Physical AI

Amikor az AI kilép a digitális világból, és mi kell hozzá a gyakorlatban

Események

Fekszi Csaba

2026. 10. 30.
8 minutes

Az AI beköltözik a robotokba, a járművekbe és a gyári gépekbe, és ezek az eszközök már maguk érzékelnek, döntenek és cselekszenek. Egy részük már ma, ipari méretekben is megtérül, a többségük azonban még pilot, az első hasznos lépés pedig gyakran egyetlen kamera.

Elérkezett már a physical AI ChatGPT-pillanata?

Az NVIDIA szerint igen. A cég a 2025-ös CES-en kiadott sajtóközleményében Jensen Huang vezérigazgatót idézte: „A robotika ChatGPT-pillanata közeleg.” Egy évvel később, a 2026-os CES-en ismét őt idézte: „A robotika ChatGPT-pillanata elérkezett.”

A Gartner józanabbul ítéli meg ugyanezt a piacot. A 2026 júliusában megjelent Hype Cycle for Physical AI jelentésében a physical AI-t átalakító erejűnek tartja, de azt is megállapítja, hogy a felhajtás és a kockázat ma még nagyobb, mint a kézzelfogható üzleti eredmény.

A két álláspont jól megfér egymás mellett. Cikkünkben bemutatjuk, mi a physical AI, hol térül meg már ma, és hol tart még a kísérleti szakaszban. Arra is kitérünk, mit tehetnek a gyártó és logisztikai cégek már most, jóval az első robot érkezése előtt.

Mi az a physical AI

A Gartner a physical AI-t a 2026-os év legfontosabb stratégiai technológiai trendjei közé sorolja. Meghatározása szerint a physical AI olyan gépekbe és eszközökbe épített AI-t takar, amely a valós világban érzékel, dönt és cselekszik, a robotoktól és drónoktól az intelligens gyári berendezésekig.

A gyárakban évtizedek óta dolgoznak robotok. A Nemzetközi Robotikai Szövetség (International Federation of Robotics) adatai szerint 2025-ben rekordszámú, 5 millió ipari robot működött a világ gyáraiban, és az év során több mint 600 000 új robotot helyeztek üzembe.

Többségük olyan mozdulatokat ismétel, amelyeket a mérnökök előre beprogramoztak. A physical AI ezt egészíti ki érzékeléssel és ítélőképességgel: a robot így megtalálja a ferdén fekvő alkatrészt, észreveszi az útjába kerülő embert, és ennek megfelelően módosítja a mozgását. Maga a szövetség is az AI, a gépi látás és az érzékelés fejlődésével magyarázza, hogy a robotok egyre többet tudnak.

A physical AI három képességre épül, és mindhárom adatból dolgozik. Az érzékelés során a fizikai világból képek és jelek lesznek. A döntés ezeket gyakran videófelvételeken és szimulációkon tanított modellekkel értelmezi. A cselekvés során megmozdul a robotkar, a jármű vagy a szállítószalag, és minden mozdulat után a rendszernek újra fel kell ismernie a megváltozott környezetet.

Ahol a physical AI már ma megtérül

A legmeggyőzőbb eredményeket eddig ott érték el, ahol egy-egy feladatra szánt gépek nagy számban dolgoznak ellenőrzött környezetben. Az Amazon 2025 közepén jelentette be, hogy munkába állította az egymilliomodik robotját. Ekkor mutatta be a DeepFleet nevű generatív AI-alapmodellt is, amely a robotok mozgását hangolja össze. Az Amazon saját adatai szerint a modell 10%-kal csökkenti a robotok menetidejét.

A hír mögött két olyan részlet húzódik meg, amelyből minden cég tanulhat. Az Amazon a DeepFleet-et a saját, kiterjedt adataira építette, amelyek alapján az áru mozog a telephelyein belül, és a robotikai programja 2012-ig nyúlik vissza. A cég új generációs logisztikai központjában, a Louisiana állambeli Shreveportban a fejlett robotok mellett 30%-kal több munkatársra van szükség a megbízhatósági, karbantartási és mérnöki munkakörökben.

