Текст | Синь Моу, автор | Лу Яо
В последнее время в кругах очень популярно одно слово — «Физический ИИ».
Этот термин Хуан Жэньсюнь повторял более десяти раз в своей речи на выставке CES в Лас-Вегасе еще в начале прошлого года, но только в этом году «Physical AI» по-настоящему взорвался.
Так что же такое «Физический ИИ»?
Пару дней назад я видел видео, где робот поливает цветы. Робот подходит к крану, открывает его, наполняет лейку водой, затем поворачивается, подходит к цветочному горшку, корректирует угол и равномерно поливает растение. Носик лейки не ударяется о край горшка, и вода не проливается.
Чтобы заставить машину понять «поднести стакан воды», она должна знать, что стакан имеет цилиндрическую форму, рассчитать, с какой силой его нужно держать, чтобы он не выскользнул и не разбился, понимать, что вода — это жидкость и она может расплескаться при встряхивании, и в режиме реального времени корректировать угол наклона руки во время ходьбы, чтобы компенсировать колебания тела.
Все это трехлетний ребенок делает интуитивно. Но для ИИ это огромный скачок. За последнее десятилетие ИИ научился видеть, слышать, говорить, рисовать, но он всегда оставался запертым в экране. Задача Физического ИИ — поместить этот умный мозг в тело, которое может бегать, прыгать, хватать и отпускать предметы в реальном мире.
Проще говоря, Физический ИИ — это наделение ИИ способностью понимать физический мир и воздействовать на него. Он больше не просто обрабатывает текст и изображения, он должен совершать правильные действия в среде, где действуют гравитация, трение, инерция.
Мало обсуждаемый в Китае факт заключается в том, что термин «Physical AI» появился не в отделе по связям с общественностью какого-нибудь гиганта по производству чипов. Эта концепция впервые появилась в научной статье 2020 года, опубликованной в журнале «Nature Machine Intelligence». В статье впервые было системно определено понятие Physical AI:
Класс материальных систем, способных выполнять задачи, обычно ассоциирующиеся с разумными организмами. Ключевая идея заключается в глубокой интеграции физических законов в системы искусственного интеллекта, чтобы машины перестали быть «физически слепыми» и могли замкнуть цикл от восприятия к действию.
От первого выстрела в академических кругах в 2020 году до полного принятия эстафеты индустрией в 2026 году прошло целых шесть лет. За эти шесть лет стоимость датчиков снизилась на несколько порядков, вычислительная мощность ИИ на периферии перешла из теории в инженерию, а надежность и серийные возможности роботов также незаметно достигли переломного момента — вот что стало скрытой движущей силой превращения Физического ИИ из статьи на производственную линию.
От демонстрации к работе
Если большие языковые модели 2023 года научили ИИ общаться, то ключевое слово Физического ИИ в 2026 году только одно: работа.
Изменения видны невооруженным глазом.
В прошлом году в это время компании-производители роботов демонстрировали свою мощь, снимая демонстрационные видео: задавали сцену, репетировали раз за разом, снимали одним кадром. Красиво, но непонятно, сколько дублей было сделано.
В этом году подход совершенно другой. В этом году компания Zhihui Robots (предположительно, речь о «智元机器人») сделала на одной из 3С-производственных линий в Наньчане следующее: поместила робота на реальный завод, где он несколько часов подряд выполнял работу, и вела прямую трансляцию. Никакого предварительного сценария, никаких ограничений по сцене, просто та самая линия, с которой ежедневно работают люди. Десятки тысяч человек наблюдали онлайн.
Месяц спустя Zhihui в Гонконге объявила о массовом производстве 10 000 гуманоидных роботов. Переход от одного прототипа в лаборатории к 10 000 единицам на сборочной линии — это переломный момент, меняющий суть дела.
Путь Zhihui довольно интересен. Большинство стартапов в области робототехники фокусируются на каком-то одном направлении: те, кто делают платформы («тело»), занимаются только ими, те, кто делают большие модели, занимаются только ими, те, кто делают ловкие манипуляторы («руки»), занимаются только ими. Zhihui выбрала другой путь: делать все стеком, одновременно развивая четыре направления — производство платформ, модели ИИ, ловкие манипуляции и сбор данных, а также инвестировала в более чем 60 компаний по всей цепочке создания стоимости.
