В 2026 году ожидается «год масштабного применения воплощённого ИИ». В Китае суммарная поставка человекоподобных роботов составит около 1,5 тыс. штук, а экспорт традиционных промышленных роботов превысит 100 млрд и будет расти примерно на 20 %.
На круглом столе в рамках 2026 World Robotics Convention (WRC) профессор Ван Тяньмяо из Пекинского авиационно-космического университета обсудил с лидерами отрасли ключевые ограничения масштабирования технологии воплощённого интеллекта. Среди участников дискуссии были CEO компании Чжао Тунъян, CEO компании Чэн Хао, соучредитель компании Лю Юйлун, вице‑президент компании Цзяо Цзичао, руководитель подразделения интеллектуальных роботов в Сюй Лэй.
Участники дискуссии разделились на два лагеря — «технологический» и «инженерный». Представители «технологического» лагеря считают, что основная проблема заключается в недостаточной «умности» систем (в ПО).
Чжао Тунъян отметил, что заявленная в отрасли успешность операций с использованием воплощённых больших моделей составляет около 96 %. Однако в физическом мире такой уровень неприемлем: при выполнении 100 задач робот 4 раза не справится, что может привести к поломкам на производственной линии клиента. В промышленных B2B-сценариях требуется повышение стабильности и надёжности с 99 % до 99,9 % или 99,99 %.
Чэн Хао из «Акселератор эволюции» ссылается на теорию TPMF (Technology Product Market Fit) и утверждает, что основной барьер — неготовность технологий. По его словам, в сфере больших моделей есть множество направлений, но нет единого решения. Разработки в области многоуровневой архитектуры, интеграции VLM (визуально-языковых моделей) и VLA (визуально-языково-действенных моделей) пока не привели к созданию готового «сквозного большого модели» для инженерного внедрения.
Лю Юйлун из «Телосных технологий» сообщил, что к июню 2026 года его компания поставила около 15 000 роботов, включая тысячи четвероногих. Он считает, что текущие вычислительные мощности и алгоритмы уже решают конкретные задачи (например, транспортировку грузов), но главные ограничения связаны с показателями оборудования и стандартами производства — например, с соотношением собственного веса и нагрузки робота, MTBF (среднее время между отказами) в разных температурных условиях. Проблема масштабирования — в обеспечении стабильного качества и технологического единообразия всех партий продукции. Отрасль пока не имеет устоявшихся стандартов, как в автомобильной или бытовой технике, а цепочка поставок недостаточно отлажена.
Цзяо Цзичао из «Юбикс» подчеркнул, что клиентов интересует не максимальный уровень успешности, а окупаемость инвестиций (ROI) за 2–3 года, стоимость закупки и обслуживания. Компания планирует выйти на уровень производства в десятки тысяч единиц, но переход от 100 до 10 000 единиц создаёт серьёзные вызовы для производственных процессов. В отрасли нет стандартизированного процесса NPI (внедрение новых продуктов) и системы контроля качества.
Сюй Лэй из «Цзиндун» указал на ключевую проблему — согласование спроса и предложения. Коэффициент конверсии интеллектуальных роботов в десятки раз ниже, чем у традиционных цифровых товаров. Остаётся вопрос, действительно ли существующие продукты удовлетворяют реальные потребности пользователей и создают уникальную ценность. Без чёткого расчёта ROI поставки более чем в 10 000 единиц невозможны.
Профессор Ван Тяньмяо поднял вопрос о надёжности «универсального интеллекта» по сравнению с традиционными промышленными роботами, у которых время безотказной работы составляет 6–8 тыс. часов, а в экстремальных условиях (например, при сборке электроники или обработке опасных химикатов) уровень допустимых ошибок должен быть равен 0.
Жао Цзичао указал на проблему «межтелового переноса» в больших моделях для физического мира: даже незначительные различия в параметрах двигателей или конфигурации роботов приводят к существенным различиям в данных, собираемых датчиками. Модель, хорошо обученная на машине А, даёт сбои на машине Б из‑за расхождения физических параметров — требуется ручная настройка.
Жао Цзичао и Лю Юйлун считают, что «мост» между виртуальным мозгом и физическим телом остаётся хрупким. Его основой должны стать мультимодальные данные (тактильные, силовые, визуальные и др.), а не только текстовые данные из интернета. При этом сбор качественных данных для телесного интеллекта пока недостаточно развит, их объёма недостаточно для формирования физической интуиции.
Жао Цзичао также отметил, что многие телесные большие модели основаны на модифицированных архитектурах типа Transformer, которые не полностью соответствуют парадигме замкнутого цикла обучения «восприятие — решение — управление» для телесного интеллекта. Ожидается появление новой архитектуры динамической модели, специально предназначенной для телесного интеллекта.
Чжао Тунъян из «Чжунъин Роботикс» подчёркивает незаменимость больших моделей: традиционных промышленных алгоритмов недостаточно для обработки фрагментированных запросов клиентов, а ценность больших моделей — в способности обобщённо решать множество задач.