Négy dolog tanulságos ebben: a szűkre szabott feladat, a rendezett környezet, a részletes üzemeltetési adatok és az új készségek, amelyekkel a gépeket üzemben tartják. A Gartner ugyanezt mondja a készségekről: a physical AI-hoz olyan emberek kellenek, akik az IT-hoz, az üzemeltetéshez és a mérnöki munkához egyaránt értenek.

Ahol a physical AI még csak pilot

A humanoid robotok kapják a legnagyobb figyelmet, pedig éppen ezek állnak a legmesszebb az éles üzemtől. A Gartner előrejelzése szerint 2028-ig 100-nál kevesebb cég jut túl a humanoid robotokkal a kísérleti szakaszon, és 20-nál kevesebb használja majd őket éles üzemben, a gyártásban vagy az ellátási láncban.

Abdil Tunca, a Gartner ellátási láncra szakosodott elemzője, így foglalja össze az ígéret és a valóság közötti szakadékot:

“A humanoid robotok sokat ígérnek, a valóság azonban az, hogy a technológia még éretlen, és messze elmarad attól, amit sokoldalúságban és költséghatékonyságban várnak tőle.”

Abdil Tunca, Senior Principal Analyst, Gartner, 2026. január

Az elemzők négy akadályt sorolnak fel: a robotok strukturálatlan környezetben kevéssé ügyesek, nehezen alkalmazkodnak, nehezen illeszthetők be a meglévő rendszerekbe és munkafolyamatokba, sokba kerülnek, és rövid az akkumulátoruk üzemideje. A Gartner szerint a legtöbb cégnek jobb megoldás a többfunkciós robot (polyfunctional robot): olyan többcélú gép, amelynek az alakját a feladat szabja meg. Ilyen például a kerekes, teleszkópos karú robot, amely dobozokat mozgat, kartonokat szed össze, és beszkenneli a készletet.

A Gartner becslése szerint a mai technológia és árak mellett a humanoid robot többszörösébe kerül a feladatspecifikus, többfunkciós robotnak, ráadásul kisebb az áteresztőképessége és a rendelkezésre állása is. A Gartner ezért azt javasolja, hogy az automatizálás az elérendő eredményből induljon ki, és egy-egy konkrét szűk keresztmetszetre irányuljon.

A kecskeméti pilot tanulsága

Az egyik ilyen pilot Magyarországon zajlott. A Mercedes-Benz a kecskeméti gyárában és a berlini Digital Factory Campuson tesztelte az Apptronik Apollo nevű humanoid robotjait: a gépek többek között alkatrészeket szállítottak a gyártósorhoz, valamint minőségellenőrzést végeztek.

Az autógyártó 2025 márciusában részesedést szerzett az Apptronikban; a Reuters ekkor arról számolt be, hogy néhány robotot teleoperációval tanítottak be konkrét feladatokra. A teleoperáció során emberek irányítják a robotot távolról, a gép pedig megtanulja a feladatot, és utána már önállóan végzi el.

Az észszerű pilot pontosan így néz ki: kevés gép szerepel benne, a feladatok világosak, és emberek tanítják a robotot.

Mit kíván meg a physical AI a cégtől

Az üzemcsarnokban dolgozó robotnak a szenzorain kívül négy dologra van szüksége. Tudnia kell, melyik megrendelésen dolgozik, milyen alkatrészről és milyen tűrésről van szó, hol van a megfelelő tárolóhely, és mi a teendő, ha elakad a folyamat.

Ezeket a válaszokat az ERP-, MES- és raktárirányítási rendszerekben, valamint a tapasztalt gépkezelők fejében kell keresni. Még az NVIDIA 2025-ös CES-közleménye is elismerte, hogy a physical AI-modellek fejlesztése drága, és rengeteg valós adat és tesztelés kell hozzá.

A Gartner szerint a physical AI egyik legfőbb korlátja, hogy kevés a valós adat. Az AI-ért felelős vezetőknek azt tanácsolja, hogy egyszerűsítsék a szenzor- és OT/IoT-platformjaikat, vagyis azt az üzemeltetési technológiát, amely a gépeket működteti és a jeleiket gyűjti.

