Roboty, które przenoszą 40-kilogramowe paczki i obliczają trasy w ułamku sekundy, potrafią się kompletnie zablokować na widok kota. To nie żart — to coraz lepiej udokumentowany problem, który odsłania fundamentalne ograniczenia sztucznej inteligencji.
Oto magazyn przyszłości. Humanoidalne roboty, każdy wart tyle, co luksusowe mieszkanie w centrum dużego miasta, sprawnie przemierzają korytarze między regałami. Dźwigają 40-kilogramowe paczki bez zmęczenia. Analizują optymalne trasy w ułamku sekundy. Na pierwszy rzut oka — idealne maszyny, odporne na ludzkie słabości: choroby, zmęczenie, nieobecności w pracy.
Ale potem pojawia się Marek z działu przyjęć towaru. Marek ma kota. Kot ma swoje zdanie na temat tego, gdzie mu wolno siedzieć. I od tego momentu cały system zaczyna się sypać.
Scenariusz powyższy? Jak najbardziej możliwy, bo udokumentowane przypadki awarii robotów magazynowych z powodu nieprzewidywalnych elementów środowiska — właśnie takich jak swobodnie poruszające się zwierzęta — stają się coraz częstszym tematem w branżowych raportach. Startupy wdrażające roboty w realnych magazynach notują wskaźniki awarii sięgające 30%, a głównym wrogiem jest nie awaria mechaniczna, lecz coś, czego nie da się zaplanować w laboratorium: chaos prawdziwego życia.
Kocie fakty kontra superinteligencja
W 2025 roku opublikowano badanie, które — gdyby nie fakt, że jest jak najbardziej realne — mogłoby uchodzić za żart. Naukowcy z Collinear AI, ServiceNow i Stanford University stworzyli system zwany CatAttack. Jego cel? Sprawdzić, jak bardzo można zdestabilizować najnowocześniejsze modele AI zaawansowanego wnioskowania — te same, które reklamowane są jako zdolne do rozwiązywania skomplikowanych problemów matematycznych i logicznych krok po kroku.
Odpowiedź okazała się niepokojąco prosta.
Wystarczyło dołączyć do zadania matematycznego jedno niepowiązane z tym zadaniem zdanie, brzmiące: „Ciekawostka: koty śpią przez większą część swojego życia”. Efekt? Prawdopodobieństwo błędnej odpowiedzi modelu wzrastało ponad dwukrotnie. W zależności od testowanego systemu wzrost liczby błędów sięgał nawet 700 procent. Zaawansowane modele, w tym OpenAI o1 i DeepSeek R1, okazały się podatne na tak banalną ingerencję. Nawet jeśli kocia ciekawostka nie powodowała błędu, często niemal podwajała długość odpowiedzi — co przekłada się na wymierne spowolnienie i wzrost kosztów.
Innymi słowy: sztuczna inteligencja, której powierzamy coraz poważniejsze zadania, traci wątek i gubi się w matematycznych obliczeniach po przeczytaniu czegoś o kocich nawykach sennych. To zresztą łatwe do wytłumaczenia. Merytoryczna aż do bólu maszyna stara się za wszelką cenę tego śpiącego kota wpleść w rozwiązanie zleconego zadania matematycznego lub programistycznego.
Genialny student, który nigdy nie wyszedł z biblioteki
To nie jest odosobniony błąd jednego modelu. To objaw głębszego zjawiska, które badacze nazywają problemem przypadków brzegowych (ang. edge cases). Systemy AI są trenowane na starannie dobranych, często sterylnych zestawach danych. W kontrolowanych warunkach działają rewelacyjnie. Problem pojawia się, gdy wychodzą „w teren” — gdzie rzeczywistość nie przestrzega zasad wyuczonych w laboratorium.
Pisaliśmy już na Cyborg.guide o tym, jak nawet złożenie zwykłej koszulki [LINK DO ARTYKUŁU O T-SHIRCIE] pozostaje dla robotów zadaniem wykraczającym poza ich możliwości. Tkanina jest miękka, zmienia kształt przy każdym ruchu, nigdy nie leży tak samo dwa razy. Robot, który bezbłędnie przenosi metalowe skrzynie, staje bezradny wobec bawełnianego T-shirtu.
Magazynowy kot to ten sam problem — tyle że ruchomy i z własną wolą.