Чэн Хао сравнил текущее состояние телесного ИИ с эпохой коммутируемого доступа в интернет: ожидания отрасли и пользователей соответствуют уровню 5G, тогда как технологическая база пока не дотягивает даже до уровня 3G. При этом этап «коммутируемого доступа» имеет коммерческую ценность — например, в эпоху, когда скорость интернета была всего несколько КБ, глобальные продажи компьютеров достигали миллионов и десятков миллионов единиц в год. Чэн Хао считает, что применение больших моделей в воплощённом ИИ — это постепенный эволюционный процесс.
Ван Тяньмяо задаётся вопросом: будет ли будущее воплощённого ИИ похоже на «модель Apple» (закрытая экосистема, когда одна компания захватывает всю прибыль — от модели до аппаратной части) или на «модель Windows» (разнообразие участников: производители аппаратной части, больших моделей, участников цепочки поставок, разделение программного и аппаратного обеспечения, как в случае Wintel или Android).
Чжао Тунъян выступает за интеграцию программного и аппаратного обеспечения: для становления великой ИИ‑компании необходимо сочетать «душу и тело» (софт и хард). Он полагает, что рынок человекоподобных роботов очень велик, и на нём сформируются 2–3 супергиганта (подобные Apple, Microsoft), которые получат 80 % прибыли отрасли, а оставшиеся 20 % достанутся нишевым предприятиям.
Цзяо Цзичао также поддерживает идею интеграции софта и харда: сложность человекоподобных роботов заключается в тесной связи аппаратной и программной частей — различия в параметрах двигателей и конструкции приводят к разным данным; перенос моделей между разными аппаратными платформами остаётся технически сложной задачей. Он считает, что кратчайший путь к AGI — глубокое соответствие и собственная разработка аппаратной и программной частей.
Чэн Хао выделяет три этапа революции в отрасли воплощённого ИИ:
1. Этап аппаратной платформы (текущий): разнообразие решений, аппаратная и программная части тесно связаны (как в начале эпохи компьютеров — Apple, IBM).
2. Этап приложений Agent (ближайшее будущее): по мере созревания базовой системы аппаратная платформа будет стандартизироваться, а приложения переживут взрывной рост (как в начале эпохи мобильного интернета с App Store).
3. Этап модели (финальный): универсальные воплощённые большие модели (Foundation Model) полностью созреют и поглотят большинство нишевых приложений (как WeChat, Douyin); победителем станет компания, создающая большие модели, а общество войдёт в эпоху, управляемую супербольшими моделями.
Сюй Лэй из JD подтверждает эту тенденцию с точки зрения цепочки поставок: компания реализует крупнейший в истории проект по сбору данных для воплощённого ИИ (включая десятки миллионов часов данных из реальных сценариев и сотни тысяч часов данных, собранных на реальных устройствах). Он считает, что благодаря прогрессу в технологиях предварительного обучения больших моделей «между средами и платформами» будущие базовые большие модели смогут демонстрировать высокую универсальность на стандартных аппаратных платформах.
Лидеры отрасли сошлись во мнении: отказаться от идеи мгновенного достижения AGI; начинать с B-сегмента (корпоративного) — с высоковостребованных, низкодопускающих ошибки, полуструктурированных сценариев, затем переходить к сложному C-сегменту (бытовому).
Компания Лю Юйлуна (2024 год старта) фокусируется на патрулировании и инспекциях с помощью четвероногих роботов, а также на задачах в сфере экстренного пожаротушения — роботы выполняют опасные, монотонные и утомительные для людей работы. В этих сценариях есть явная потребность, высокая частота использования и понятный расчёт ROI, что позволяет быстро выйти на поставки в десятки тысяч единиц.
Цзяо Цзичао из YoubiXuan прогнозирует, что в ближайшие два года ключевым направлением станет масштабирование в промышленном секторе: сначала отработать простые задачи (инспекция, транспортировка, сортировка), затем переходить к более сложным.
Отмечается высокий спрос на C-продукты с эмоциональной составляющей: роботы, способные к эмоциональному взаимодействию и вызывающие эмоциональный отклик, востребованы на рынке.
Сюй Лэй из JD подтверждает, что спрос в B-сегменте выше, чем в C, но в C-сегменте самый быстрый рост у роботов-собеседников.
Сюй Лэй также описывает будущее «децентрализованного взаимодействия»: в эпоху взаимосвязанного воплощённого мира не нужно будет использовать телефон — достаточно дать команду столу или домашнему роботу, чтобы услуга была оказана.
Чжао Тунъян из Zhongsheng Robot резюмирует: в текущую эпоху нельзя добиться всего сразу; разумно направить 80 % усилий на закрепление в предсказуемых сферах (инспекция, безопасность, промышленная транспортировка), а 20 % оставить для исследований AGI.
Подписаться в Макс