Itt kerül újra képbe egy régebbi szakterület. Az, hogy a robot ugyanazt a valóságot látja-e, mint az ERP, azon múlik, hogy rendben vannak-e a törzsadatok, tiszták-e az interfészek, és van-e minden adatforrásnak egyértelmű gazdája. Az Omnitnál több mint 15 éve integrálunk vállalati rendszereket. A physical AI ugyanezeket a kérdéseket veti fel, csak nagyobb a tét, hiszen egyetlen hibás rekord mostantól fizikai tárgyat is megmozdíthat.

A physical AI ugyanazokra az adatalapokra épül, mint más vállalati AI-rendszerek: egyértelmű felelősségi körökre, egységes definíciókra és a rendszerek között is megbízható adatokra. Ezt az alapot részletesebben a Miért buknak el az AI-projektek data governance nélkül → cikkünkben mutatjuk be.

Kezdje a megfigyeléssel

Sok cégnél az első physical AI-projekt még csak megfigyel. A gyártósorok és a rakodóterek fölött gyakran már most is működnek kamerák. Az AI-alapú kép- és videóelemzés eseményeket szűr ki a felvételekből: jelzi, ha hiányzik egy alkatrész, ha kimarad egy lépés, vagy ha valaki tiltott zónába lép.

Korai tevékenységfelismerési pilotunkat működő üzemben rögzített felvételeken végeztük, és az eredmény a lehetőségeket és a korlátokat egyaránt megmutatta. A jól elkülönülő, egyenletes mozdulatokat könnyebb volt felismerni, a finom vagy egymást átfedő mozdulatok nehezebbnek bizonyultak. A kamera helyzete és a megvilágítás érezhetően befolyásolta az eredményt. Még a részleges felismerés is olyan visszatérő munkamintákat tárt fel, amelyek a hagyományos üzemeltetési adatokból nem derülnek ki.

Ugyanez a tanulság a robotokra is igaz. Amelyik gép majd a látottak alapján cselekszik, az előbb a cég saját felvételein bizonyítsa be, hogy jól lát.

Előbb tanítsa meg látni a rendszert, és csak utána engedje cselekedni.

A gépekbe épített AI új szabályai 2027 januárjától

Eközben a szabályozás is változik. Az EU gépekről szóló rendelete 2027. január 20-ától váltja fel a 2006-os gépirányelvet. A legmagasabb kockázati kategóriába kerülnek azok a biztonsági alkatrészek és beépített biztonsági rendszerek, amelyek gépi tanulással fejlesztik a viselkedésüket, vagyis a rendelet szóhasználatával önfejlődő viselkedésűek. Ebben a kategóriában független bejelentett szervezetnek, azaz erre kijelölt külső tanúsítónak kell értékelnie a megfelelőséget, mielőtt a gép piacra kerül.

A szabályok azokra a cégekre is vonatkoznak, amelyek a saját gyártósoraikat alakítják át. A 18. cikk szerint, aki valamelyik gépet jelentősen módosítja, az a módosítás tekintetében a gép gyártójának minősülhet. Mielőtt meglévő gyártósorra utólag AI-alapú biztonsági funkciót telepítene, kérdezze meg a gépbiztonsági és a jogi szakembereit, hogy a változtatás jelentős módosításnak számít-e.

Az AI Act később további követelményekkel egészíti ki a gépekre vonatkozó szabályokat. A Tanács 2026 júniusában jóváhagyta azt a módosítást, amely szerint a termékekbe épített, magas kockázatú AI-rendszerekre vonatkozó szabályokat 2028. Augusztus 2-ától kell alkalmazni. A gépeknél a Bizottság magán a gépekről szóló rendeleten keresztül is előírhat további követelményeket.

Ugyanez a felkészülés általában az AI-projektekre is igaz: a technológia kiválasztása előtt érdemes tisztázni a folyamatot, az adatokat, a felelősségi köröket és a sikerkritériumokat. Ezt a keretrendszert A sikeres AI-bevezetés kulcslépései → cikkünkben mutatjuk be.

Öt lépés az első physical AI-projekt előtt

1. Nevezzen meg egyetlen szűk keresztmetszetet.
Válassza ki azt a folyamatlépést, amely fékezi az áteresztőképességet, rontja a minőséget vagy veszélyezteti a biztonságot, és állapodjon meg egy mérőszámban, amelyen lemérhető a javulás, például a selejtarányban vagy a műszakonkénti várakozási időben.

