Видео с роботами, которые танцуют, прыгают и ловко работают на конвейере, создают ощущение, будто гуманоиды уже стоят в очереди на замену людям.

На практике всё сложнее.

Роботы действительно научились гораздо большему, чем несколько лет назад. Но до универсального рабочего, который самостоятельно приходит на завод и выполняет задачи человека без постоянного контроля, ещё далеко.

Главное ограничение сегодня — уже не столько механика, сколько данные и программное обеспечение.

Физический ИИ должен не просто понимать текст или изображение. Ему нужно видеть реальный мир, ориентироваться в пространстве, чувствовать контакт с предметами, планировать действия и безопасно выполнять их на физической платформе.

Что такое физический ИИ

Физический ИИ — это искусственный интеллект, который воспринимает окружающий мир через сенсоры и на основе этих данных управляет физическими действиями робота.

В обычном ИИ модель работает с информацией на сервере. В физическом ИИ результат должен превратиться в конкретное действие: взять предмет, повернуть деталь, нажать кнопку, обойти препятствие.

И здесь возникает главная проблема.

Для больших языковых моделей есть практически бесконечный источник обучающих данных — интернет. У роботов такого источника нет. Открытых наборов данных пока недостаточно, чтобы обучить универсальную модель, способную уверенно переносить навыки между разными задачами и средами.

Поэтому современная робототехника движется сразу в нескольких направлениях.

Одно из главных — VLA-модели, которые объединяют зрение, язык и действие. Они получают информацию с сенсоров и должны определить, какое действие выполнить следующим.

Но одной модели часто недостаточно. Голос, трёхмерные данные, глубина изображения и другие типы информации сложно объединить в одну систему. Поэтому всё больше внимания уделяется агентной архитектуре, где разные специализированные модели работают вместе.

Почему именно гуманоиды

Физический ИИ и гуманоидный робот — не одно и то же.

Гуманоид — это робот с человекоподобной формой.

Физический ИИ — интеллект, который способен воспринимать физическую среду и действовать в ней.

Можно сделать манипулятор с физическим ИИ, но без человекоподобного тела. Можно сделать гуманоидного робота, который просто повторяет заранее записанные движения и практически не понимает окружающую среду.

Тогда зачем вообще нужна форма человека?

Потому что огромная часть нашей инфраструктуры уже создана под человеческое тело.

Дверные ручки, кнопки, лестницы, рабочие поверхности, инструменты, производственные линии — всё это рассчитано на человека.

Поэтому гуманоид может использовать уже существующую инфраструктуру без необходимости перестраивать весь завод. Кроме того, у разработчиков появляется огромное количество данных о человеческих действиях, которые можно использовать для обучения.

При этом копировать человека один в один необязательно.

Если дополнительный сустав или вращающийся торс позволяют роботу быстрее выполнить операцию, робот должен использовать такую конструкцию. Цель — не создать искусственного человека, а получить максимально универсальный инструмент.

Что робот должен уметь чувствовать

Главная ошибка в разговорах о гуманоидных роботах — представлять их как камеры на ногах.

Зрения недостаточно.

Зрение

Сейчас это главный сенсорный канал робота.

VLA-модели позволяют связать изображение, текст, рассуждение и действие. Благодаря этому робот может получить команду на естественном языке и выполнить её с учётом того, что происходит перед ним.

Современные роботы также используют RGB-D камеры, которые дополнительно определяют расстояние до объектов, а некоторые платформы оснащаются лидарами и получают трёхмерную модель окружающего пространства.

Но и здесь есть ограничение: качественных данных для обучения моделей, работающих с трёхмерным пространством, пока недостаточно.

Осязание

Вторая критически важная модальность — тактильные ощущения.

Человек ведь не смотрит постоянно на кружку, когда берёт её со стола. Мы посмотрели на объект, начали движение, а дальше огромное количество информации получаем через контакт руки с предметом.

Роботу нужно делать то же самое.

Особенно это важно при работе с маленькими деталями, болтами, гайками и другими объектами, где одного зрения недостаточно.

Ещё сложнее работать с деформируемыми предметами — например, складывать одежду или вытирать поверхность тряпкой.

Для этого нужны тактильные сенсоры и полноценная силовая обратная связь. В перспективе речь идёт даже об искусственной коже, которая сможет определять давление, вибрации и начало скольжения.

Слух

Со звуком ситуация пока ещё сложнее.

Сегодня робот обычно воспринимает речь через промежуточный текстовый слой:

аудио → распознавание речи → текст → обработка моделью → ответ → синтез речи.

Но для полноценного физического ИИ этого мало.

Представьте робота, который собирает деталь. Он должен понимать не только слова человека, но и окружающие звуки: трение, удар, деформацию материала, характерный щелчок.

Например, если робот раскалывает орех, звук треснувшей скорлупы может быть сигналом, что операция завершена успешно.

Для этого нужны новые датасеты, где звук непосредственно связан с действием.

Запах и вкус

Пока эти модальности имеют гораздо меньше практического значения.

