Tutor Intelligence, startup z MIT, uruchomił DF1 — pierwszą w USA na taką skalę „fabrykę danych robotycznych". Sto bimanualnych manipulatorów Sonny uczy się zadań magazynowych pod okiem zdalnych teleoperatorów. Firma twierdzi, że wykrywa i koryguje błędy zachowania robotów 100 razy szybciej niż tradycyjne metody, i planuje przejście od szkoleń do pilotaży komercyjnych jeszcze w 2026 roku.
Najważniejsze w skrócie
- DF1 w Watertown (Massachusetts) to według firmy największa fabryka danych robotycznych w USA
- 100 robotów Sonny szkolonych przez 45–50 zdalnych teleoperatorów z Meksyku i Filipin
- Model Ti0 (VLA) trenowany jest techniką „velocity normalization" — wyrównującą style teleoperacji różnych operatorów
- Cassie, mobilny manipulator firmy, jest już dostępna komercyjnie od 14–18 USD/h bez umowy
- Firma zebrała 34 mln USD w rundzie Series A w grudniu 2025
Laboratorium jako kolebka inteligencji robotycznej
„Nie buduję modeli. Buduję sposób na pozyskanie właściwych danych od ludzi uczących roboty" — mówi Josh Gruenstein, współzałożyciel i CEO Tutor Intelligence. Analogia, którą stosuje, jest nieoczekiwana: DF1 porównuje do Wielkiego Zderzacza Hadronów — nie jako produkt końcowy, lecz jako instrument odkryć naukowych na drodze do skalowania humanoidów.
Tutor Intelligence powstało w 2021 roku z MIT CSAIL, a w grudniu 2025 zebrało 34 miliony dolarów w rundzie Series A. Firma należała do pierwszego kohortu programu Physical AI Fellowship organizowanego przez MassRobotics we współpracy z NVIDIA i Amazon Web Services.
DF1 mieści się w zabytkowym młynie w Watertown w stanie Massachusetts. Sto robotów Sonny — semi-humanoidalnych, dwuramiennych manipulatorów — zaczęło od zadań kompletacji towarów charakterystycznych dla e-commerce i kittingu. Pierwsze tygodnie były chaotyczne: roboty chwytały gąbki i przekąski nieudolnie, jak każda nowa klasa przedszkolaków. Ale właśnie o to chodzi: DF1 ma produkować dane z błędami i korekty, nie tylko sukcesy.
Technika uczenia: prędkość i korekta w czasie rzeczywistym
Kluczowym wyzwaniem w szkoleniu floty robotów jest niespójność danych. Każdy teleoperator ma inny styl ruchów — inną prędkość, rytm, sposób chwytania. Model uczony na tak zróżnicowanym zestawie danych może mieć trudności z generalizacją.
Tutor Intelligence rozwiązuje ten problem przez „velocity normalization" — metodę preprocessingu wyrównującą profile prędkości demonstracji różnych operatorów. Według firmy, dzięki temu Ti0 (model VLA — Vision-Language-Action) uczy się bardziej spójnej polityki ruchu.
Skala floty oferuje dodatkową zaletę: „Oceniając tę samą politykę na 100 robotach jednocześnie, jesteśmy w stanie wykrywać i korygować zachowania robotów 100 razy szybciej. Przypadek brzegowy, który normalnie wymagałby 8 godzin pracy robota, żeby go zauważyć, staje się widoczny w ciągu 5 minut operacji DF1" — informuje firma.
Cassie już zarabia — bez umowy, za 14–18 USD/h
Podczas gdy DF1 szkoli przyszłe modele, firma już dziś generuje przychody komercyjne za pomocą Cassie — mobilnego manipulatora do kompletacji i paletyzacji. Cassie może być wdrożona w ciągu dwóch dni, obsługuje pudełka do 22,6 kg i działa ze zmiennym przepływem SKU bez potrzeby przeprogramowania.
Model cenowy jest niekonwencjonalny: $14–18 za godzinę, bez umowy długoterminowej. „RaaS często ma ukryte haczyki. Mówimy o wycenie opartej na użytkowaniu" — tłumaczy Gruenstein. „Brak umowy to wyrównanie bodźców — nie zarabiamy na złożoności systemu, tylko na jego działaniu."
Klientami są m.in. BetterBody Foods (Utah i Massachusetts) oraz Productiv Inc. (kitting dla e-commerce, medtech i kosmetyków). Paul Baker, CFO Productiv, ocenia: „Robot był rentowny od pierwszego dnia i utrzymuje tempo linii produkcyjnej."
Dlaczego to ważne?
Tutor Intelligence atakuje jeden z najtrudniejszych problemów fizycznej AI: brak danych robotycznych na skalę porównywalną z danymi internetowymi dla modeli językowych. Zamiast polegać na symulacji, firma buduje rzeczywistą infrastrukturę danych — 100 robotów pracujących jednocześnie, z prawdziwymi przedmiotami, w prawdziwych warunkach, z ludzką korektą w czasie rzeczywistym.
Podejście to ma szansę rozwiązać problem, z którym zmagają się wszyscy producenci humanoidów: jak szybko nauczyć robota nowych zadań bez miesięcy zbierania danych. Jeśli DF1 dowiedzie, że „data flywheel" naprawdę działa w skali, Tutor może stać się kluczowym dostawcą infrastruktury treningowej dla całej branży.
Co dalej?
- Gruenstein zapowiada przejście od szkoleń do pilotaży komercyjnych z Sonny jeszcze w 2026 roku
- Cassie i Sonny dzielą komponenty — konwergencja platform może uprościć wdrożenia i obniżyć koszty
- Firma rekrutuje inżynierów badawczych i sprzedażowych — sygnał dalszej ekspansji
Źródła
- The Robot Report — Tutor Intelligence builds Data Factory to train robot AI in the real world
- Blog Tutor Intelligence — Building a 100-Robot Data Factory: Toward Factory-Ready AI