2. Előbb lásson, aztán cselekedjen.
Szereljen fel kamerát vagy szenzort arra a lépésre, nézze meg a saját felvételein, mi történik valójában, és előre rögzített go/no-go feltételek alapján döntsön.

3. Kösse össze az eseményeket a rendszerek adataival.
Minden eseményt kapcsoljon megrendeléshez, alkatrészhez és tárolóhelyhez az ERP-, az MES- vagy a raktárrendszerből, hogy minden riasztás olyan folyamathoz kerüljön, amelynek van kijelölt gazdája.

4. A gépet válassza ki utoljára.
Hasonlítsa össze a feladatspecifikus vagy többfunkciós robotot a humanoiddal az elvégzett feladatra jutó költség, a rendelkezésre állás és a karbantartáshoz szükséges készségek alapján.

5. Már az elején tisztázza a biztonsági eljárást.
Döntse el, ki hagyja jóvá a biztonsági funkciókat, a tervezett változtatás jelentős módosításnak számít-e, és melyik megfelelőségértékelési eljárás vonatkozik rá 2027 januárjától.

Az igazi ChatGPT-pillanat házon belül jön el

Elérkezett tehát a physical AI ChatGPT-pillanata? Az NVIDIA sajtóközleményeiben igen. A Gartner elemzői szerint azonban a felhajtás és a kockázat ma még nagyobb, mint a kézzelfogható üzleti eredmény.

Az igazi pillanat minden cégnél akkor jön el, amikor megvannak az alapok: a folyamatot már feltérképezték, a törzsadatok tiszták, és a kamerák felvételei már bizonyítékként használhatók. Amelyik cég ezt most felépíti, az maga dönti el, mikor és milyen robotot választ, bármikor jön is el a piac nagy pillanata.

Kezdje egyetlen szűk keresztmetszettel, egy kamerával és tiszta adatokkal. A robot jöhet utána.

Érdemes már most belevágni a physical AI-ba, és ha igen, hol?

A physical AI gyorsan fejlődik. Az igazi kérdés az, hogy a cégnél érdemes-e most lépni, és ha igen, melyik folyamatnál. Kezdje egy díjmentes, 30 perces konzultációval: az Omnit egyik senior szakértője segít megtalálni az észszerű következő lépést. Ha első lépésként jobban rá szeretne látni az üzemére, kép- és videóelemzési szolgáltatásunkat a meglévő kamerákra épülő, célzott pilottal kezdjük.

Források

Amazon. (2025). Amazon launches a new AI foundation model to power its robotic fleet and deploys its 1 millionth robot. Cikk megnyitása →
Council of the European Union. (2026). Artificial Intelligence: Council gives final green light to simplify and streamline rules. Cikk megnyitása →
Gartner. (2025). Gartner Identifies the Top Strategic Technology Trends for 2026. Cikk megnyitása →
Gartner. (2026). Gartner Predicts Fewer Than 20 Companies Will Scale Humanoid Robots for Manufacturing and Supply Chain to Production Stage by 2028. Cikk megnyitása →
Gartner. (2026). Leverage Data and World Models to Advance Physical AI. Cikk megnyitása →
Gartner. (2026). Hype Cycle for Physical AI, 2026. Cikk megnyitása →
International Federation of Robotics. (2026). Five Million Robots Now Operate in Factories Globally. Cikk megnyitása →
Murphy, B. (2026). Machine Head. Cikk megnyitása →
NVIDIA. (2025). NVIDIA Launches Cosmos World Foundation Model Platform to Accelerate Physical AI Development. Cikk megnyitása →
NVIDIA. (2026). NVIDIA Releases New Physical AI Models as Global Partners Unveil Next-Generation Robots. Cikk megnyitása →
Omnit. (2026). When Activity Recognition Meets Reality. Cikk megnyitása →
Waldersee, V. (2025). Mercedes-Benz Tests Apptronik Robots in Factories. Cikk megnyitása →

Fekszi Csaba

Fekszi Csaba informatikai szakértő, több mint két évtizedes tapasztalattal az adatmérnökség, a rendszerarchitektúra és az Mesterséges Intelligencia alapú folyamatoptimalizálás területén. Munkájának középpontjában olyan skálázható megoldások tervezése áll, amelyek mérhető üzleti értéket teremtenek.