekoliko poglavlja unatrag, jest pomak od programiranja pokreta prema opisivanju cilja. Stara robotika je tražila da inženjer napiše svaku koordinatu, svaki kut zgloba, svaki milimetar putanje — to je bio taj isti krut, mukotrpan posao o kojem smo pisali kod automatizacije tvorničkih traka. Nova robotika, ona koja koristi LLM kao mozak, radi obrnuto: ti kažeš cilj ljudskim jezikom — „spremi stol za ručak” — a sustav sam razlaže taj cilj u korake, procjenjuje redoslijed, prilagođava se ako nešto na stolu nije gdje je očekivao. To je isti agentski princip koji smo vidjeli kod softverskih agenata koji sami razlažu zadatak na potkorake i pozivaju alate — samo što je ovdje „alat” robotska ruka, a „svijet” nije terminal nego stvarna kuhinja s pravom gravitacijom.

I upravo tu je pao još jedan domino: robotika je desetljećima čekala mozak koji razumije nestrukturirani svijet, a taj mozak je u međuvremenu izgrađen — samo u drugom kontekstu, za drugu svrhu, dok je čitao Wikipediju i milijarde fotografija s natpisima. Netko je jednostavno spojio kabel iz jednog laboratorija u drugi, i pokazalo se da robot koji nikad nije trebao znati ništa o šalicama sad odjednom zna sve što je internet znao o šalicama. Ostaje samo pitanje koliko od tog znanja stvarno vrijedi kad je ruka teška pet kilograma, motor se grije, a šalica na stolu stoji pod kutom koji nijedan video na YouTubeu nije snimio — a to je pitanje za sljedeći domino, onaj s pravim tijelima koja hodaju po podu.

Domino koji je pao u prethodnom koraku — mozak i tijelo su se spojili — sad se prevrće u nešto puno vidljivije: utrku. Ne metaforičku, stvarnu, s novcem, rokovima i konferencijskim pozornicama na kojima se robot naklanja publici kao da je Elvis. Figure AI, tvrtka stara tek koju godinu, potpisuje ugovore s BMW-om i pokazuje robota koji sortira dijelove. Tesla vuče svog Optimusa na pozornicu, pleše, servira piće, a Musk obećava da će ga svaka kuća imati brže nego solarni panel na krovu. Boston Dynamics, koji je desetljećima radio svog Atlasa kao znanstveni eksperiment s previše hidraulike, prelazi na elektromotore i najednom mu roboti rade salta koja izgledaju kao da se upravo dogodila greška u fizici. A onda dolazi cijela vojska kineskih proizvođača — Unitree, UBTECH i drugi — koji isti koncept sklapaju brže i jeftinije nego što zapadne firme stignu napisati priopćenje za medije.

I tu se postavlja pitanje koje bi svaki normalan inženjer trebao postaviti prije nego što potpiše proračun: zašto baš oblik čovjeka? Zašto ne kotači, zašto ne šest nogu kao u nekog filmskog pauka, zašto ne nešto optimizirano za posao, a ne za estetiku znanstvene fantastike?

Odgovor je manje romantičan nego što zvuči, i baš zato ga volim — nema tu obožavanja lika iz filma, ima samo inženjerske lijenosti u najboljem smislu te riječi. Svijet oko tebe, cijeli, od stepenica do kvaka na vratima, od visine radnog stola do razmaka između regala u skladištu, dizajniran je za tijelo koje hoda na dvije noge i hvata stvari dvjema rukama koje se sklapaju u šaku. Nisi ti prilagođen svijetu, svijet je prilagođen tebi, samo to nikad nisi primijetio jer si u njemu odrastao. Ako želiš robota koji može ući u bilo koju tvornicu, bilo koje skladište, bilo čiju kuću, bez da netko prvo preuredi zgradu — najjeftinije mu je dati oblik za koji je zgrada već projektirana. Opći robot za opći svijet, ne specijalizirani stroj za specijaliziranu rampu.

