Modeli vid–jezik–dejanje povezujejo razumevanje navodil, zaznavanje okolja in robotsko izvedbo. Njihova aktualnost ni v enem humanoidnem robotu, temveč v nastanku splošnejše programske plasti za prilagodljivo avtomatizacijo. 

Znanstveni okvir presoje 

Raziskave smo poiskali z iskalnikom znanstvenih objav Consensus in ugotovitve preverili v izvirnih objavah. Pri uveljavljenih člankih smo kot orientacijski prag uporabili več kot 50 citatov; novejše raziskave smo presojali po raziskovalni metodi, hitrosti citiranja, ugledu revije ali konference in skladnosti z neodvisnimi rezultati. Odločilna ni bila priljubljenost posameznega robota, temveč ponovitev istega razvojnega vzorca v več raziskovalnih skupinah [1–6]. Uspeh v simulaciji ali laboratoriju je pomemben dokaz napredka, ni pa samodejno dokaz zanesljivega delovanja v proizvodnji. 

Slika 1: Model VLA poveže navodilo z zaznavanjem, načrtovanjem, izvedbo in povratno informacijo. Avtorska vizualizacija. 

Štirje merljivi znaki tehnološkega premika 

Znanstvena podlaga ne temelji na eni predstavitvi, temveč na več vrstah merljivega napredka. Rezultati med študijami niso neposredno primerljivi, ker uporabljajo različne robote, naloge in ocenjevalna okolja, skupaj pa kažejo skupno smer razvoja. 

Razvojni znak	Merljivi dokaz	Kaj dokazuje – in česa ne
Prenos multimodalnega znanja	Pri simuliranih robotskih nalogah se je povprečna uspešnost specializiranega embodied-reasoning sistema povečala z 27 na 53 % [1].	Splošno vidno-jezikovno znanje lahko izboljša prostorsko odločanje; ne dokazuje univerzalne robotske inteligence.
Daljše naloge v novih okoljih	π₀.₅ je izvajal večstopenjska opravila, dolga 10–15 minut, v okoljih zunaj učnega nabora [2].	Model lahko ohranja cilj in sestavlja podnaloge; uspešnost je še vedno odvisna od vrste okolja in podatkov.
Prenos med robotskimi telesi	Raziskave GR00T povezujejo človeške videe, simulacijo in trajektorije več robotskih platform [3].	Del znanja je mogoče ponovno uporabiti; prilagoditev novi strojni opremi ostaja potrebna.
Učinkovitejše učenje in izvajanje	FAST je pri primerljivi zmogljivosti skrajšal učenje do petkrat; SmolVLA ima 450 milijonov parametrov in lahko deluje na dostopnejši opremi [4, 5].	Vstopni prag se znižuje; laboratorijska učinkovitost še ni celotna ekonomika produkcije.

 

Aktualni razvoj: od ukaza k utelešenemu sklepanju 

Najnovejši razvoj potrjuje, da se VLA ne razvija le kot neposreden pretvornik slike in navodila v gib. V ospredje prihaja ločena plast utelešenega sklepanja, ki razume prostor, načrtuje nalogo, zazna uspeh ali napako ter po potrebi pokliče model VLA ali drugo orodje. Posodobljene raziskovalne platforme hkrati povezujejo simulacijo, sintetične podatke, učenje, ocenjevanje in izvajanje na robotu [1, 3]. 

Aktualni platformi Gemini Robotics 2 in GR00T N1.7 dodatno širita podporo za različna robotska telesa, celotelesno upravljanje in spretnost rok. Toda njun status zahteva previdno razlago: prva je še v zasebnem preizkusnem dostopu, druga v zgodnjem dostopu, objavljeni rezultati pa večinoma izvirajo od ponudnikov. Pri Gemini Robotics 2 je bila uspešnost pobiranja predmetov glede na položaj med 45,7 in 76,3 odstotka. To je pomemben napredek, hkrati pa jasen dokaz, da zmogljivosti še niso enakomerno zanesljive [1, 3]. 

To je za podjetja pomembno, ker robotika dobiva arhitekturo, podobno sestavljenim sistemom umetne inteligence: počasnejši del razloži cilj in preverja potek, hitrejši krmilni del pa izvaja tekoče gibe. Vrednost nastaja v povezavi obeh plasti z varnostnimi krmilniki, senzorji in poslovnim procesom, ne v enem samem modelu. 

Kje ima uporaba največ poslovnega smisla 

Najprimernejše so naloge, ki so ponavljajoče, vendar ne popolnoma enake, njihov rezultat pa je mogoče jasno preveriti. Manj primerna so odprta okolja z nepredvidljivim stikom z ljudmi, dragimi posledicami napake ali brez zanesljivega načina zaznave uspeha. 

Primer uporabe	Zakaj je primeren za VLA	Nujna varovalka
Prilagodljiva proizvodnja	Podobna opravila na različnih izdelkih in v majhnih serijah.	Omejitve sile in hitrosti, kontrola kakovosti, varen izklop.
Logistika in skladišča	Spremenljivi predmeti, lokacije in zaporedja pobiranja.	Preverjanje prijema, območja gibanja in človeka v bližini.
Laboratoriji	Ponavljajoči postopki z različnimi posodami in protokoli.	Validiran postopek, sledljivost in omejena pooblastila.
Pregledi in vzdrževanje	Navodilo, vizualni pregled in uporaba orodja v istem procesu.	Potrditev zaznave napake in človeška odobritev posega.
Nevarna okolja	Vrednost oddaljenega ali delno samostojnega izvajanja je visoka.	Teleoperacija, redundanca, geografske in operativne omejitve.

