Reimagine Robotics: byli inżynierowie DeepMind stworzyli robota, którego pracownik może nauczyć zadania w 10 minut
Roboty przemysłowe od dziesięcioleci wykonują powtarzalne zadania w fabrykach. Problem zaczyna się wtedy, gdy produkt, proces albo sposób wykonywania pracy się zmienia.
Tradycyjny robot może wymagać ponownego zaprogramowania, rekonfiguracji stanowiska i wsparcia specjalisty. Przy produkcji wielkoseryjnej taki koszt można rozłożyć na tysiące lub miliony identycznych operacji. Przy krótkich seriach i często zmieniającym się procesie rachunek wygląda zupełnie inaczej.
Reimagine Robotics chce ten problem rozwiązać.
Startup założony przez byłych członków zespołu Applied Robotics w Google DeepMind rozwija roboty, które pracownicy mogą uczyć nowych zadań bez tradycyjnego programowania.
Człowiek pokazuje robotowi, co ma zrobić. Robot próbuje wykonać zadanie. Jeśli popełnia błąd, pracownik może skorygować jego zachowanie – między innymi poprzez fizyczne poprawienie ruchu ramienia.
Maszyna uczy się więc nie tylko przed wdrożeniem, ale również bezpośrednio w miejscu pracy.
To może wyglądać jak niewielka zmiana sposobu obsługi robota. W rzeczywistości dotyka jednego z największych problemów współczesnej automatyzacji: jak sprawić, żeby robot nie tylko potrafił wykonać zadanie, ale również można było szybko i tanio dostosować go do kolejnego?
Reimagine Robotics powstało po doświadczeniach w Google DeepMind
Reimagine Robotics powstało w 2025 roku. Firmę założyli Jonathan Scholz, Oleg Sushkov, Akhil Raju i Misha Denil – byli członkowie zespołu Google DeepMind Applied Robotics.
Scholz założył wcześniej londyński zespół Applied Robotics w DeepMind i kierował nim przez siedem lat.
Startup działa w Londynie i Sydney, a na początku sierpnia 2026 roku wyszedł z trybu stealth i szerzej zaprezentował swoją technologię. Wśród inwestorów finansujących pierwszy etap działalności znalazły się fundusze Fly Ventures i firstminute capital.
Doświadczenia z DeepMind miały przy tym duży wpływ na pomysł stojący za nową firmą.
Scholz powiedział Business Insiderowi, że trzy projekty robotyczne, nad którymi wcześniej pracował, nie wyszły poza etap pilotażu.
Problemem nie musiały być same możliwości technologii.
Problem pojawiał się podczas wdrożenia.
Robot może świetnie wyglądać podczas demonstracji, ale przedsiębiorstwo potrzebuje maszyny, którą można dostosowywać do rzeczywistych zmian zachodzących w fabryce.
Reimagine Robotics: pokaż robotowi zadanie zamiast go programować
Podejście Reimagine Robotics można sprowadzić do prostego schematu.
Pracownik pokazuje robotowi czynność.
Robot próbuje ją powtórzyć.
Jeżeli wykonuje ją nieprawidłowo, człowiek może skorygować jego zachowanie.
System wykorzystuje kolejne demonstracje i korekty do poprawy wykonywanego zadania.
Firma określa to jako „robots you can train on the job” – roboty, które można uczyć bezpośrednio podczas pracy. Na swojej stronie opisuje proces równie prosto: pokaż robotowi, co ma zrobić, popraw go tam, gdzie sobie nie radzi, a następnie dostosowuj go wraz ze zmianami procesu.
To istotna różnica w stosunku do klasycznej automatyzacji.
W tradycyjnym modelu wiedza o procesie często znajduje się po dwóch stronach.
Operator doskonale wie, jak należy wykonać konkretną czynność, ale niekoniecznie potrafi zaprogramować robota.
Inżynier automatyki potrafi zaprogramować maszynę, ale nie zawsze posiada szczegółową wiedzę pracownika wykonującego daną operację każdego dnia.
Reimagine Robotics próbuje skrócić dystans pomiędzy nimi.
Osoba posiadająca wiedzę o procesie ma być jednocześnie osobą, która może nauczyć robota wykonywania pracy.
Z jednego dnia do 10 minut
Firma testuje już rozwiązanie w rzeczywistych środowiskach produkcyjnych.
Jeden z przykładów dotyczy procesu odzyskiwania wartościowych materiałów ze zużytych dysków twardych.
Reimagine Robotics wraz z inżynierami procesu zbudowało stanowisko wykorzystujące trzy roboty do demontażu urządzeń.
Według danych podanych przez startup czas potrzebny do stworzenia i przetestowania nowego zachowania robota udało się podczas projektu skrócić z około jednego dnia do około 10 minut.