Budi pošten prema oba tabora, jer istina je, kao i uvijek kad se umiješa medijska pompa, negdje na sredini. Videi jesu impresivni — robot koji hvata jaje bez da ga zgnječi, koji reagira kad mu netko odgurne predmet iz ruke, koji nauči nov zadatak gledajući desetak snimaka umjesto da ga netko ručno programira pokret po pokret — to je stvarno druga liga od robotske ruke koja zavaruje karoseriju uvijek na istom mjestu. Ali kaos stvarnog svijeta nije studio s kontroliranim svjetlom i ekipom koja resetira scenu ako nešto padne krivo. Kaos stvarnog svijeta je mokar pod, dijete koje istrči iza ugla, kutija koja se otvorila naopako, wifi koji zapinje baš kad robot nosi vruću posudu. Svaki od tih humanoida koji danas hoda po pozornici zna hodati po ravnom, poznatom, osvijetljenom podu. Pitanje koje odlučuje sve nije hoda li — hoda. Pitanje je što se dogodi kad pod nije ravan, a nitko to nije predvidio.

Utrka je, dakle, stvarna, kapital je stvaran, tijela hodaju i to nije trik montaže. Ali domino koji je pao ovdje nije civilizacijska posljedica — ta stiže kasnije. Ovo je samo trenutak kad je svijet vidio da netko stvarno pokušava, i kad su se svi ostali uplašili da će ostati iza.

Domino se sad kotrlja dalje, i vrijedi ga pratiti pažljivo, jer ovdje priča prestaje biti o videima na internetu i počinje biti o tvom susjedu koji je ostao bez posla — ili nije, ovisno gdje pogledaš. Prvi kamen koji pada je onaj najlakši: skladište. Zamisli prostor gdje su police fiksne, putanje poznate, teret standardiziran, a jedini zadatak je uzeti kutiju A i odnijeti je na mjesto B. To je upravo ono što robot voli — strukturu. Amazon to radi već godinama s pokretnim platformama, a sad se ubacuju i ruke koje sortiraju, pa dostava do samih vrata kupca, pa tvornički pogoni gdje je svaki vijak na istom mjestu otkako je pogon projektiran. Ovo nije znanstvena fantastika, ovo je proračunska tablica troška po satu, i ta se tablica sve češće poklapa u korist robota.

E, sad dolazi prva komplikacija u lančanoj reakciji, i ona je bitna koliko i prvi kamen: čim izađeš iz strukturiranog prostora, robot se gubi. Tvoja kuhinja nije skladište. Imaš dijete koje je ostavilo cipelu na sredini hodnika, mačku koja je pomaknula stolicu, posudu koja je danas na štednjaku a jučer bila u sudoperu. Za tebe je to običan utorak. Za robota je to noćna mora — svaki predmet je na nepredvidljivom mjestu, svaki zadatak traži procjenu koju smo mi naučili kao djeca, a stroj tek pokušava naučiti iz milijun snimljenih videa i još uvijek pogriješi kad vidi šalicu naopako. Kućni poslovi zvuče kao lagana meta jer smo ih svi radili od pete godine — a upravo je to razlog zašto su teški. Kaos koji ljudsko dijete apsorbira igrajući se, robot mora rekonstruirati algoritamski, korak po korak, i to mu ide sporo.

Druga komplikacija je još oštrija, i ovdje domino udara u zid koji se ne rješava boljim modelom, nego pitanjem koje smo već postavljali za softver — samo je sad u igru uloženo meso i kost. Njega starijih, djece, bolesnika — sve ono gdje bismo najviše voljeli da robot pomogne — upravo je područje gdje pogreška najviše boli. Chatbot koji krivo odgovori napiše ti glupost na ekranu, zatvoriš prozor, gotovo. Robotska ruka koja krivo procijeni silu dok pridržava nemoćnu osobu ne zatvara se prozorom. Pitanje odgovornosti već smo podigli kod agenata koji sami kupuju stvari na internetu (K8, poglavlje 8) — pravno pitanje bez kraja, ali barem se ta šteta može ispraviti povratom novca. Ovdje se šteta ne vraća.