 

Zakaj množična uporaba še ni samoumevna 

Podatki. Robotske trajektorije so dražje od besedila in slik, vezane na strojno opremo ter težko zajamejo redke napake. Sintetični podatki pomagajo, vendar ne odstranijo razlike med simulacijo in resničnim okoljem. 

Ponovljivost. Povprečna uspešnost ni dovolj. Produkcijski sistem mora zanesljivo obravnavati robne primere, zaznati neuspeh in se varno ustaviti. Dolga naloga poveča možnost, da se majhne napake seštevajo. 

Odzivni čas. Jezikovno načrtovanje je počasnejše od klasičnega robotskega krmiljenja. Zato se visokonivojsko sklepanje ne sme uporabljati kot nadomestilo za hitre varnostne in gibalne zanke. 

Integracija. Model je le del sistema. Potrebni so kamere, senzorji sile, prijemala, industrijski krmilniki, podatkovni tokovi, digitalni dvojček in povezava z informacijskimi sistemi podjetja. 

Varnost in odgovornost. Pri fizičnem učinku napačen odgovor postane napačno dejanje. Raziskave zato poudarjajo večplastno varnost: semantično presojo, trde omejitve gibanja in sile, nadzor delovnega območja ter operativno potrjevanje [1, 6]. 

Notranja razlaga modela ni varnostni mehanizem. Varnost zagotavljajo neodvisne omejitve, senzorji, preverjanje končnega stanja, možnost preklica in jasno določena odgovorna oseba. 

Kako naj podjetje začne 

1. Izberite eno ozko in vredno nalogo. Najprej izmerite sedanji čas izvedbe, strošek spremembe programa, pogostost napak, izmet in varnostne omejitve. Nakup humanoida ni izhodišče. 

2. Preverite kakovost zaznavanja. Če sistem ne zazna predmeta, prijema ali končnega stanja, dodatno jezikovno sklepanje ne bo rešilo procesa. Najprej zagotovite kamere, tipala in merila uspeha. 

3. Zberite demonstracije in izjeme. Pilot mora vključevati običajne izvedbe, spremenjene položaje, nove predmete, delne ovire in znane neuspehe. Merite, koliko dodatnih prikazov zahteva vsaka sprememba. 

4. Ocenite celotno ekonomiko. Spremljajte uspešnost celotne naloge, čas cikla, prekinitve, človeške posege, strošek podatkov, integracije in vzdrževanja – ne le cene modela ali robota. 

5. Stopnjujte samostojnost. Začnite v ločenem okolju, nadaljujte z delovanjem pod nadzorom in šele nato razširite obseg nalog. Vsak neuspeh naj postane nov preizkusni primer. 

Priložnost za slovenska podjetja 

Za slovenska podjetja priložnost ni nujno razvoj celotnega temeljnega modela ali humanoidnega robota. Več vrednosti lahko nastane pri povezovanju modelov VLA z industrijskimi senzorji, strojnim vidom, varnostnimi krmilniki, digitalnimi dvojčki in specifičnim znanjem posamezne panoge. 

Najbolj obrambna konkurenčna prednost bodo podatki o dejanskih nalogah, izjemah in neuspelih izvedbah. Podjetje, ki jih zna pretvoriti v varno in ponovljivo robotsko rešitev za občutljive izdelke, majhne serije, laboratorijsko avtomatizacijo ali nevarna okolja, lahko zgradi specializiran produkt z višjo dodano vrednostjo. 

Sklep 

Modeli VLA pomenijo tehnološki preboj, ker so splošno multimodalno znanje prvič sistematično povezali z robotskim delovanjem. Dokazi o prenosu znanja, daljših nalogah, več robotskih platformah in učinkovitejšem učenju so dovolj močni, da smer razvoja obravnavamo resno. Niso pa dokaz, da je splošna robotika že rešena. 

Za vodstva podjetij je prava odločitev postopna: izbrati merljiv proces, preveriti zaznavanje in varnost, zgraditi podatkovni nabor ter oceniti celotno ekonomiko. VLA je pomembna nova programska plast robotike; poslovni rezultat pa bo odvisen od kakovosti sistema okoli nje. 

Ključni viri 

[1] Google DeepMind, »Gemini Robotics: Bringing AI into the Physical World«, tehnično poročilo; »Gemini Robotics-ER 1.6 Model Card«, »Gemini Robotics 2« in varnostna dokumentacija. 

[2] Black, K. idr., »π₀.₅: a Vision-Language-Action Model with Open-World Generalization«, Proceedings of the Conference on Robot Learning, PMLR 305. 

[3] Bjorck, J. idr., »GR00T N1: An Open Foundation Model for Generalist Humanoid Robots«; NVIDIA, »GR00T N1.6« in »GR00T N1.7«. 

[4] Pertsch, K. idr., »FAST: Efficient Action Tokenization for Vision-Language-Action Models«, arXiv:2501.09747. 

[5] Shukor, M. idr., »SmolVLA: A Vision-Language-Action Model for Affordable and Efficient Robotics«, arXiv:2506.01844. 

[6] Mon-Williams, R. idr., »Embodied large language models enable robots to complete complex tasks in unpredictable environments«, Nature Machine Intelligence 7, 592–601.