To ważne zastrzeżenie: jest to wynik przedstawiany przez samą firmę, a nie niezależny benchmark pokazujący, że każde zadanie można nauczyć robota w 10 minut.
Przykład dobrze pokazuje jednak, do czego Reimagine dąży.
Zmiana procesu nie ma oznaczać wielogodzinnego lub wielodniowego projektu programistycznego. Zespół pracujący bezpośrednio przy produkcji ma móc szybko przetestować nowy sposób wykorzystania robota.
Firma opisuje również wdrożenie w przedsiębiorstwie produkującym na zamówienie elementy z tworzyw sztucznych. Roboty obsługiwały tam drukarki 3D w nocy – m.in. zdejmowały platformy robocze i obsługiwały elementy urządzeń.
Później pracownicy klienta sami zaczęli wykorzystywać platformę do automatyzowania kolejnych etapów procesu, takich jak mycie, utwardzanie i suszenie.
I właśnie ten element może być ważniejszy niż sama konstrukcja robota.
Największym problemem robotów mogą być dane
Rozwój dużych modeli językowych był możliwy między innymi dzięki ogromnym ilościom tekstu, kodu i obrazów dostępnych w internecie.
Roboty znajdują się w innej sytuacji.
Żeby nauczyć maszynę chwytania przedmiotów, korzystania z narzędzi czy reagowania na nietypowe sytuacje w fabryce, potrzebne są dane opisujące interakcję ze światem fizycznym.
A takich danych jest znacznie mniej.
Business Insider opisuje to jako „100,000-year data gap” – ogromną różnicę pomiędzy ilością danych dostępnych dla modeli generatywnej AI a doświadczeniem, na którym mogą uczyć się roboty.
Podejście Reimagine może częściowo zmieniać sposób rozwiązania tego problemu.
Jeżeli robot może dalej uczyć się już po wdrożeniu u klienta, fabryka staje się jednocześnie miejscem wykonywania pracy i miejscem dalszego uczenia maszyny.
Każde wdrożenie może potencjalnie dostarczać doświadczenia potrzebnego do poprawiania kolejnych zastosowań.
Czy robot rzeczywiście jest tańszy od człowieka?
W jednym z wcześniejszych artykułów na PolskiStartup.pl analizowaliśmy już, ile może kosztować godzina pracy robota w porównaniu z pracownikiem i kiedy automatyzacja zaczyna się opłacać.
Sam koszt godziny pracy maszyny nie pokazuje jednak całego rachunku.
Robot musi zostać kupiony lub wynajęty, zintegrowany z procesem, zaprogramowany i uruchomiony. Później dochodzą serwis, przestoje oraz kolejne zmiany wynikające z modyfikacji produktu lub procesu.
Dlatego tańsza godzina pracy robota nie musi automatycznie oznaczać tańszego procesu.
I właśnie tutaj podejście Reimagine Robotics robi się szczególnie interesujące.
Celem nie jest wyłącznie zbudowanie maszyny wykonującej pracę taniej od człowieka. Firma próbuje obniżyć czas i koszt wdrożenia automatyzacji oraz późniejszego dostosowywania jej do nowych zadań.
Jeżeli przy każdej zmianie procesu trzeba angażować specjalistyczny zespół robotyków, elastyczna automatyzacja szybko staje się kosztowna. Scholz obrazowo powiedział Business Insiderowi, że w takim scenariuszu robot może zamienić się w bardzo drogi „przycisk do papieru”.
W tradycyjnym modelu robotyzacja najlepiej sprawdza się przy dużej liczbie identycznych operacji wykonywanych przez długi czas. Koszt wdrożenia można wtedy rozłożyć na ogromną liczbę powtórzeń.
Przy krótkich seriach produkcyjnych, częstych zmianach produktu albo dużej liczbie wariantów sytuacja wygląda inaczej.
Koszt kolejnego programowania i rekonfiguracji stanowiska zaczyna mieć coraz większe znaczenie.
Jeżeli pracownik może sam nauczyć robota nowej czynności w krótkim czasie, próg opłacalności automatyzacji może się przesunąć.
Procesy, których wcześniej nie opłacało się robotyzować, mogą zacząć mieć ekonomiczny sens.
Dlaczego może to być ważne dla polskich firm?
Z perspektywy Polski ten trend jest szczególnie interesujący ze względu na dużą rolę przemysłu i produkcji.
Jednocześnie rachunek automatyzacji może wyglądać u nas inaczej niż w Stanach Zjednoczonych czy Europie Zachodniej.
Przy niższych kosztach pracy samo zastąpienie pracownika robotem nie zawsze zapewnia równie szybki zwrot z inwestycji.
Dlatego istotne może być obniżanie całkowitego kosztu automatyzacji – nie tylko ceny maszyny, ale również kosztów integracji, programowania i późniejszych zmian.