Но технически робот может получать данные от химических сенсоров и использовать их для распознавания запахов или характеристик вещества.

Например, робот-повар потенциально сможет не только приготовить блюдо, но и проверить его результат сенсорами и сравнить его с заданным рецептом.

У робота тоже появляется «мозг»

Интересно, что архитектуру робота можно условно сравнить с человеческим мышлением.

Быстрая локальная модель отвечает за реакцию на окружающую среду.

Большая модель занимается рассуждением и планированием.

А отдельная система контролирует тело робота: баланс, движение и безопасность.

Получается своеобразная система из нескольких уровней.

Большая модель может решить, что нужно сделать.

Быстрая модель определяет, как реагировать прямо сейчас.

А система управления телом следит за тем, чтобы робот физически смог выполнить действие и не потерял равновесие.

Часть вычислений при этом может выполняться в облаке, особенно если роботу не хватает локальных ресурсов. Но критичные к задержке процессы управления физикой должны работать непосредственно на устройстве.

Самая интересная часть — автономность

Настоящий гуманоид должен не просто выполнять заранее записанную последовательность.

Он должен понимать, что произойдёт после его действия.

Именно поэтому развивается направление world models — моделей мира, которые пытаются предсказывать реакцию среды на действие.

В перспективе появляются world-action модели, которые одновременно прогнозируют изменение окружающей среды и формируют последовательность моторных команд.

Идея напоминает человеческое планирование.

Мы перед тем, как что-то сделать, можем мысленно представить результат.

Роботу нужно научиться делать примерно то же самое.

Проблема в скорости.

Сегодня генерация такого видеоплана может занимать минуты. Для реального производства это слишком долго. Робот не может несколько минут думать перед тем, как взять коробку.

Зачем гуманоиды нужны заводам

Парадокс современного производства заключается в том, что большая его часть уже автоматизирована.

Обычно остаются несколько операций, которые слишком мелкие, нестандартные или экономически невыгодные для отдельной промышленной роботизированной системы.

Например, автоматическая линия работает практически полностью сама, но раз в день коробка падает на пол. Человеку нужно подойти, поставить её обратно и запустить процесс.

Создавать отдельного промышленного робота ради такой задачи бессмысленно.

А универсальный гуманоид потенциально может закрывать такие «хвосты».

Он способен работать с существующей инфраструктурой, выполнять разные операции и получать команды на естественном языке.

У него есть и другие преимущества:

• возможность работать 24/7;
• работа в неудобных или опасных для человека условиях;
• возможность продолжать работу в некоторых аварийных сценариях;
• отсутствие необходимости полностью перестраивать существующий завод.

Получается интересная альтернатива концепции Dark Factory.

Не обязательно строить завод с нуля вокруг роботов.

Можно взять уже работающий завод, где автоматизировано 95–97% процессов, а оставшиеся операции постепенно передать гуманоидным роботам.

Почему роботы пока не заменяют людей

Здесь особенно важно не попасться на красивые видео из интернета.

В роликах часто показывают одну удачную попытку из десятков или сотен неудачных. Такой cherry-picking создаёт ощущение, что робот уже умеет делать всё.

На практике современные гуманоиды всё ещё ограниченно применяются в реальном производстве. На тестовых площадках их часто контролируют и корректируют операторы.

Переход на производство, скорее всего, будет постепенным.

Сначала — простые бесконтактные операции и визуальная инспекция.

Затем — крупные манипуляции: перенос коробок, нажатие больших кнопок и другие относительно простые действия.

И только потом — точные операции, где потребуется развитое тактильное восприятие.

Главное узкое место сегодня — не обязательно сам робот.

Во многих случаях механика уже достаточно хороша.

Проблема в том, чтобы научить робота правильно использовать эту механику.

Когда начнётся настоящая эра гуманоидов

Сейчас индустрия находится примерно там, где языковые модели находились до массового распространения генеративного ИИ: уже есть впечатляющие прототипы, но универсальности и надёжности ещё недостаточно.

Следующий большой скачок может произойти, когда появится достаточно реальных данных для обучения.

Либо индустрия найдёт способ получать нужные данные дешевле — например, через новые архитектуры, симуляции или более эффективные методы обучения.

Если один робот действительно научится надёжно выполнять сложную профессиональную задачу, результат можно будет масштабировать на тысячи машин.

Именно это делает робототехнику особенно интересной.

В программном мире успешную модель можно распространить практически мгновенно. В физическом мире для этого нужен ещё и сам робот. Но как только связка железо + модель + навыки станет достаточно надёжной, масштабирование может ускориться очень быстро.

По текущей оценке, первые полноценные сценарии работы гуманоидов рядом с людьми могут стать реальностью в горизонте 5–10 лет.

И, возможно, настоящим началом новой эпохи станет не вирусное видео с роботом, который танцует.

А гораздо более скучный ролик с завода:

робот самостоятельно выполняет сложную последовательность операций, человек его не страхует, а система стабильно работает смену за сменой.

Вот тогда можно будет говорить, что эра гуманоидов действительно началась.