Sześć. Badania: robot, który zamiast zgadywać, przeszukuje trajektorie
W warstwie badawczej najmocniejszą pozycją ostatnich dni jest praca Sakany AI i Uniwersytetu Tokijskiego, przyjęta na konferencję IROS 2026. Metoda o nazwie SAIL odwraca logikę sterowania robotem: zamiast pozwolić modelowi językowo-wizyjnemu wygenerować jedną trajektorię ruchu, system uruchamia przeszukiwanie drzewa Monte Carlo, w którym każdy węzeł to kompletny ruch, a każda krawędź to jego poprawka, a model Gemini Robotics-ER 1.5 służy jednocześnie za generator i oceniającego. W symulatorze ALOHA średnia skuteczność na sześciu zadaniach manipulacyjnych rośnie z dwudziestu pięciu procent przy jednym kandydacie do siedemdziesięciu trzech procent przy czterdziestu pięciu, a przy tej samej liczbie piętnastu węzłów metoda osiąga sześćdziesiąt pięć procent wobec pięćdziesięciu jeden dla przeszukiwania wszerz i trzydziestu siedmiu dla przeszukiwania w głąb. Na fizycznym ramieniu LeRobot SO-101 zadanie z klockiem trafiło do celu w pięciu próbach z sześciu. Żadne wagi nie były przy tym douczane.
Krytyka jest tu obowiązkowa i dwuczęściowa. Ocena symulacyjna obejmuje sześć zadań, a walidacja sprzętowa jedno zadanie i sześć prób, więc to dowód koncepcji, a nie pomiar niezawodności. Do tego wybrany ruch wykonywany jest w pętli otwartej, bez korekty wizyjnej w trakcie, co ogranicza metodę przy obiektach ruchomych i niepewnym kontakcie, a każdy dodatkowy kandydat to koszt symulacji i czasu oczekiwania. Znaczenie jest jednak większe niż jeden eksperyment, bo to ten sam mechanizm, który w warstwie tekstowej znamy jako skalowanie obliczeń w czasie wnioskowania, przeniesiony na ruch fizyczny: płacisz większym zużyciem mocy i dłuższym oczekiwaniem, żeby zamrożony model nie musiał zgadywać (Sakana AI i Uniwersytet Tokijski, arXiv 2603.08269, IROS 2026).