Цена такого подхода очевидна: в материнской компании более 1000 сотрудников, и к концу этого года их число, как ожидается, превысит [пропущено] человек, только зарплатный фонд составляет от 1 до 2 миллиардов юаней в год. Этот путь требует больших денег, но если он окажется успешным, то и барьеры будут самыми высокими.
Основатель Zhihui Дэн Тайхуа предложил аналитическую структуру под названием «Кривая XYZ». По его словам, развитие воплощенного интеллекта (embodied intelligence) делится на три этапа: X — этап разработки и экспериментов, все еще играют с демо; Y — этап развертывания и роста, роботы начинают реально работать на производственных линиях; Z — конечный этап возникновения интеллекта (intelligent emergence).
Он охарактеризовал 2026 год как: «Год становления развертывания, официальный переход от "способности двигаться" к "умению работать"». Разница между «способностью двигаться» и «умением работать» в одном иероглифе, но она означает совершеннолетие всей индустрии.
За рубежом также идет гонка. На другом берегу Тихого океана темпы ничуть не медленнее.
Американская компания по производству гуманоидных роботов Figure AI — это имя, которое нельзя обойти в этой гонке. В сентябре прошлого года они завершили раунд финансирования на сумму более 10 миллиардов долларов, их оценка достигла 39 миллиардов долларов, что на тот момент сделало ее компанией по производству гуманоидных роботов с самой высокой оценкой в мире.
Месяц спустя они представили новое поколение продукта Figure 03, ростом 1,68 метра, весом около 60 килограммов, продемонстрировав выполнение домашних дел, таких как полив цветов, подача блюд, складывание одежды. Основатель Бретт Эдкок специально добавил в социальных сетях: все действия выполнялись роботом автономно, никто не управлял им дистанционно.
С технической точки зрения стоит отметить, что Figure внесла серьезные коррективы в свою стратегию, прекратив сотрудничество с OpenAI и полностью перейдя на собственную систему нейронных сетей Helix.
Эта система, имитируя человеческое познание, состоит из трех уровней: самый нижний уровень управляет балансом и инстинктивными реакциями, средний уровень переводит команды «мозга» в управление двигателями с частотой 200 раз в секунду, а высший уровень — это логический мозг, отвечающий за понимание сцены и принятие решений. Эта трехслойная архитектура «инстинкт-рефлекс-мышление» довольно остроумна, она эквивалентна установке в робота нервной системы, которая не «зависает».
Еще один момент заслуживает упоминания. В этом году NVIDIA на конференции GTC объявила о своем шаге: достигнуто глубокое сотрудничество с четырьмя мировыми гигантами промышленной робототехники — ABB, KUKA, Yaskawa и Fanuc. Более 2 миллионов промышленных роботов, уже установленных на производственных линиях по всему миру, в будущем смогут проходить виртуальную отладку и обучение ИИ на платформе симуляции NVIDIA.
Эти четыре компании вместе занимают более половины мирового рынка промышленных роботов. В следующем десятилетии этим роботам предстоит переход от «традиционного программирования» к «управлению на основе ИИ». Какая программная платформа сможет встроиться в этот процесс в будущем, тот, по сути, получит слой «операционной системы» для следующего поколения промышленной автоматизации. NVIDIA явно не хочет упустить этот билет.
Забег поставщиков через границы отраслей
Еще одно интересное явление: предприятия автомобильной цепочки поставок в массовом порядке выходят на трек Физического ИИ.
На Пекинском автосалоне в этом году такие известные автомобильные поставщики, как Aptiv, Valeo, Horizon Robotics, Qianxun SI, толпами демонстрировали решения, связанные с робототехникой. Тогда многие специалисты осознали, что восприятие для воплощенного интеллекта и восприятие для интеллектуального вождения автомобилей — это одно и то же, решения для автомобилей можно напрямую применять к гуманоидным роботам.
Если задуматься, это действительно так. Система интеллектуального вождения автомобиля по сути представляет собой цикл «восприятие-решение-исполнение» для «мобильного робота», и три основных модуля — визуальное восприятие, планирование пути, управление в реальном времени — в технической архитектуре высоко схожи с традиционными промышленными и гуманоидными роботами.
Камеры, радары, платформы с электронным управлением и операционные системы реального времени, имеющиеся у автомобильных поставщиков, после небольшой адаптации можно перенести в область робототехники. В этом смысле, сотни миллиардов юаней на НИОКР, которые автомобильная промышленность потратила за последнее десятилетие на интеллектуализацию, сейчас перетекают на трек Физического ИИ в виде «технологического перелива» (spillover effect).
