Физический ИИ набирает обороты: мои новые размышления
Физический ИИ набирает обороты: ключевые тренды и размышления
Термин «Physical AI» (физический ИИ), популяризированный CEO NVIDIA Дженсеном Хуангом в 2023 году, теперь переживает настоящий бум. Его суть — интеграция ИИ в физические системы, способные взаимодействовать с реальным миром, учитывая гравитацию, трение и инерцию. Если ранее ИИ оперировал лишь данными на экране, то теперь он учится выполнять действия в реальной среде — например, поливать цветы или переносить предметы.
Поворотный момент наступил в 2026 году, когда акцент сместился с демонстрационных роликов к реальной работе. Китайская компания Zhìyuán провела прямую трансляцию работы своих человекоподобных роботов на сборочной линии, а затем объявила о серийном производстве 10 000 единиц. Основатель компании Дэн Тайхуа выделяет три этапа развития воплощённого интеллекта: этап разработки (X), внедрения (Y) и возникновения разума (Z), отмечая, что 2026 год стал «годом развёртывания».
За рубежом компания Figure AI, оцениваемая в 39 млрд долларов, представила робота Figure 03, выполняющего домашние задачи, и перешла на собственную нейросеть Helix. NVIDIA объединилась с лидерами рынка промышленных роботов — ABB, KUKA, Yaskawa и Fanuc — для создания платформы обучения ИИ в виртуальной среде, что может стать основой для будущей «операционной системы» автоматизации.
Интересно, что в гонку активно включаются автопроизводители и поставщики автокомпонентов, такие как Aptiv, Valeo и Horizon Robotics. Их опыт в области автономного вождения, восприятия окружения и управления системами легко переносится в робототехнику. Tesla, например, планирует производить до 1 миллиона человекоподобных роботов Optimus в год, используя свои компетенции в массовом производстве.
Технологическим фундаментом этой революции являются «мировые модели» (World Models), которые учат ИИ законам физики в симулированной среде. Недавние прорывы, такие как Cosmos от NVIDIA, LingBot-World от Ant Group и GigaWorld-1, позволяют генерировать реалистичные данные для обучения роботов, значительно ускоряя процесс и снижая затраты. Это смещает парадигму от жёсткого программирования («восприятие — планирование — управление») к гибкой архитектуре «восприятие — рассуждение — выполнение», где нейросети самостоятельно принимают решения.
Таким образом, физический ИИ переходит от концепции к реальному внедрению. Однако остаются вызовы: масштабирование производства, сбор данных в реальном мире и адаптация к разнообразным сценариям. Как и в случае с ChatGPT, основная ценность может быть создана не на уровне разработчиков моделей, а на уровне инфраструктурных платформ. Конкуренция только начинается, и расстановка сил в ближайшие годы может сильно измениться.
marsbit05/18 04:44
