Spot má najednou mozek od Googlu. A šest dní před oznámením už běhá po reálných továrnách.

14. dubna 2026 Google DeepMind zveřejnil Gemini Robotics-ER 1.6 — nejnovější „embodied reasoning" model pro řízení fyzických robotů. Ve stejný den Boston Dynamics potvrdil, že ho integroval do platformy Orbit AIVI-Learning pro robota Spot. Jeden detail ale v oficiálních oznámeních zapadl: k ostrému provozu u zapsaných zákazníků došlo už 8. dubna, šest dní před veřejnou premiérou modelu. Mezitím přesnost čtení průmyslových manometrů v benchmarku skočila z 23 % (předchozí generace ER 1.5) na 93 % (ER 1.6 s agentickou vizí). Pro průmyslovou inspekci — obchůzky elektráren, rafinerií, výrobních hal — je to bod, po kterém se přestává diskutovat, jestli foundation modely „někdy" nahradí lidského údržbáře, a začíná se počítat, kdy se vrátí cena za Spota v korunách. V českém kontextu to padá přesně do okamžiku, kdy ČEZ chystá investici 4,4 mld Kč do modernizace Dukovan a oficiálně uvádí „plné využití dronů a prvků umělé inteligence" jako pilíř strategie. Článek zatímco rozebírá všechno, co se v chronologii 8.–14. dubna stalo, jak architektura Gemini Robotics-ER 1.6 funguje, kde selhává i v těch 7 % chyb, a co konkrétně to znamená pro Dukovany, Litvínov a Mladou Boleslav.

Co se stalo: chronologie 8.–14. dubna 2026

Jednou větou: Google DeepMind vydal 14. dubna novou generaci modelu Gemini Robotics-ER 1.6 pro řízení fyzických robotů; Boston Dynamics ho ve stejný den oficiálně přiznal v platformě Orbit AIVI-Learning pro robota Spot, ale v provozu u zapsaných zákazníků byl už od 8. dubna přes tichý „zero-downtime upgrade".

Celý příběh se dá zasadit do čtyř veřejných zdrojů s přesnými daty:

8. dubna 2026 — Boston Dynamics aktivuje Gemini Robotics v Orbit AIVI-Learning. Ve vlastním blog postu firma popisuje, že přechod „je živý pro všechny zákazníky zapsané do AIVI-Learning k datu 04/08/2026". Jde o cloudovou architekturu, kde se model refreshuje bez výpadku běhu — firma to marketingově nazývá Zero-Downtime Upgrades. Pro zákazníka to znamená, že Spot, který v úterý ráno dělal rutinní obchůzku a četl manometry s 67% úspěšností, ve středu ráno dělá totéž s 86% úspěšností bez jediného kroku ze strany zákaznického IT.

14. dubna 2026 — Google DeepMind zveřejňuje Gemini Robotics-ER 1.6. V článku na oficiálním blogu DeepMind představuje model jako „enhanced embodied reasoning" — schopnost vnímat prostor, počítat objekty, ukazovat na věci v kameře, hodnotit úspěch úkolu a volat externí nástroje (Google Search, vision-language-action modely, funkce třetích stran). Model je k dispozici přes Gemini API a Google AI Studio s ukázkovým Colabem.

14. dubna 2026 — Boston Dynamics publikuje návazný post „Tools for Your To Do List". Popisuje architekturu, kde Gemini Robotics-ER 1.6 funguje jako „prostředník mezi přirozeným jazykem a Spot API". Vývojář píše drobné skripty („tools") — GoTo, Capture, Identify, Grasp, Place, ReadGauge — a Gemini je volá na základě zadané úlohy. Firma explicitně zdůrazňuje, že model „nemůže vymyslet nové schopnosti mimo API" — tj. zůstává v hranicích toho, co Spot fyzicky umí.

15. dubna 2026 — technický tisk přichází s analýzami. IEEE Spectrum, SiliconANGLE, Robotics & Automation News zařazují story jako jednu z hlavních událostí týdne.