Возможно, это объясняет, почему китайские компании-производители роботов так быстро вышли на стадию массового производства. Производственные мощности и управление цепочками поставок возникают не на пустом месте, многое уже готово. Те поставщики компонентов, которые уже отлаживались на автомобильных сборочных линиях более десяти лет, сейчас просто перешли на новое поле битвы.
За рубежом есть готовые примеры. Возьмем Tesla. Ее робот первого поколения Optimus также ускоряет вход на рынок. Ранее Tesla в отчете о прибылях и убытках за первый квартал 2026 года четко заявила, что компания переходит к «будущему, основанному на ИИ, беспилотных такси и гуманоидных роботах», первая производственная линия роботов будет иметь мощность в 1 миллион единиц и заменит существующие линии по производству Model S и Model X.
Цифра в 1 миллион может показаться сегодня преувеличенной, но логика Tesla ясна: она хочет напрямую скопировать опыт массового производства и управления цепочками поставок, накопленный в автомобилестроении, в область гуманоидных роботов.
Маску нужен не «робот, который может двигаться», а «инструмент массового производства», способный работать на заводе совместно с людьми. Если этот путь окажется успешным, его влияние на ландшафт автоматизации производства будет не меньше, чем влияние Model 3 на рынок автомобилей с ДВС.
Почему в этом году мировые модели внезапно стали пригодны к использованию
Рассказав о действиях крупных игроков на уровне индустрии, давайте копнем глубже: что является техническим фундаментом этой гонки Физического ИИ?
Если резюмировать в одном предложении, то это: инженерный прорыв в мировых моделях (World Models). Мне кажется, это ключевой момент для понимания этой волны.
Концепция «мировой модели» не нова, ее предлагали еще в 2018 году. Основная идея проста: научить ИИ внутреннему пониманию законов функционирования физического мира, чтобы он мог предсказать «что произойдет, если я толкну эту чашку». Но раньше эта штука в основном жила только в научных статьях — слишком требовательна к вычислениям, нестабильное качество генерации, не годится для интерактивного взаимодействия в реальном времени.
Поворотный момент произошел в последний год. NVIDIA выпустила серию моделей под названием Cosmos, основная способность которой — генерировать данные о действиях, соответствующие физическим законам, из текста или изображений.
Например: вы хотите обучить робота переносить ящики в различную погоду, не нужно реально снимать видео на заводе в дождь, снег или ночью. Установив параметры в симуляционной среде, Cosmos может напрямую генерировать огромные объемы высокореалистичных тренировочных данных, охватывающих различные экстремальные сценарии.
В начале этого года команда Ant Lingbo (предположительно, Alibaba/蚂蚁灵波) выпустила в открытый доступ фреймворк под названием LingBot-World, специально предназначенный для интерактивных мировых моделей. Он способен генерировать стабильное видео продолжительностью почти 10 минут, сквозная задержка взаимодействия контролируется на уровне секунд. Пользователи могут, как в игре, в реальном времени управлять виртуальным персоналом с помощью клавиатуры и мыши, а модель мгновенно реагирует на изменения сцены. Значение этого в том, что мировая модель перешла из режима «офлайн-рендеринга» в режим «онлайн-взаимодействия», что повысило эффективность обучения на порядок.
Еще стартап Jijia Shijie (предположительно, «极佳视界») выпустил платформу GigaWorld-1, позиционируемую как «цифровая песочница» физического мира. Месяц спустя ABot-PhysWorld от Alibaba превзошел ее в тестовом эталоне под названием WorldArena, поднявшись на первое место в общем рейтинге. Конкуренция продвигается вперед с шагом в месяц.
Важность этих проектов с открытым исходным кодом не в том, сколько у них параметров, а в том, что они превратили игру «по карману только гигантам» в инструмент, с которым «могут работать и небольшие команды». Когда достаточно много людей создают колеса, будет появляться больше машин, которые действительно поедут.
Причина, по которой мировые модели стали ключевым компонентом в эпоху Физического ИИ, заключается в том, что они дают ответ на вопрос, который долго оставался открытым: как научить роботов осваивать сложные законы физического мира с низкими затратами и высокой эффективностью?
