Badacze Apple opublikowali nową pracę o robotyce z prowokacyjną tezą: robot może nie potrzebuje dedykowanego „mózgu”, żeby był użyteczny. System o nazwie AMP1 — skrót od Agentic Manipulation Policies — umożliwia ogólnym modelom AI sterowanie ramionami robotów poprzez pisanie i wykonywanie kodu w Pythonie. Według badania system przewyższył specjalistyczne polityki robotyczne w zadaniach manipulacyjnych, zarówno w symulacjach, jak i w testach w świecie rzeczywistym.

Praca zatytułowana „On Agentic Manipulation Policies” (arXiv:2611.09892) została opublikowana w listopadzie 2026 r. Kod i dane symulacyjne udostępniono publicznie, co pozwala innym laboratorium bezpośrednio zweryfikować przedstawione wyniki.

Jak działa AMP1

AMP1 działa w trybie zero-shot. Model bazowy nie przechodzi żadnego dostrajania pod konkretnego robota ani zadanie, a framework nie wymaga biblioteki demonstracji. Badanie opisuje działanie AMP1 w kilku konfiguracjach robotycznych: z jednym ramieniem, dwuręcznej (dwa ramiona) oraz mobilnej. Obsługa różnego sprzętu bez ponownego trenowania to właśnie ta elastyczność, której zwykle brakuje systemom specjalistycznym.

Framework może też dostosowywać swoją strategię w czasie rzeczywistym, m.in. korzystając z narzędzi i wykonując wyszukiwania w zależności od okoliczności.

Wyniki

W symulacjach zespół przetestował AMP1 na benchmarku RoboLab-120. W parze z modelem Gemini 4 Argon AMP1 osiągnął skuteczność 85,6%. Napędzany przez Claude Opus 5.5 osiągnął 82,8%. Dla porównania, model Astranomy firmy NVIDIA uzyskał 74,8% na tym samym benchmarku. Ponieważ AMP1 działał w trybie zero-shot, porównania te zestawiają ogólne możliwości rozumowania ze specjalistycznymi politykami zaprojektowanymi wyłącznie do zadań embodied AI.

Według badania AMP1 uzyskał także najlepsze wyniki na innych benchmarkach: 95,2% na LIBERO-PRO i 100% na robosuite.

Skuteczność w świecie rzeczywistym oceniono w 108 próbach na trzech konfiguracjach ramion robotycznych Franka. AMP1 ukończył 104 z nich, co daje skuteczność 96,3%, podczas gdy systemy bazowe ukończyły odpowiednio 49 i 30 prób. Publikacja podaje dodatkowo, że AMP1 zmniejszył liczbę awarii operacyjnych 15- do 20-krotnie w porównaniu z wiodącymi modelami bazowymi — poprawę przypisuje się głównie lepszemu radzeniu sobie z błędami.

Zespół i szerszy kontekst

Wśród autorów badania są badacze Apple Chen Chen i Omid Bagherieh. Praca ukazała się tuż po systemie HALO do nawigacji robotów humanoidalnych, również wydanym przez Apple w listopadzie 2026 r. — to dwa wydania robotyczne od Apple w ciągu jednego miesiąca.

Kategorie specjalistyczne, z którymi porównywano AMP1, obejmują modele wizyjno-językowo-sprawcze (VLAs) oraz modele światowo-sprawcze (WAMs). VLAs przyjmują obraz widziany przez robota wraz z instrukcją tekstową i generują działania fizyczne. WAMs dodają wyuczony model zachowania świata. Oba typy są tworzone specjalnie do zadań embodied AI i zwykle wymagają dużych ilości danych treningowych specyficznych dla robotów.

AMP1 idzie inną drogą. Zamiast budować robota-„mózg” od zera, korzysta z rozumowania dużych ogólnych modeli i daje im możliwość działania poprzez kod. Ten kontrast określa rangę pracy: jeśli ogólne modele mogą dorównać specjalistycznym politykom bez treningu pod konkretne zadania, ogromne zbiory danych robotycznych stojące za VLAs i WAMs mogą nie być warunkiem koniecznym sprawnej manipulacji.

Co to oznacza

Wyniki wiążą się z zastrzeżeniami przywołanymi w artykule: AMP1 opiera się na modelach firm trzecich, takich jak Gemini 4 Argon i Claude Opus 5.5, więc jego skuteczność zależy częściowo od systemów, których Apple nie kontroluje. Z drugiej strony publiczne udostępnienie kodu i danych symulacyjnych oznacza, że inne laboratoria mogą same zweryfikować te twierdzenia — niezależna replikacja będzie najjaśniejszym kolejnym testem dla opublikowanych liczb.

Ten artykuł został pierwotnie opublikowany przez CryptoBriefing i zredagowany przez Diego Almada Lopeza.