Benchmark: tabulka, která spustila telefony v továrnách

Samotný DeepMind blog uvádí konkrétní čísla. Tohle je bod, kde se příběh z úrovně „pěkný upgrade" mění na „vážná zpráva pro provozní ředitele":

Skok z 23 % na 93 % v jedné generaci je na robotické benchmarky neobvyklý. Pro srovnání — generační skoky u čistě textových modelů (GPT-4 → GPT-5.4, Claude Opus 3 → 4) se na srovnatelných testech pohybují v řádu jednotek až nižších desítek procent. U robotiky se zpravidla mluví o 5–15 % mezi verzemi, protože bottleneck jsou data z reálných robotů, ne compute.

Co čísla skutečně říkají: dva skoky, ne jeden. První skok (23 → 86 %) je přínos nové architektury a tréninku ER 1.6. Druhý skok (86 → 93 %) je „agentic vision" — schopnost modelu si v průběhu rozhodování sáhnout po code executionu a vizuálně si snímek předzpracovat. To je nový pattern. Model se na nejasný manometr nedívá pasivně, napíše si Python kód („zvětši oblast, zvyš kontrast, najdi ručičku"), pustí ho, a pak odpoví. Je to první případ, kdy agentic behavior měří v robotickém benchmarku měřitelný přínos.

Proč teď: embodied reasoning jako chybějící článek

Krátká odpověď: klasické vision-language-action (VLA) modely — π0, NVIDIA GR00T, RT-2 — se snaží do jedné neuronové sítě nacpat vnímání, jazyk a přímo motorické příkazy. Gemini Robotics-ER jde jinou cestou: udělá z velkého modelu jen „mozek na plánování a vnímání" a motorické řízení nechá na proprietárním API partnera. Ukázalo se, že pro průmyslovou inspekci je ta dělba práce přesnější i robustnější.

Dvě architektury, dvě filosofie

V robotické komunitě se v průběhu 2024–2026 rozdělily dvě základní filosofie, jak napojit foundation modely na fyzické stroje. Rozdíl mezi nimi je dnes víc strategický než technický.

Full VLA (vision-language-action): model přijme video z kamer a textovou instrukci, výstupem jsou přímo motorické příkazy — úhly kloubů, torzní momenty, rychlosti. Příklady: π0 od startupu Physical Intelligence, NVIDIA GR00T N1.7/N2, Google DeepMind RT-2. Plusy: jedna síť řeší vše end-to-end, generalizace mezi roboty je jednodušší. Minusy: vyžaduje gigantické datasety z reálných robotů (drahé), latence bývá vysoká, debuggování nefunguje klasicky (síť je černá skříňka).

Embodied reasoning (ER) nad proprietárním API: model vnímá scénu a rozhoduje, co má stroj udělat — ale konkrétní motoriku předává nízkoúrovňové regulaci, kterou už má robot od výrobce. Příklad: právě Gemini Robotics-ER 1.6 nad Boston Dynamics Spot API. Plusy: model se neučí chodit (to Spot umí), učí se jen „co dělat dál". Trénink je levnější, latence nižší, ladění snazší. Minusy: není to univerzální — každá nová platforma vyžaduje adaptér, a schopnost robota je omezena tím, co API nabízí.

Tool-calling: jak to v praxi vypadá

Konkrétní příklad z Boston Dynamics blogu. Spot dostane vysokoúrovňový pokyn: „Zkontroluj, jestli jsou všechny manometry v zóně B v provozním rozsahu." Následuje přibližně tento dialog mezi Gemini a Spot API:

1. Gemini → GoTo(zone="B-inspection-start")
   Spot: ✓ navigated, camera feed updated

2. Gemini → Identify(target="gauges")
   Spot: found 3 gauges at positions P1, P2, P3

3. Gemini → Capture(position=P1, zoom=2x)
   Spot: returns high-res image

4. Gemini → (agentic vision) spustí Python:
     zoom na ručičku, zvýšení kontrastu
   → odpověď: "ručička ukazuje 4.2 bar"

5. Gemini → porovná s rozsahem (3.8–4.8 bar) → OK

6. Gemini → GoTo(position=P2) … opakuje

7. Gemini → Report(status="all_ok",
                   readings=[4.2, 4.5, 4.1])

Zásadní detail: v kroku 4 model nezmění políčko v síti. Skutečně napíše krátký Python kód, spustí ho na přiloženém obrázku a pak teprve vyhodnocuje výsledek. Je to stejný pattern, jaký používají textoví „agenti" typu Claude Code nebo OpenAI Codex při práci s kódem — jen přenesený do fyzického světa. Spot už není jen robot s kamerou, je to první krok směrem k „agentu s tělem".

