Alibaban Qwen-VLA ohjaa 11 robottia yhdellä mallilla

Yksi koulutus, yksitoista robottia

Alibaban Tongyi-tutkimuslaboratorio julkaisi Qwen-VLA-mallin 28. toukokuuta 2026. Kyseessä on vision-language-action -malli, joka ohjaa yhdentoista eri robottityypin liikkeitä ilman erillistä robottikohtaista koulutusta. LIBERO-vertailussa malli ylsi 97,9 prosenttiin, mikä on parhaita lukemia yleisille malleille.

Paperi ilmestyi arXiv-palveluun tunnuksella 2605.30280, ja sen takana on 40 hengen tutkijaryhmä Qiuyue Wangin johdolla. Tongyi-laboratorio on Alibaban tekoälyosasto, joka vastaa myös Qwen-kielimalleista. Robotiikkatiimin pystytti Lin Junyang, joka vahvisti tiimin olemassaolon julkisesti X-palvelussa.

Mitä vision-language-action -malli oikeasti tekee

VLA-mallit yhdistävät kameran kuvan, kielellisen ohjeen ja moottoriohjauksen samaan päättelyketjuun. Käytännössä robotti näkee pöydän, kuulee käskyn 'siirrä punainen kuppi tarjottimelle' ja tuottaa nivelten ohjausarvot suoraan ulostulona. Tähän asti jokainen merkittävä VLA-malli on koulutettu yhdelle tai muutamalle robottirungolle, koska eri valmistajien laitteet käyttäytyvät hieman eri tavoin: niveliä on eri määrä, mittakaava vaihtelee ja kameran asento muuttaa kalibrointia.

Qwen-VLA rikkoo rajoitteen kahdella tavalla. Ensiksi siinä on diffuusiopohjainen toimintapäätin (DiT), joka tuottaa jatkuvia liikeratoja yksittäisten käskyjen sijaan. Toiseksi malli käyttää embodiment-aware -kehotteita, joissa robotin morfologia ja ohjausrajoitteet kuvataan tekstinä mallille itselleen. Sama painokokonaisuus pärjää, kun kehotteeseen vaihdetaan robottikuvaus.

Kolme reittiä robotiikan perusmalliin

Kilpakenttä on ohut mutta tiukka. Figure Industries julkaisi helmikuussa 2025 Helix-mallinsa, joka ohjaa humanoidirobotin ylävartaloa kokonaisuudessaan, ranteita ja yksittäisiä sormia myöten. Helix on optimoitu yhteen runkoon, Figure 02:een, ja yhtiön strategia on pystysuora: oma rauta, oma malli, oma sovellusalue.

Boston Dynamics valitsi toisen reitin. CES 2026 -messuilla yhtiö ilmoitti integroivansa Google DeepMindin Gemini Robotics -perusmallit uuteen Atlas-humanoidiinsa. Tekoälykerroksen tuottaa kumppani, ei Boston Dynamics itse. Atlasin tämän vuoden tuotanto on jo varattu Hyundaille ja DeepMindille.

Qwen-VLA edustaa kolmatta linjaa: yhtä ohjelmistokerrosta, joka pyrkii toimimaan minkä tahansa valmistajan rungossa. Lähestymistapa muistuttaa enemmän käyttöjärjestelmätoimittajan kuin laitevalmistajan roolia. Jos malli kypsyy tuotantotasolle, robotiikka voi alkaa muistuttaa älypuhelinmarkkinaa, jossa Android ja iOS jakavat kentän eri logiikalla.

Suomalainen valinnanpaikka

Suomessa Cargotecin tytäryhtiö Kalmar kehittää autonomisia satamatraktoreita ja Konecranes pilotoi mobiilirobotteja sisälogistiikassa. Molemmilla on ollut tapana rakentaa pitkälti omat ohjausjärjestelmänsä, koska teollisuusrobotin sovellusalue on ollut riittävän kapea perustelemaan pystysuoran kehityksen.

Qwen-VLA:n kaltainen valmistajariippumaton malli muuttaa kysymystä: kannattaako jatkaa oman ohjelmistopinon kehitystä vai rakentaa kerros ulkopuolisen perusmallin päälle? Reaktor Robotics on rakentanut omaa ohjelmistokerrostaan valmistajista riippumattomasti. Suuntaus asemoi sen lähemmäs Qwen-VLA:n logiikkaa kuin Figure-tyyppistä pystysuoraa integraatiota.

Tavalliselle työntekijälle muutos ei näy heti tehdashallissa. Käytännön vaikutus alkaa kuulua siinä vaiheessa, kun keräilyvaraston tai sahatavaratehtaan robotit voi opettaa uuteen tehtävään yhdellä yhteisellä koulutuksella, vaikka koneet olisivat eri valmistajilta. Tämä laskisi automatisoinnin kynnystä erityisesti pienille ja keskisuurille tehtaille, joille robotin ohjelmointikulu on tähän asti ollut iso hidaste.

Mitä luvut eivät vielä kerro

Vertailutulokset näyttävät komeilta, mutta DOMINO-testin 26,6 prosentin nollavastaus paljastaa heikon kohdan: dynaaminen tarttuminen ja pudottaminen ovat vielä auki. LIBERO-vertailu mittaa pöydän päällä tapahtuvaa manipulointia simuloidussa ympäristössä, eikä paperin teollisuussovellusten validointi ole julkista. Reaalimaailman ALOHA-tehtävien 76,9 prosenttia kertoo silti, että siirtymä laboratoriosta laitteistolle toimii edes osittain.

Käännekohta ei ole 97,9 prosentin lukema sinänsä, vaan se että numero saatiin samalla mallilla, joka osaa myös navigoinnin ja liikeradan ennustamisen. Ohjelmistokerros alkaa irrota raudasta, ja kun se tapahtuu robotiikassa, valmistajariippumattomuuden kysymyksestä tulee elinkeinopoliittinen.