Robot magazynowy jest trenowany na symulacjach fizycznych: korytarze, regały, palety, wózki widłowe. Modele ruchu pracowników. Trajektorie innych maszyn. Ale kot — albo pies, przebiegająca mysz, albo kartka papieru uniesiona podmuchem klimatyzacji — to obiekt, który nie istnieje w żadnej symulacji. Dla algorytmu to „nieznany obiekt poruszający się w nieprzewidywalny sposób”. Reakcja obronna: zatrzymaj się. Zaalarmuj system. Czekaj na interwencję człowieka.
Miliony dolarów. Tryb czuwania. Człowiek wchodzi, przegania kota. Robot rusza dalej.
Moje psy versus Roomba: kto tu jest mądrzejszy?
I tu pozwolę sobie na dygresję z życia wziętą — bo ilustruje ona coś ważnego.
Mam w domu dwa psy i automatycznego robota sprzątającego. Psy, kiedy Roomba pojawia się w pokoju, obserwują go z uwagą — widzą wyraźnie, że to coś nowego, coś nieokreślonego. Nie wiedzą, co to jest. Ale reagują z godną pozazdroszczenia stoicką powagą: gdy robot zbliża się do miejsca, gdzie właśnie leżą, po prostu wstają i spokojnie schodzą mu z drogi. Żadnej awantury, żadnej ucieczki w panice, żadnego szczekania. Zaakceptowały niezrozumiały byt i dostosowały się.
A teraz Roomba. Czy Roomba miałaby problem z kotem przechadzającym się przez salon? Absolutnie tak — nowoczesne roboty sprzątające regularnie „grzęzną” na kudłatych dywanach, wpadają pod meble, mylą cień z przeszkodą. A co dopiero z żywym zwierzęciem.
Wychodzi na to, że moje psy są lepszymi „inżynierami adaptacji” niż niejeden zaawansowany system AI. Bo adaptacja do chaosu to właśnie to, czego AI wciąż nie opanowała.
Dlaczego Terminator poczeka jeszcze kilkadziesiąt lat
Ten bunt maszyn, który straszy nas z ekranów kin? Spokojnie. Robot, który blokuje się na widok śpiącego kota albo traci matematyczną pewność siebie po przeczytaniu ciekawostki o kocich zwyczajach, nie jest gotowy do przejęcia władzy nad światem.
To, z czym mamy do czynienia, to paradoks pozornej wszechmocy AI. Z jednej strony systemy, które diagnozują choroby rzadsze niż większość lekarzy je kiedykolwiek w życiu choć raz zobaczy, piszą kod, komponują muzykę, planują misje kosmiczne. Z drugiej strony — systemy, które kompletnie się gubią, gdy rzeczywistość odbiega od skryptu.
Prawdziwy świat jest pełen chaosu, którego nie daje się zaprogramować w laboratorium. Są w nim koty śpiące na paletach. Są psy przechadzające się przez hale produkcyjne. Są kartki papieru unoszone przez przeciąg i dzieci biegnące za piłką. I pracownicy, którzy nagle skręcają nie tam, gdzie powinni.
Każdy z tych elementów to edge case — przypadek brzegowy, sytuacja, której nie było w danych treningowych. A AI bez danych treningowych to jak genialny student bez podręcznika: błyskotliwy w tym, czego się uczył, zupełnie zagubiony wobec czegoś, czego w podręczniku nie było.
Co z tego wynika?
Nie chodzi o to, żeby wyśmiewać sztuczną inteligencję. Postęp jest realny i imponujący. Roboty humanoidalne naprawdę wkraczają do magazynów, fabryk i szpitali — i naprawdę zmieniają sposób, w jaki działa logistyka. Ale tempo tego procesu jest wolniejsze, niż sugerują nagłówki prasowe — właśnie dlatego, że rzeczywistość jest nieprzewidywalna.
CatAttack pokazał w laboratorium to, co branża robotyki odkrywa w praktyce: AI jest krucha tam, gdzie spodziewamy się jej odporności. Doskonała w sterylnych warunkach, bezradna wobec entropii codzienności.
A codzienność — jak wiadomo — zawsze znajdzie sposób, żeby kot pojawił się dokładnie tam, gdzie się najmniej go spodziewamy.
Artykuł powstał w oparciu m.in. o badanie „Cats Confuse Reasoning LLM: Query Agnostic Adversarial Triggers for Reasoning Models” (Collinear AI / ServiceNow / Stanford University, 2025) oraz raporty branżowe dotyczące wdrożeń robotyki humanoidalnej w logistyce.