A právě to je důvod, proč Google nepoložil Gemini Robotics-ER 1.6 vedle Gemini 3.0 Flash v benchmarku. Flash už umí vidění, jazyk, volání nástrojů. Rozdíl (67 % vs. 86 % na čtení přístrojů) ukazuje, kolik přidá specializovaný robotický trénink nad obecný multimodální model. Jinak řečeno: obecný Gemini 3.0 Flash byste mohli nasadit už dnes a čtyři z deseti obchůzek by selhaly. S ER 1.6 selže zhruba jedna z deseti bez agentic vision, méně než jedna z patnácti s agentic vision.

Kdo má z toho co: mapování zájmů a sázek

Krátká odpověď: Google DeepMind získává referenční nasazení pro robotickou vrstvu Gemini ekosystému, Boston Dynamics (vlastněno Hyundaiem) zvedá marži přechodem z hardwarového do softwarového byznysu, průmysloví zákazníci dostávají 24/7 inspekci v rizikových zónách. Prohrávají tradiční SCADA/CCTV integrátoři a firmy postavené na lidských EHS auditech.

Strategicky nejdůležitější je vazba Google DeepMind ↔ Boston Dynamics. Do této chvíle bylo jasně rozlišeno: OpenAI má Figure AI a Agility Robotics jako partnery, NVIDIA má platformu Cosmos a Isaac Sim, kterou používá Figure, 1X i Boston Dynamics. Google si tím 14. dubna 2026 vybral stranu: místo aby koupil vlastního robotického výrobce (jako kdysi v éře prvního vlastnictví Boston Dynamics 2013–2017), uzavírá deep partnership a míří na nejvýnosnější segment — komerční inspekci v kritické infrastruktuře.

V tom citátu je schovaná zásadní posun: klíčové slovo je „autonomně". Do této chvíle Spot dělal, co mu skript řekl. Teď začíná dělat, co úloha vyžaduje. To je rozdíl mezi „CNC strojem s kamerou" a „kolegou".

Counter-narrative: kde se to ještě tříští

Krátká odpověď: Foundation modely pro robotiku fungují měřitelně lépe než před rokem, ale stále trpí křehkostí mimo trénovací distribuci, vysokými výpočetními nároky a problémem transferu mezi platformami. 93% úspěšnost na benchmarku neznamená 93% úspěšnost v každé hale. Kdo tuto nuanci ignoruje, podepíše pilot, který se do roka rozpadne.

Transfer bottleneck (Epoch AI, 2026)

Výzkumná organizace Epoch AI publikovala v dubnu 2026 analýzu „Where Autonomy Works: Evaluating Robot Capabilities in 2026". Hlavní závěr: komerčně nasazené robotické úlohy (warehouse picking, delivery, underwater navigation) jsou právě ty, kde už purpose-built systémy dobře fungovaly i před foundation modely. V kategoriích, kde foundation modely skutečně otevírají novou úroveň (domácí úklid, složité servisní úlohy), „reliable transfer has not yet been demonstrated". Průmyslová inspekce je zajímavě uprostřed — strukturovaná natolik, aby se v ní nové modely daly nasadit, ale ne tak rutinní jako warehouse picking.

Brittleness: proč osvětlení láme modely (ScienceDirect, 2025)

Studie „Beyond performance: Explaining generalisation failures of Robotic Foundation Models in industrial simulation" dokumentuje konkrétní módy selhání. Modulární pipeline jsou „brittle to sensor noise and calibration errors" a modely selhávají, když se potká „environment configuration or lighting conditions not present in training". V praxi to znamená: model trénovaný na manometrech v laboratoři s LED osvětlením může v rafinerii s halogenovými lampami a zašpiněným sklíčkem spadnout o 20–40 procentních bodů.

