В сфере «телесного интеллекта» в Китае наблюдается бурный рост: в первом полугодии финансирование достигло 935 млрд юаней — это в 5 раз больше, чем в прошлом году за аналогичный период, и больше, чем за весь прошлый год. Количество сделок по финансированию составило 322, что на 137 % превышает показатель прошлого года.
Объём поставок человекоподобных роботов у ведущих компаний пока чуть более 10 тыс. единиц, но годовой прогноз — не более 100 тыс. единиц. При этом доля коммерческих инвестиций в эту сферу составляет около 30 %.
Компания Lagrange («Лагранж телесный технологии») активно работает над трансформацией промышленных роботов. Она использует Agentic OS и реорганизацию процессов, чтобы роботы на заводе могли выполнять задачи замкнутым циклом. Agentic OS — это система, которая обеспечивает:
* восприятие состояния среды;
* диспетчеризацию навыков роботов;
* ограничения безопасности;
* запись работы;
* механизм ручного управления.
Агент действует по циклу: понимает ситуацию, организует навыки, наблюдает за результатами, оценивает отклонения, восстанавливает или продолжает работу до подтверждения достижения бизнес‑цели. Результаты (успехи, сбои, восстановления) фиксируются в логах для последующей оптимизации системы.
Lagrange применяет многоуровневую интеллектуальную архитектуру:
* Agent Harness организует общие модели;
* Coding Agent и инструменты оценки непрерывно развивают модели и системные возможности на основе обратной связи от реального выполнения;
* Agentic Runtime отвечает за организацию задач, мониторинг состояния и восстановление после сбоев;
* специализированные модели, навыки и системы управления на уровне оборудования отвечают за выполнение задач в реальном времени, соблюдение точности, ритма и границ безопасности.
На автомобильной логистической линии впервые внедрены:
* две колёсные двурукие роботы;
* робот‑собака;
* AGV.
Три устройства работают по единой цепочке задач:
* один робот выполняет сортировку и подачу деталей;
* другой — транспортировку полных ящиков и возврат пустых;
* робот‑собака и AGV отвечают за транспортировку и диспетчеризацию.
Среди проблем внедрения роботов в реальных условиях можно выделить:
* расхождения между результатами симуляции и реальной работы;
* сложности с замыканием цепочки между устройствами;
* неспособность систем автономно обрабатывать аномальные ситуации (смещение подачи сырья, заторы, потеря данных с датчиков).
Использование больших моделей в качестве промышленных исполнителей затруднено из‑за низкой скорости рассуждений (задержки при вызове облачных моделей нарушают ритм работы) и риска галлюцинаций (ошибки в управлении могут привести к повреждению деталей или травмам). По мнению CTO Lagrange Чжао Личэня, агент может выполнять верхнее планирование и диспетчеризацию задач, но не должен быть открытой большой моделью в качестве промышленного исполнительного устройства.
Чжао Личэнь считает, что наиболее ценные данные — это данные тестирования, полученные в реальных сценариях, а не данные обучения.
Традиционная промышленная автоматизация сталкивается с проблемой: после настройки оборудования клиент может ввести новую модель автомобиля, затем — третью с большими изменениями в конструкции, и процесс настройки становится бесконечным. Решение — не делать роботов более похожими на человека, а перепроектировать процессы под роботов.
Например, при закручивании винтов человек выполняет действие за один раз, а робот сначала предварительно закручивает на 40–50 Н·м, затем специальная группа инструментов закручивает все винты целиком — это снижает нагрузку на манипулятор.
Lagrange считает, что антропоморфные роботы ведут к трансформации промышленности, но ключевые изменения происходят на уровне ПО. Промышленные системы перейдут от модели «сфокусированной на оборудовании» к модели «сфокусированной на задаче». Рабочие процессы будут разделены в соответствии с возможностями стабильного выполнения роботами, а пути перемещения материалов станут настраиваемыми через ПО.
Все производственные операции сводятся к комбинации примерно десятка общих навыков. Lagrange представляет их в виде матрицы: по горизонтали — сложность реализации роботом, по вертикали — доля использования в сборке автомобилей. Разработка начинается с наиболее часто используемых и простых навыков и постепенно переходит к более сложным.
Стратегия реализации включает следующие этапы:
1. Сначала выполнять простые задачи (захват, размещение, перемещение).
2. Затем — более сложные (закручивание, соединение, уплотнение).
Закручивание (70 % операций в автомобильной сборке) — высший приоритет. На текущем этапе выполняются захват, размещение, перемещение; к концу года планируется проверка точности размещения; в первой половине следующего года — внедрение операций по закручиванию.
Пример решения задачи точности: требование к точности при установке панорамной крыши — 0,15 мм, точность робота — 0,25 мм. Команда Lagrange разработала первую в мире систему установки панорамных крыш в непрерывном режиме — она работает на заводе Jièkōng более двух лет.
Результаты тестирования показали, что эффективность перемещения выросла с ~40 % до 70–80 %, а общая эффективность системы почти удвоилась.
Ключевые члены команды Lagrange:
* CEO Ли Ханьби (опыт в полупроводниковой и автомобильной отраслях);
* CTO Чжао Личэнь (опыт в Shangtang, Huawei, работа с 3D‑визуализацией, мультимодальными системами и обучением моделей с триллионами параметров);
* Чжан Минмин (один из первых в Китае в области биомиметических четвероногих роботов и гуманоидов, работал с мультимодальными моделями в Alibaba Cloud);
* Сюй Цзюнь (ответственный за промышленное внедрение, опыт работы на сборочных линиях автопроизводителей).
Компетенции команды охватывают отраслевые ресурсы и понимание продуктов, модели и архитектуру, физические носители, внедрение на производстве и технологические процессы. Опыт команды включает обучение моделей с триллионами параметров и архитектуру Agent в Huawei, ByteDance, Alibaba, Shangtang; внедрение более 1000 роботов; опыт в автомобильной отрасли, электрооборудовании, полупроводниках; участие в проектировании более десяти автомобильных заводов, управление системой более чем 100 поставщиков.
Подход Lagrange — решение задач с точки зрения внедрения на производстве, акцент на системе, а не на отдельном носителе. Название Lagrange отсылает к точке Лагранжа — стабильной точке в системе гравитации, где объект может долго сохранять позицию с минимальным энергопотреблением. Это отражает ориентацию на долгосрочную и стабильную работу системы.
В отрасли сохраняется акцент на усилении моделей и улучшении функциональности роботов: Figure заполнила 90 тысяч единиц в Патан‑Хэм, Physical Intelligence доработала π‑модель до π0.7, Nvidia продвигает GR00T до GR00T N2. Lagrange же выбирает путь реального выполнения задач роботами — тестирует Agent в условиях реального завода. Ключевая проблема воплощённого интеллекта — отсутствие стабильной системы, которой можно доверить выполнение задач. Ответы даст анализ данных о непрерывной работе в реальных условиях.
<<<CODE_BLOCK_N>>>
<<<IMG_N>>>
Подписаться в Макс
