Fyzická AI: miliardové investice mění robotiku v průmyslovou realitu

Robotika a fyzická AI přestaly být doménou laboratorních demonstrací. V prvním čtvrtletí 2026 globální financování robotických a fyzických AI společností překročilo 64 miliard dolarů jen za tři měsíce, přičemž celkové kumulované financování robotického sektoru od začátku roku 2026 dosáhlo 558 miliard dolarů — téměř dvojnásobek předchozího ročního rekordu. Tato čísla nejsou výsledkem spekulativní hysterie. Jsou výsledkem toho, že fyzická AI konečně funguje dostatečně spolehlivě, aby opravňovala průmyslové nasazení.

Co fyzická AI skutečně je a proč právě teď

Fyzická AI označuje systémy, které kombinují percepci, plánování a akci v reálném fyzickém prostředí — na rozdíl od jazykových nebo obrazových modelů operujících čistě v digitálním prostoru. Technická architektura, která posunula obor vpřed, je VLA (Vision-Language-Action) model kombinovaný s world modelem: robot nedostává předprogramované instrukce pro každý úkol, ale vytváří si vnitřní reprezentaci fyzického světa a z ní odvozuje akce.

Čínský startup Zibianliang (自变量机器人) vyvinul model WALL-A, jehož architektura fúzuje VLA s world modelem do jednotného rámce — percepce, kauzální vizuální uvažování, predikce časoprostorových stavů a exekuce tvoří jeden průchod sítí. Firma uvádí srovnatelnou výkonnost s Physical Intelligence nebo Skild AI. V lednu 2026 uzavřela kolo A++ v hodnotě 1 miliardy RMB, do kterého vstoupily ByteDance, Sequoia China, Alibaba a Meituan — jde o jeden z mála případů, kdy všechny tři největší čínské internetové platformy drží podíl v téže firmě.

Obecný posun v architektuře vypadá takto: starší generace robotů fungovala na bázi pevně zakódovaných pohybových primitiv s podmínkovou logikou. Aktuální přístupy trénují generalistické základní modely na multimodálních datech (video demonstrace, senzorická data, hmatová zpětná vazba) a výsledný model generalizuje na nové situace bez přeprogramování. Physical Intelligence tvrdí, že jejich model pi-0.5 byl natrénován na sedmi různých platformách, 68 úkolech a 104 domácích prostředích — klíčová metrika pro odhad generalizační kapacity.

Praktická hranice je ale stále zřetelná: výdrž baterie většiny humanoidních robotů se pohybuje mezi 90 a 120 minutami na nabití, což je daleko od průmyslové směny 8–20 hodin. Tesla Optimus Gen 2 není výjimkou. Tento problém není primárně softwarový.

Kde jdou peníze a proč koncentrace nevadí

Celkové globální VC financování Q1 2026 dosáhlo 300 miliard dolarů, z toho AI firmy získaly 242 miliard dolarů. Čtyři největší kola (OpenAI 122 miliard, Anthropic 30 miliard, xAI 20 miliard, Waymo 16 miliard) spolkla 65 % celkového objemu. Zbývajících 5 996 startupů si rozdělilo přibližně 112 miliard dolarů — průměr přibližně 18,7 milionu dolarů na deal. To je zdravé, nikoliv rekordní.

V robotice a fyzické AI je situace odlišná od softwarové AI v jednom klíčovém ohledu: kapitálová intenzita je strukturálně vyšší a koncentrace méně extrémní. Německá firma Neura Robotics uzavřela kolo C v hodnotě až 1,4 miliardy dolarů s investory včetně Nvidie, Amazonu, Qualcommu, Bosche a Schaeffler — diverzifikovaný průmyslový syndikát, ne jeden hyperscaler. Ocenění firmy se pohybuje kolem 7 miliard dolarů.

PitchBook data za Q4 2025 ukazují, že segment autonomních robotů zaznamenal historicky nejvyšší mezičtvrletní růst: z 3 miliard dolarů ve třetím čtvrtletí na 9,9 miliardy dolarů ve čtvrtém — nárůst o více než 230 % za jediné čtvrtletí. Pro srovnění: horizontální AI platformy ve stejném období klesly ze 31,3 na 16,2 miliardy dolarů.

Proč kapitál přetéká právě do fyzické AI teď? Tři souběžné faktory: za prvé, základní modely dosáhly úrovně, kde generalizace přes různé fyzické úkoly přestala být akademickým cvičením. Za druhé, supply chain — zejména čínský — dokázal dodat aktuátory, senzory a výpočetní hardware ve škálovatelném množství. Za třetí, průmysloví zákazníci (výroba, logistika, zdravotnictví) mají kvantifikovatelný ROI pro první scénáře nasazení.

Čínský ekosystém v roce 2026 vykazuje specifický vzorec: ze sedmi nových AI unicornů v Číně za rok 2025 jich sedm působí v robotice nebo embodied intelligence. Čínská strategie se liší od americké — nevsází primárně na základní modely, ale na kombinaci "technologie + průmyslový scénář". AgiBot v roce 2025 dodal 5 100 kusů robotů, což představovalo 39% světový tržní podíl podle objemu. Tesla měla k lednu 2026 nasazeno přes 1 000 kusů Optimusu ve vlastních továrnách a plánuje 50 000 kusů do konce roku.

Nasazení: co funguje a co ještě ne

Reálné nasazení v roce 2026 probíhá ve třech kategoriích s výrazně odlišnou zralostí.

Průmyslová výroba a logistika jsou nejdál. Scénáře jako kontrola kvality, prediktivní údržba a flexibilní montáž mají měřitelný ROI a relativně strukturované prostředí — menší nároky na generalizaci world modelu. Huang Renxun (黄仁勋) na CES 2026 explicitně uvedl, že fyzická AI může přetvořit výrobní a logistické odvětví v hodnotě 50 bilionů dolarů.

Autonomní vozidla reprezentuje Waymo s financováním 16 miliard dolarů v Q1 2026 — nejdelší kapitálová pozice v sektoru s více než desetiletou historií. Technicky jsou robotaxi nejblíže plné autonomii (SAE Level 4 v geograficky omezených oblastech), ale jednotkové náklady zůstávají problémem škálování.

Humanoidní roboti pro domácnosti a služby jsou nejméně zralí navzdory největší mediální pozornosti. Problém není software — je to kombinace výdrže baterie, spolehlivosti aktuátorů a absence dostatečně velkých datových setů z reálného nasazení. Physical Intelligence uvádí trénink na 104 domácích prostředích; to je stále řádově méně než variabilita reálného světa vyžaduje.

Klíčový technický uzel, který rozhodne o tempu nasazení, je data flywheel: nasazení robotů generuje reálná data, ta vylepšují model, lepší model umožňuje širší nasazení. Firmy jako Prometheus (Projekt Prometheus, 6,2 miliardy dolarů early-stage kolo Q4 2025) — zaměřené na fyzickou AI v strojírensky náročných odvětvích — budují vlastní fyzické provozy k generování tréninkových dat. To je nákladný, ale obhajitelný přístup: syntetická data z simulátorů (Nvidia Isaac Sim dokáže vygenerovat fyzikálně přesná data za 36 hodin místo měsíců manuálního sběru) redukují bottleneck, ale nedokáží ho zcela eliminovat.

Otázka pro příštích 12–18 měsíců není, zda fyzická AI funguje. Funguje, v ohraničených scénářích. Otázka je, zda firmy, které dnes získávají miliardová kola, zvládnou přejít od stovek nasazených kusů k desítkám tisíc — a zda se datový setrvačník roztočí dříve, než jim dojde kapitál.