Kombinatorický výbuch edge cases

Každá inspekční úloha má několik „os" variability:

Pokud má úloha 6 os po 4 hodnotách, dostáváme se na tisíce kombinací. Test set DeepMindu těžko pokryje víc než několik stovek. To neznamená, že ER 1.6 není dobrý — znamená to, že 93 % v testu je pro produkční nasazení horní mez, ne dolní. V konkrétní rafinerii může být reálný výsledek 85 %, 78 % nebo 97 % — a zjistíte to až při pilotu.

Latence a compute

Agentic vision (krok, kde si model napíše Python a spustí ho) stojí čas. Reálná latence na jedno „čtení přístroje s agentic vision" se dnes pohybuje v řádu 2–10 sekund. Při obchůzce se stovkou bodů to dělá několik minut čisté „AI čekačky" nad rámec času pohybu Spota. Pro rutinní obchůzku to nevadí, pro reaktivní monitoring (odezva na alarm) to může být problém. Otázka „kolik compute budeme platit za každé čtení manometru" zatím nemá veřejně publikovaný ceník.

Jak to číst: 93 % přístrojového benchmarku je skutečný skok, ale mezi laboratorním měřením a pěti lety bezproblémového provozu v Dukovanech jsou ještě roky pilotů, kalibrace a detailní práce. Každý vedoucí údržby, který si z tohoto článku odnese jen to první číslo, si ublíží.

Co to znamená pro český průmysl

Krátká odpověď: Tři sektory v Česku mají akutní zájem i rozpočet — jádro (ČEZ), petrochemie (Unipetrol v Litvínově a Kralupech, Orlen) a automotive (Škoda Auto). Ve všech třech případech je klíčová hodnota autonomní inspekce v rizikové zóně (radiace, ATEX, vysoká teplota), ne prosté nahrazení levného inspektora. Break-even při 24/7 provozu vychází na 3–4 roky, ale rozhoduje přístup do prostor, kam člověk nemá co dělat.

ČEZ — Dukovany a Temelín jako první velký CZ poptávka

ČEZ v lednu 2026 oznámil investici 4,4 miliardy korun do modernizace Dukovan s explicitní linií strategie: „plné využití dronů a prvků umělé inteligence". V kontextu plánovaného prodloužení životnosti Dukovan o 20 let jde o standardní motivaci — zvednout sběr dat o stavu zařízení tak, aby se dalo obhájit další provozní období a snížilo se riziko nečekaných odstávek.

Konkrétní use cases pro Spot + Gemini Robotics-ER 1.6 v jaderné elektrárně:

• Obchůzky sekundárních okruhů (turbinovny) — desítky manometrů, indikátorů teploty, tlaku. Dnes to dělají operátoři v rámci standardní směny.
• Radiační zóny při údržbě — při plánované odstávce (1× ročně) jsou v některých prostorách přístupné okupační limity pro personál v řádu desítek minut. Robot je zde jedinou cestou k průběžnému monitoringu.
• Sklady jaderného paliva a mezisklad Dukovany (SVJP) — rutinní vizuální kontroly v prostředí, kde každý lidský vstup znamená evidenci dozimetrické zátěže.
• Poskytování auditního feedu regulátorovi (SÚJB) — dokladovat dodržování kontrolních intervalů je dnes administrativní zátěž. Robot s auditem „co viděl a kdy" to usnadňuje.

Z realistického pohledu: ČEZ nespustí Spot s Gemini zítra. Certifikace pro jaderná zařízení v ČR (SÚJB) je dlouhý proces. Ale budgetová linie „drony + AI" na 2026 je připravená, a ČEZ má historicky zájem o dronové technologie (pilotní lety v Temelíně a Dukovanech běží už od 2018). Přechod od dronů (pro vizuální kontrolu fasád, ochlazovacích věží) k pozemním robotům typu Spot (pro vnitřní prostory) je logickým dalším krokem.

