GPT-момент для роботов: почему именно сейчас в этой отрасли начинается новая эра
От запрограммированных алгоритмов к обучаемым системам
Традиционные роботы — закрытые машины для заранее известной работы. Вы могли видеть таких в автопроме на сборочных линиях: металлические «руки», которые делают три–пять движений тысячи раз в день. В их софте — фиксированные траектории, идеально известное пространство. И если хоть одна переменная меняется (например, деталь лежит на пару сантиметров левее), робот теряется. Не потому что он «сломался», а потому, что он не знает, что делать.
Проблема в том, что реальный мир хаотичен: на складе падают коробки, в кафе клиенты двигают приборы. В офисе кто-то оставил ноутбук на полу, прямо на пути робота. И все: робот «ломается», не понимая, как себя вести.
Для традиционного робота это логический коллапс. Он не понимает, что поменялось: он ждет, что стол будет вот тут, а кружка — вот здесь, потому что он ничего не знает о контексте. У него четкая последовательность и нет понятия о цели, только точные алгоритмы и заранее зашитые инструкции.
Что поменялось теперь? Если коротко: роботы научились учиться. И не благодаря одной конкретной технологии, а из-за их компаундинга — накопительного эффекта, когда несколько зрелых направлений сходятся в одной точке. Это та же логика, которая сделала возможным ChatGPT: не одна прорывная идея, а десяток зрелых, наконец совместимых. ИИ-системы научились интерпретировать сложные сигналы с камер и датчиков, манипуляторы стали дешевле и быстрее, хранение и обработка данных — проще.
Что об этом думают инвесторы
Раньше стартап в робототехнике выглядел как экспериментальный цех: много R&D, мало смысла для инвестора — горизонт окупаемости R&D не был виден. Поэтому большинство робототехнических компаний работало за счет грантового финансирования. Сегодня это начинает походить на венчур, как мы его знаем: есть рынок, есть масштабируемая технология. Есть и, конечно, большие риски.
Если бы вы спросили инвестора в 2018 году, вложился бы он в стартап, который делает двуногого робота-грузчика, он, скорее всего, скривился бы. Робототехника тогда была «вечной надеждой»: громоздкой, дорогой, полной инженерных рисков и с горизонтом выхода лет на двадцать. Но сегодня начинается гонка за перспективными стартапами и командами, способными воплотить sci-fi в жизнь.
Вот несколько проектов, за которыми стоит следить уже сейчас:
- Figure AI. Создают универсального гуманоидного сотрудника. Их роботы уже могут ходить, поднимать объекты, взаимодействовать с пространством. Компания недавно подписала «пилот» с BMW, а ее оценка превысила $2,5 млрд.
- 1X. Делают акцент на безопасность и интеграцию с людьми. Их роботы работают как «аватары» — удаленные помощники, управляемые оператором, но с возможностью автономных действий.
- Agility Robotics. Создают роботов-грузчиков для складов и логистики. Их робот Digit уже тестируется в Amazon, перемещая коробки.
- Unitree Robotics. Китайский стартап, который делает самых доступных четырехногих роботов. Их знаменитые «робособаки» уже стали объектом сотен видео на YouTube и TikTok, но помимо развлечения у них есть прикладное будущее — от охраны до доставки.
Эти компании — лишь верхушка айсберга, наиболее популярные примеры. На рынке существуют сотни робототехнических стартапов, которые пытаются закрыть свои ниши — от сервисных и уборочных роботов до автономных систем для строительства, инфраструктуры и медицины. Сейчас рынок напоминает ранние месяцы «AI-бума»: десятки команд ищут правильную бизнес-модель, а венчурные инвесторы активно размещают капитал.
Сегодня главный интерес инвесторов — в промышленных сценариях: склады, розница, охрана, инспекции. Роботы здесь не просто шоу, а способ сэкономить. Простой расчет: робот, стоящий $100 000, может окупиться за полтора–два года, если заменит одного–двух работников на рутинных участках производства (берем в расчет американские зарплаты). А дальше начинается масштабирование.
В долгосрочной перспективе мы увидим:
- Изменение ролей. Люди будут меньше «исполнителями» и больше операторами — теми, кто учит машины и корректирует их поведение.
- Сдвиг на рынках труда. Там, где раньше не хватало людей, например, в уходе за пожилыми или сельском хозяйстве, появятся «помощники», которые просто будут рядом.
Почему автономность может оказаться сложнее, чем кажется
В робототехнике можно выделить три ключевых риска. Если эти риски реализуются, робототехника может пойти по более консервативному пути развития: не через быстрый скачок к полной автономности, а через постепенную автоматизацию простых операций и гибридные модели «человек + робот». Это не отменяет экономической ценности роботизации, но смещает ожидания рынка и инвесторов — от революции к эволюции.
