Londyński startup Humanoid ogłosił 5 lipca 2026 roku metodę KinetIQ Ascend — nowe podejście do uczenia przez wzmacnianie (RL), które pozwala robotom przemysłowym osiągać 99,9% niezawodność manipulacji przy prędkości zbliżonej do ludzkiej, bez tygodni ręcznego dostrajania. Wyniki przedstawiono w technicznym raporcie opublikowanym na stronie firmy.
Najważniejsze w skrócie
- KinetIQ Ascend osiąga 99,9% niezawodność manipulacji po kilku dniach treningu RL w warunkach rzeczywistych
- Zadanie pobierania elementów z pojemnika i podawania człowiekowi: wzrost przepustowości o 85%, skuteczność z 80% do 98%
- Bimanualny transport pojemników: skuteczność z 78% do 99%, około dwudziestokrotna redukcja błędów
- Robot uogólnił zachowanie na obiekty niewidoczne wcześniej podczas treningu
- Firma zatrudnia ponad 250 inżynierów. W maju 2026 podpisała partnerstwo produkcyjne z Bosch i Schaeffler
Czym jest KinetIQ Ascend?
KinetIQ to czterowarstwowy framework AI opracowany przez Humanoid na potrzeby wdrożeń w środowiskach przemysłowych. KinetIQ Ascend to najnowsza warstwa tej architektury — moduł oparty na uczeniu przez wzmacnianie prowadzonym bezpośrednio w warunkach rzeczywistych.
Dotychczasowy model działał inaczej: inżynierowie zbierali dane demonstracyjne, ręcznie dostrajali zachowania, a każda nowa umiejętność wymagała osobnego procesu. Ascend zastępuje to podejście pętlą prób i błędów — robot zaczyna od podstawowego zachowania i samodzielnie je udoskonala pod kątem konkretnego zadania przemysłowego.
Zamiast spędzać miesiące na zbieraniu danych i ręcznym dostrajaniu każdej nowej umiejętności, możemy zacząć od podstawowego zachowania i pozwolić RL je dopracować aż do wersji gotowej na wdrożenie. Nazywamy to fabryką zdolności.
Jarad Cannon, CTO Humanoid
Trzy testy, trzy wyniki
Humanoid przetestował KinetIQ Ascend na trzech zadaniach. Pierwsze: pobieranie stalowych pierścieni łożyskowych z pojemnika i umieszczanie ich na taśmociągu. Metoda zwiększyła przepustowość o 42%, a robot działał z prędkością 1,5× wyższą niż ludzka demonstracja.
Drugie zadanie polegało na pobieraniu przedmiotów z zaśmieconego pojemnika i podawaniu ich człowiekowi. Przepustowość wzrosła o 85%, a skuteczność skoczyła z 80% do 98%.
Trzecie, najtrudniejsze: dwuramienne przenoszenie pojemnika ze stołu. KinetIQ Ascend ponad dwukrotnie zwiększył przepustowość, a skuteczność wzrosła z 78% do 99%. Liczbowo oznacza to około dwudziestokrotną redukcję liczby błędów — przy zaledwie kilku dniach treningu.
Skalowanie jak modele językowe
Humanoid wskazuje na jeszcze jedno istotne odkrycie: wydajność rośnie przewidywalnie wraz z czasem treningu. Zależność ta przypomina prawa skalowania znane z dużych modeli językowych (LLM) — więcej obliczeń i czasu przekłada się na lepsze wyniki. Eksperymenty symulacyjne potwierdzają trend, sugerując możliwe osiągnięcie 100% niezawodności.
Firma odnotowała też dwa dodatkowe efekty: ulepszenie najtrudniejszej części procesu automatycznie poprawia cały pipeline, a robot generalizuje zachowanie na obiekty, których nie widział w trakcie treningu.
Kontekst: wyścig manipulacji humanoidów
Manipulacja to jeden z kluczowych wąskich gardeł w humanoidach produkcyjnych. Konkurenci tacy jak Figure AI, Apptronik czy Boston Dynamics inwestują w podobne mechanizmy uczenia się — ale publicznie dostępne dane o niezawodności powyżej 99% są rzadkością.
Humanoid, założony w 2024 roku przez Artema Sokołowa, zatrudnia ponad 250 osób w Londynie, Bostonie, Vancouver i San Diego. W maju 2026 roku ogłosił partnerstwo z Bosch i Schaeffler w celu skalowania produkcji robotów HMND — co nadaje wynikom KinetIQ Ascend wymiar nie tylko badawczy, ale i produkcyjny.
Dlaczego to ważne?
Uczenie przez wzmacnianie w środowiskach przemysłowych jest trudne. Środowisko jest nieprzewidywalne, przerwy produkcyjne kosztują, a każda awaria to dane, które trzeba zebrać i przetworzyć. KinetIQ Ascend pokazuje, że można skrócić ten cykl z miesięcy do dni — co zmienia rachunek ekonomiczny wdrożeń.
Jeśli prawa skalowania dla RL okażą się równie silne jak dla LLM, firmy z największą liczbą godzin treningu i różnorodnych zadań przemysłowych zyskają istotną przewagę. Humanoid pozycjonuje się właśnie w tym wyścigu — z partnerami takimi jak Bosch i Schaeffler za plecami. Pytanie, czy 99,9% niezawodności utrzyma się poza laboratoryjnymi zadaniami na identycznych liniach produkcyjnych, pozostaje otwarte. Raport techniczny obejmuje ograniczone scenariusze — rynek zweryfikuje skalę tych twierdzeń dopiero przy masowych wdrożeniach.
Co dalej?
- Humanoid planuje skalowanie produkcji robotów HMND z Bosch i Schaeffler — ogłoszono w maju 2026
- Firma zapowiedziała dalsze badania skalowania RL z celem dojścia do 100% niezawodności, potwierdzonym w raporcie technicznym
- Oficjalny raport techniczny z metodologią i wynikami dostępny na stronie thehumanoid.ai
Źródła
- The Robot Report — Humanoid says KinetIQ Ascend reinforcement learning approaches human-level dexterity
- Humanoid (thehumanoid.ai) — KinetIQ Ascend: Toward 100% Reliable Manipulation and Superhuman Speed