Unipetrol a Orlen — ATEX zóny v Litvínově a Kralupech

V rafinériích a petrochemii je hlavní motivací zvýšení bezpečnosti v zónách s nebezpečím výbušné atmosféry (ATEX). Každý lidský vstup do ATEX zóny znamená speciální vybavení, dokumentaci, dvojčlennou posádku. Manometr v ATEX Z1 se čte typicky při rutinní obchůzce 1× za směnu, a technik tam musí pokaždé fyzicky dojít.

Spot má EX certifikované varianty — na světě již běží u ExxonMobil a dalších majors. Česká petrochemie zatím tento krok veřejně neoznámila, ale use case je přímo stavěný na míru: čtení tlaků a teplot v ATEX, kontrola venting ventilů, detekce úniků podle vizuálních znaků (námraza, olejová skvrna, poškozená izolace).

Škoda Auto — Industry 4.0 jako připravený terén

Škoda Auto dlouhodobě vykazuje zájem o automatizaci v Mladé Boleslavi, Kvasinách i Vrchlabí. Výhodou pro Gemini Robotics-ER 1.6 je, že Škoda už má digitální dvojče svých výrobních linek (spolupráce s Accenture a Siemensem), takže robot by vstupoval do prostředí, kde jsou známé layouty, ERP systémy a bezpečnostní zóny.

Konkrétní úlohy: kontrola 5S standardu v halách, měření kvality svárů ve zvlášť vytížených robotických pracovištích, inspekce dopravníkového systému a vedení materiálu. Škoda má pro tyto úlohy dnes týmy kontrolorů; automatizací se uvolní lidská kapacita pro ty úlohy, kde robot zatím neuspěje (přesné měření, dvoujohled, komunikace s dodavatelem).

ROI kalkulace v korunách

Tabulka, která se bude diskutovat na provozních poradách příštích měsíců:

Zásadní pozorování: proti jednomu FTE vychází Spot jako ekonomicky sporné rozhodnutí (3–4 roky návratnost, a každá porucha robota to posouvá). Proti 24/7 pokrytí se situace mění — pro kritickou infrastrukturu, kde má trvalý monitoring přímý vliv na dostupnost (a tedy na výnos nebo regulatorní riziko), vychází Spot výhodněji už během prvního roku.

Druhé pozorování: ekonomiku zachraňuje specializace na rizikové zóny. Pro řadu CZ firem jde o „novou kapacitu", ne „náhradu FTE". Dnes se do zóny Z1 v petrochemii prostě nechodí dívat každou hodinu. Se Spotem se dá — a to je hodnota, která se těžko kvantifikuje v klasickém ROI, ale v kvantifikuje se v pravděpodobnosti havárie, která nenastane.

Regulatorní kontext

Důležitá nuance pro právníky a compliance týmy:

• EU AI Act (plné účinnosti od 2. 8. 2026): robotická inspekce není ve vysoce rizikových systémech dle Annex III. Průmyslový use case zůstává mimo nejpřísnější oddíl nařízení. Povinnosti z kategorie general-purpose AI systémů (transparentnost, loging) se ale vztahují na foundation model (Gemini) — z toho plynou závazky Googlu, ne zákazníka.
• EU Machinery Regulation 2023/1230 (účinnost 20. 1. 2027): zahrnuje autonomní strojní systémy s AI řízením. Přesně sedí do období, kdy Spot + Gemini ER 1.6 přejde z pilotů do rutiny.
• NIS2 a kritická infrastruktura: v ČR od roku 2025 rozšiřuje okruh povinných subjektů na ~6 000 organizací včetně jaderných a petrochemických. Robotická inspekce, pokud je napojená do SCADA a do cloudu, spadá pod posouzení kyberbezpečnosti. Zero-downtime upgrade přes cloud je skvělá UX, ale v NIS2 auditu bude dotaz „kdo má oprávnění do cloud kanálu upgradovat firmware vašeho robota".
• Český zákoník práce a BOZP: odpovědnost za kontrolu BOZP zůstává na právnické osobě. Robot je nástroj kontroly, ne nositel odpovědnosti. Pokud Spot nezaznamená únik a dojde ke škodě, odpovědnost nese provozovatel, ne Boston Dynamics ani Google.