Ma to znaczenie szczególnie w zakładach, w których występuje duża liczba produktów, krótsze serie albo regularne przezbrojenia.
Jeżeli zmiana zadania robota przestaje być osobnym projektem inżynieryjnym, ekonomika takich wdrożeń może wyglądać zupełnie inaczej.
Reimagine Robotics próbuje więc w praktyce obniżyć nie tylko koszt pracy maszyny.
Próbuje obniżyć koszt posiadania elastycznej automatyzacji.
Czy pracownicy staną się trenerami robotów?
Podejście firmy prowadzi również do ciekawego pytania dotyczącego przyszłości pracy.
Automatyzację często przedstawia się w bardzo prosty sposób:
robot zastępuje człowieka.
Rzeczywistość może być bardziej skomplikowana.
W modelu proponowanym przez Reimagine pracownik początkowo pełni rolę nauczyciela maszyny.
To on posiada wiedzę procesową. Wie, jak wygląda prawidłowo wykonana operacja. Rozpoznaje sytuacje nietypowe i potrafi ocenić, kiedy robot wykonał zadanie źle.
Scholz przewiduje nawet powstanie nowego rynku trenerów robotów, znajdujących się pomiędzy producentami maszyn a przedsiębiorstwami wykorzystującymi je w swoich zakładach.
Może przypominać to proces, który wcześniej obserwowaliśmy w IT.
Rozwój systemów low-code i no-code nie wyeliminował programistów. Pozwolił natomiast znacznie większej liczbie pracowników tworzyć proste aplikacje i automatyzacje bez zaawansowanej wiedzy technicznej.
Robotyka może przechodzić podobną zmianę.
Physical AI może być kolejnym etapem boomu na sztuczną inteligencję
Przez ostatnie lata ogromna część inwestycji w AI koncentrowała się na modelach generujących tekst, obrazy, kod czy wideo.
Teraz coraz większa część branży próbuje przenieść podobne mechanizmy do świata fizycznego.
Robot musi nie tylko rozumieć polecenie.
Musi rozpoznać otoczenie, zaplanować ruch, chwycić odpowiedni przedmiot, wykonać czynność i dostosować się do sytuacji, której wcześniej nie widział.
To znacznie trudniejszy problem niż wygenerowanie odpowiedzi w oknie przeglądarki.
Dlatego przełom w robotyce nie musi polegać wyłącznie na stworzeniu najbardziej zaawansowanego humanoida.
Równie ważne może być stworzenie robota, którego pracownik potrafi szybko nauczyć użytecznej pracy.
I właśnie na to stawia Reimagine Robotics.
Co z tego wynika dla founderów?
Historia Reimagine Robotics pokazuje jeszcze jedną ważną rzecz.
Założyciele startupu nie próbują rozwiązać wyłącznie problemu technologicznego. Próbują rozwiązać problem wdrożenia technologii.
To istotna różnica.
Produkt może działać świetnie podczas demonstracji, ale jego wartość biznesowa pojawia się dopiero wtedy, gdy klient potrafi wykorzystać go w codziennej działalności bez ciągłego wsparcia producenta.
Dotyczy to nie tylko robotyki.
W wielu startupach B2B barierą skalowania nie jest brak funkcji produktu, lecz koszt implementacji, konfiguracji, szkolenia użytkowników i późniejszej obsługi klienta.
Jeżeli wdrożenie każdego nowego klienta wymaga wielu godzin pracy wysoko wykwalifikowanego zespołu, wzrost firmy staje się kosztowny.
Reimagine próbuje przenieść część tej pracy bezpośrednio do użytkownika.
Jeżeli to podejście zadziała na większą skalę, jego najważniejszą innowacją może nie być sam robot.
Może nią być radykalne uproszczenie sposobu wdrażania robotów.
I być może właśnie tutaj znajduje się jeden z najważniejszych wyścigów w robotyce.
Nie tylko o to, kto zbuduje najbardziej zaawansowaną maszynę, ale o to, kto sprawi, że robot stanie się wystarczająco prosty i ekonomiczny, aby przedsiębiorstwo rzeczywiście mogło używać go każdego dnia.
Źródła
Business Insider – A startup founded by ex-DeepMind engineers wants to turn its customers into robot teachers, 29 sierpnia 2026.
Reimagine Robotics – oficjalna strona firmy i opis technologii „Robots you can train on the job”.
Reimagine Robotics / Business Wire – komunikat z 3 sierpnia 2026 dotyczący wyjścia firmy ze stealth, zespołu, technologii i pierwszych wdrożeń. To stąd pochodzi m.in. informacja o skróceniu czasu prototypowania i testowania nowego zachowania robota z około jednego dnia do około 10 minut.
Komentarze