A onda dolazi treći sloj, onaj hladni, onaj koji odlučuje brže od bilo kakvog etičkog povjerenstva — novac. Robot ne mora biti savršen da zamijeni radnika, mora samo biti jeftiniji od njega na dovoljno dugoj vremenskoj liniji. Vidjeli smo tu priču već (K1, poglavlje 2 — automatizacija tekstila, luditi koji su razbijali strojeve iz očaja, ne iz gluposti). Nit je ista, samo su ruke ovaj put od metala i imaju prste. Kad robotska ruka u skladištu radi tri smjene bez pauze, bez bolovanja, bez otkaznog roka — netko u knjigovodstvu će prije ili kasnije izvući kalkulator, i ta kalkulacija ne poznaje sentiment. Ne mora robot biti bolji od čovjeka u svakom zadatku. Mora samo biti bolji u onom najdosadnijem zadatku, dovoljno dugo, dovoljno jeftino.

Zato realna karta danas ima oštru granicu, i ta granica nije tehnička — ona je ekonomsko-sigurnosna. Skladišta, tvornice, dostava u kontroliranom prostoru — da, i to sve brže. Kuhinja tvoje bake, bolnička soba, dnevni boravak s djetetom koje trči po njemu — ne još, i vjerojatno ne još dugo. Domino je pao na police i transportne trake, ali do praga tvog doma stigao je i, za sada, tu čeka.

E, vidiš, sad je konačno vrijeme da povučemo crtu ispod cijele ove lančane reakcije i pogledamo gdje smo završili. Krenulo je od gluposti — od stroja koji je znao pobijediti svjetskog šampiona u šahu, a nije znao uzeti čašu sa stola bez da je razbije. Ta glupost je pokrenula domino-efekt koji je trajao desetljećima, i evo nas: robot koji hoda po skladištu i razumije kad mu kažeš „podigni onu kutiju, ne tu, onu pored nje”. To nije mali korak. To je AI koji je izašao iz ekrana.

I tu je razlika koju moraš skužiti da bi shvatio zašto je ovo velika stvar, ne samo još jedna demo-fora za konferenciju. Svi dosadašnji AI-trijumfi — chatboti, generatori slika, agenti koji ti rezerviraju kartu za avion — dešavali su se u ekranu. Digitalni prostor je uredan. Nema gravitacije, nema trenja, nema susjeda koji ti stavi kutiju na krivo mjesto. Kad AI iz tog urednog svijeta iskorači u fizički, mijenja se ne samo posao za bijele kragne (koji se već trese od agenata i modela koji razmišljaju korak po korak), nego i posao za plave kragne — skladištar, dostavljač, možda jednog dana i vodoinstalater. Do sad su algoritmi prijetili uredima. Sad im rade i ruke.

A ako povučeš niti kroz cijelu ovu knjigu, vidjet ćeš da se ovo poglavlje nije dogodilo iz vedra neba — spojile su se, kao rijeke, sve priče koje smo do sad ispričali. Reasoning modeli su robotu dali sposobnost da razmišlja korak po korak prije nego povuče ruku. Agentski princip mu je dao mogućnost da sam sebi postavi plan — „skini tanjure, stavi ih u perilicu” — bez da mu netko programira svaki pojedini pokret prsta. Sami LLM-ovi su mu dali jezik i, što je važnije, zdrav razum o svijetu — da zna što je šalica, da je vjerojatno topla, da je vjerojatno puna. A napredak u hardveru, u onim jeftinijim i boljim senzorima i motorima, dao mu je tijelo koje sve to može odglumiti. Reasoning plus agenti plus LLM plus hardver — zbroji to i dobiješ utjelovljenog agenta. Nije čarolija. Samo je konačno sve stiglo na isto mjesto u isto vrijeme.

Ali smjer jest jasan, i zato ovo poglavlje zaslužuje svoje mjesto na kraju velikog luka. Sjetiš li se početka cijele ove kronike — Jacquardovog razboja i njegovih probušenih kartončića koji su tkalcu govorili kakav uzorak da isplete? To je bio prvi put da je stroj slijedio uputu koja nije bila fizička sila, nego informacija. Onda je stigao ENIAC, pa kompajleri, pa jezici, pa mreže, pa modeli koji razumiju tvoje pitanje i odgovaraju u rečenicama. I sad, na kraju svega toga, imaš robota koji čita uputu na engleskom i pomiče ruku u stvarnom prostoru da je izvrši. Od kartona s rupicama do utjelovljenog uma — to je taj luk. Nije skok, nego hod, korak po korak, dva stoljeća dug.