Гуманоидные роботы уже танцуют, разносят попкорн и нажимают кнопки микроволновок, но до помощника, который без присмотра разберёт бельё или наведёт порядок в квартире, ещё далеко. ИИ в робототехнике заметно продвинулся в понимании команд и предметов, однако физический мир оказался куда менее покладистым, чем чат с ботом — и это важно учитывать компаниям, планирующим автоматизацию.
Tesla продвигает Optimus как будущий универсальный инструмент для фабрик и домов. Илон Маск в июле говорил акционерам, что робот со временем получит человеческую, а затем и сверхчеловеческую ловкость; в январе на форуме в Давосе он предположил, что продажи публике могут начаться к концу 2027 года. Маск также называл ориентиром цену около $20 тыс. за устройство. Но, как сообщает MIT Technology Review, демонстрационные ролики Optimus одновременно показывают и границы нынешних возможностей: робот может раздать воду или выбросить мусор, но иногда падает назад либо с трудом справляется с глажкой рубашки.
Ставки вокруг рынка велики. Глава Nvidia Дженсен Хуанг в январе заявил, что гуманоиды могут достичь человеческого уровня способностей уже в этом году. Венчурный инвестор Марк Андриссен называет робототехнику потенциально крупнейшей индустрией в истории. Morgan Stanley прогнозирует почти 1 млрд роботов, похожих на людей и действующих как люди, к 2050 году и рынок свыше $5 трлн. Такие оценки опираются на понятную аналогию: если генеративные модели научились правдоподобно работать с языком и изображениями, то следующим шагом будто бы должно стать управление телом.
Проблема в том, что язык и физика — разные уровни сложности. Чат-боту не нужно учитывать, насколько скользкая чашка, где именно проходит провод, как изменится положение предмета после касания и хватит ли усилия в захвате. Янн Лекун, один из наиболее известных исследователей ИИ, на мероприятии в Давосе заявил, что ни одна из компаний, строящих гуманоидов, пока не знает, как сделать их достаточно умными для действительно полезной работы. Джонатан Херст, сооснователь Agility Robotics и профессор робототехники Университета штата Орегон, формулирует разрыв ещё проще: придать машине человеческий силуэт легко; добиться человеческой динамики и физического поведения несравнимо труднее.
При этом реальный прогресс не сводится к эффектным видео. Один из показательных стендов Google DeepMind — ALOHA 2: две роботизированные руки с захватами и камерами, без ног, лица и прочей дорогостоящей антропоморфности. На этой платформе тестируется Gemini Robotics — модель класса vision-language-action, или VLA. Она получает изображение сцены, понимает текстовую задачу и выдаёт команды движения. Например, такая система способна по инструкции собрать простой ланч: положить хлеб в пакет, закрыть контейнер с виноградом, перенести продукты в ланчбокс и застегнуть его.
Это принципиально иной подход по сравнению с традиционной робототехникой. Раньше инженеры вручную описывали правила и траектории для множества отдельных операций — фактически писали тысячи строк кода под каждый набор условий. Теперь часть этой работы берут на себя модели зрения, языка и действия. VLA обучают на видео или сериях изображений, дополненных данными о движениях манипулятора. Такие данные обычно собирают телеуправлением: человек показывает роботу действие, а система учится воспроизводить его. Робот может увидеть на столе ноутбук, распознать команду «закрыть ноутбук», выбрать объект и выполнить движение — если похожие примеры уже встречались в обучающей выборке.
Для разработчиков это означает, что ИИ в робототехнике всё больше похож на работу с данными и моделями, а не только на настройку контроллеров и написание жёстких сценариев. Для бизнеса вывод прозаичнее: пилоты стоит искать в ограниченных, повторяемых процессах — на складе, производственной линии, в лаборатории, — где окружение можно стандартизировать и измерить результат. Универсальный гуманоид выглядит привлекательнее специализированного манипулятора, но его человеческая форма сама по себе не гарантирует универсальности, а усложняет механику, безопасность и обслуживание.
Главный вопрос для отрасли не в том, сможет ли робот однажды сложить одежду или приготовить обед, а в том, научится ли он надёжно действовать в незнакомой обстановке без бесконечного набора демонстраций. Пока модели уверенно расширяют список знакомых задач, а не обретают человеческую бытовую интуицию. Именно скорость перехода от красивого ролика к повторяемой работе в реальном цехе или квартире определит, станет ли ИИ в робототехнике следующим массовым рынком или останется дорогой витриной для инвесторских презентаций. Подробнее о дискуссии и демонстрациях — в материале .