- Риск плато автономности. Бум больших языковых моделей строился на относительно простой гипотезе: чем больше качественных данных мы даем модели, тем лучше она становится. Однако практика последних лет показывает, что рост качества начинает замедляться: ключевые метрики выходят на плато, а дальнейший прогресс требует все больших ресурсов. В робототехнике этот риск может проявиться еще острее. Есть вероятность, что индустрия не сможет быстро перейти от узкоспециализированных сценариев к по-настоящему автономным системам, способным гибко адаптироваться к изменяющейся среде. В таком случае роботы надолго останутся инструментом для выполнения простых, хорошо формализуемых задач, а не универсальной заменой человеческого труда.
- Риск дефицита данных и масштабируемости обучения. В отличие от текстовых и мультимодальных ИИ, робототехника не располагает сопоставимыми по объему и доступности датасетами. Данных для обучения физических моделей на порядки меньше, их сбор требует дорогого оборудования, реальных испытаний и времени. При этом в робототехнике отсутствует единый «универсальный медиум», аналогичный тексту или изображению: каждый робот -- это сочетание уникальной механики, сенсоров и среды эксплуатации. Даже небольшие различия в конструкции или условиях могут приводить к резкому падению качества моделей, что осложняет перенос обучения и масштабирование решений.
- Риск фрагментации и отсутствие стандартов. Дополнительным следствием уникальности роботов становится высокая фрагментация рынка: решения, хорошо работающие в одном сценарии, плохо переносятся в другой. Отсутствие общих стандартов по данным, интерфейсам и обучению может замедлить появление «универсальных» робототехнических платформ, увеличивая стоимость внедрения и снижая темпы распространения технологий.
Как это работает сейчас и чего ожидать в будущем
На более техническом уровне роботы стали управляться не одним алгоритмом, а комбинаций нескольких моделей ИИ. Так, у общедоступной модели от стартапа по производству роботов из Сан-Франциско Physical Intelligence существует два режима работы, которые подражают быстрому и медленному принятию решений у человека по Канеману (известный психолог, один из основоположников поведенческой экономики, автор книги «Думай медленно... решай быстро») — cистема 1 — «быстрая»; система 2 — «медленная».
Медленная часть отвечает за продумывание глобального плана, получая на вход изображение с камер и команду. Обычно «под капотом» здесь работает большая предобученная ИИ-модель, наподобие ChatGPT, и поскольку такая модель физически требует больше времени на обработку информации и выдачу ответа, запросы к этой модели происходят реже, чем к быстрой. На выходе у такой системы не набор действий, которые можно передать роботу, а непосредственно план (в форме натурального языка или низкоуровневых представлений), который уже и будет выполнять быстрая система.
Быстрая сиcтема, в свою очередь, действует по составленному плану от медленной системы, ее задача — уже непосредственно передавать действия, которые можно исполнять на роботе. Эта модель уже не строится на базе большой предобученной модели, а обучается с нуля на размеченных действиями данных. Также эта система имеет обычно на порядок меньше параметров — робот взаимодействует с реальным миром, который не будет ждать. Считается, что быстрая система должна выдавать как минимум действий в секунду, чтобы успевать реагировать на изменения вокруг.
Не все так просто
Чем иерархическая система лучше заранее определенных алгоритмов? Своей адаптивностью. В идеальном сценарии мы получим робота, который сможет не только выполнять заранее выученные навыки, но и обучаться новым «по аналогии», как это происходит у людей. Но пока кажется, что современная робототехника далека от таких технологий. Почему?
Посмотрим на другую область робототехники, которая, в отличие от человекоподобных роботов, начала свой путь к автономности раньше: беспилотные автомобили. Одна из главных проблем, с которой сталкиваются автомобильные «беспилотники», — так называемые «длинные хвосты распределений», — редкие ситуации, которых не было в обучающих данных, но которые обязательно случатся на дороге. И поскольку цена ошибки подобных систем высока, у нас до сих пор не существует по-настоящему беспилотного автомобиля, и человек так или иначе должен контролировать происходящее.
Робототехнику в ближайшее время ждут такие же проблемы, поэтому подход от 1Х с оператором, контролирующим процесс, выглядит наиболее реалистичным на сегодняшний день. Это позволит роботу не допустить фатальных ошибок, а также позволит собирать данные для дообучения высокого качества у пользователей дома.
Подведем итоги
Робототехника входит в фазу, когда разговор о будущем уступает место разговору об экономике. Отрасль больше не живет в режиме лабораторных демонстраций и маркетинговых видео: роботы начинают встраиваться в реальные бизнес-процессы — в логистике, инфраструктуре, промышленности и сервисе.
Как и в случае с ИИ, ключевой сдвиг происходит за счет не одной технологии, а их сочетания: модели ИИ становятся лучше, что позволяет обрабатывать информацию с различных сенсоров, вычисления становятся быстрее и доступнее, «железо» для роботов модернизируется.
При этом путь к массовой автономности будет длиннее и сложнее, чем ожидают самые оптимистичные прогнозы. Роботы вряд ли быстро станут универсальной заменой человека, но почти наверняка станут его постоянным партнером в физической экономике. Их роль — не вытеснить людей, а снять с них рутинные, опасные и низкопроизводительные задачи, изменив структуру труда и конкурентные преимущества компаний.
Мнение редакции может не совпадать с точкой зрения авторов