Получение тренировочных данных из реального мира чрезвычайно дорого и имеет естественное смещение распределения (distribution bias), трудно собрать в реальности все пограничные сценарии, такие как ночная смена на заводе во время метели, аварийные ситуации при отключении электричества на логистическом складе, внезапное вмешательство рабочих на линии. Но синтетические данные могут. Манипулируя параметрами сцены с помощью промптов (подсказок) в симуляционной среде, исследователи могут за несколько часов сгенерировать крупномасштабные тренировочные видео, охватывающие экстремальные условия, что при традиционном подходе с реальным сбором заняло бы месяцы или даже годы.
Рычажный эффект этого прорыва может превзойти любое единичное улучшение алгоритма.
Парадигма изменилась
Прорыв в мировых моделях — это лишь часть эволюции технологического стека Физического ИИ. Изменения в базовых технологиях подталкивают к перестройке архитектуры всей робототехнической отрасли.
Традиционные роботы используют трехэтапную схему «восприятие, планирование, управление». Сначала датчики воспринимают окружение, инженеры пишут правила, сообщая машине, как планировать путь, затем выполняется действие. В структурированной среде, такой как заводской конвейер, это нормально, но при усложнении сценариев проявляются недостатки: машина действует только по заранее заданному сценарию, столкнувшись с незнакомой ситуацией, она просто зависает.
Физический ИИ идет другим путем: «восприятие, рассуждение, исполнение». После восприятия не следуют жесткие правила, написанные человеком, а обученная нейронная сеть сама рассуждает, что нужно делать, и затем исполняет. Принципиальная разница в том, что первое — это «инженер думает за машину», а второе — «машина сама понимает физический мир».
Международная организация по стандартизации в робототехнике (предположительно, имеется в виду что-то вроде IFR или аналоги) в этом году выпустила дорожную карту технологий, прогнозируя, что в течение следующих трех лет 80% новых моделей будут использовать эту новую архитектуру, а традиционная трехэтапная схема постепенно выйдет из мейнстрима. Это не мелкий ремонт, а смена всей парадигмы, переход на другие рельсы.
Как сказал один отраслевой эксперт, и мне кажется, он хорошо подытожил: Физический ИИ — это конечный режим развития ИИ, потому что ему нужно не только понимать команды человека, но и понимать все законы физического мира.
Хуан Жэньсюнь сказал: «Момент ChatGPT для разработки роботов уже наступил». На мой взгляд, «момент ChatGPT» для Физического ИИ и языковых моделей принципиально разный. «Тот момент» для языковых моделей — это когда обычные люди во всем мире впервые своими руками начали использовать ИИ. А «тот момент» для Физического ИИ — это когда ИИ впервые по-настоящему начинает работать.
Сейчас этот трек находится на особой стадии: направление определено, концепция признана, но格局 еще не устоялся.
С одной стороны, делать демонстрации и организовывать массовое производство — это две совершенно разные системы способностей. Один прототип может работать, а десять тысяч продуктов в реальных условиях проверяют производственную согласованность, устойчивость цепочки поставок, способность к обобщению сценариев, систему технического обслуживания — все это не имеет ничего общего с алгоритмами ИИ, но каждый пункт может быть достаточным, чтобы остановить ряд игроков. С другой стороны, сбор данных из реального мира стоит дорого, цикл длинный, охват узкий, и это почти гарантирует, что крупномасштабное обучение Физического ИИ будет в значительной степени зависеть от синтетических данных.
В то же время, от автомобильных цепочек поставок и традиционной промышленной автоматизации до контрактного производства потребительской электроники — отрасли, которые, казалось бы, не имеют отношения к «ИИ», ускоряющимися темпами входят в Физический ИИ через технологический перелив. Их производственные мощности, опыт управления цепочками поставок и ресурсы сценариев могут стать ключевыми переменными, определяющими скорость внедрения Физического ИИ.
Интуитивное суждение: взгляните на волну ИИ, вызванную ChatGPT в начале 2023 года, реальную наибольшую ценность получили не производители моделей, а поставщики инфраструктуры. Повторится ли та же история с этой волной Физического ИИ?
Действия NVIDIA показывают, что она ставит на это направление, но история еще не дописана. 2026 год — год становления развертывания, промышленная конкуренция только начинается. Оглядываясь назад через три года, какие имена останутся за игровым столом, а какие выйдут из игры, может удивить большинство.