Co sledovat dál: signály a milníky

Krátká odpověď: Během následujících šesti měsíců rozhodne pět událostí, jestli je Gemini Robotics-ER 1.6 začátkem nové éry průmyslové robotiky, nebo jen jedním z pilotů, které po kvartálním reportu zmizí. Klíčové je sledovat (a) spuštění GR00T N2 od NVIDIA, (b) rozšíření AIVI-Learning mimo US, (c) první veřejně ohlášený CZ/EU pilot, (d) incident nebo safety selhání, (e) cenovou politiku Google API.

Pět konkrétních signálů

1. Rozšíření AIVI-Learning v EU. Boston Dynamics dosud neohlásil evropské zákazníky v AIVI-Learning programu. Velcí kandidáti: Siemens Energy, RWE, Vattenfall, Equinor. Pokud některý z nich do konce Q3 2026 oznámí nasazení, je to potvrzení, že model funguje i mimo US prostředí. Pokud nikdo, je to signál, že certifikace a customizace jsou pomalejší, než PR naznačoval.

2. NVIDIA GR00T N2 (konec 2026). NVIDIA avizuje N2 jako full VLA model s „více než 2× vyšší úspěšností transferu". Pokud splní, Google DeepMind bude muset buď urychlit GR 1.7/2.0, nebo přijmout, že patří Boston Dynamicsu — a NVIDIA patří Figure, 1X, Agility. Rozdělení trhu mezi dva stacky by znamenalo pomalejší integraci, ale širší inovaci.

3. První veřejně ohlášený CZ/EU pilot. Čeká se na tiskovou zprávu ČEZ, Unipetrolu nebo Škoda Auto. Pravděpodobnost do 6 měsíců: střední. Pokud přijde, pravděpodobně z energetiky (nejlepší rozpočet, strategická linie „drony + AI"). Signál k hledání: konkurzy na „autonomní inspekční systém" nebo „pilotní projekt Industry 4.0" ve veřejných registrech.

4. Safety incident nebo publikované selhání. Nasazení v produkci dřív nebo později přinese incident. Detekovaný a reportovaný incident (např. Spot neviděl únik, škoda 50 mil Kč) změní dynamiku víc než kterákoli PR aktivita. Pokud přijde v 2026, zpomalí to adopci; pokud nepřijde do 2027, bude se Spot s Gemini etablovat jako safety-critical-grade nástroj.

5. Cenová politika Google API. Cena za volání Gemini Robotics-ER 1.6 zatím nebyla veřejně zveřejněna jako samostatná metrika. Pokud Google použije stejné ceny jako Gemini 3.0 Flash ($0.075 za 1M input tokenů), vyjde hodinová obchůzka na nízké jednotky dolarů. Pokud si Google účtuje premium (jako u Claude Opus vs. Haiku), ekonomika se mění. TCO nasazení zatím odhadují analytici jen hrubě.

Co sledovat v Česku konkrétně

Pro běžnou českou firmu, která nečte manometry v ATEX zóně, je zpráva jiná: sledujte to, učte se pattern. Embodied reasoning (dělení na „plánování" a „motorické řízení") se přenese do dalších domén — od skladové logistiky po kancelářskou robotiku. Kdo dnes pochopí, jak to funguje architektonicky, bude lépe připravený na moment, kdy to přijde do domény, která se ho týká.

Souvislosti na josefd.cz

Téma foundation modelů v reálném provozu navazuje na několik dřívějších textů:

• Claude Mythos vs. GPT-5.4-Cyber — paralela v bezpečnosti: foundation modely začínají odhalovat 27leté zero-days. Jiná doména, stejný pattern „frontier AI pushed to a narrow but safety-critical task".
• AI agenti v praxi: proč 40 % projektů selhává — rámec, proč ne každý pilot autonomní inspekce uspěje. Applikovatelný při rozhodování, jestli jít do CZ pilotu Spot + Gemini.
• Jak zavést AI do firmy bez chaosu — krok-za-krokem framework pro adopci, který v tomto článku bylo potřeba zkrátit na šestibodový checklist.
• Náklady na AI API: jak nekrvácet na tokenech — bude ještě relevantnější, až Google zveřejní ceník Gemini Robotics-ER 1.6 jako samostatné API jednotky.

Časté otázky