После схождения модельных путей в Physical AI решает организация

Первый — между моделью и данными: рост объёма данных не создаёт понимания мира, нужна непрерывная обратная связь. Второй — между зрением и действием: модель распознаёт пешехода, но не знает, когда начинать торможение и как поведёт себя соседняя машина. Третий — между симуляцией и реальностью: синтетические сценарии не передают всей сложности дороги, а успех в виртуальной среде не гарантирует переноса на реальную.

Чтобы преодолеть разрывы, нужен единый исследовательский цикл, охватывающий данные, модель, симуляцию, инфраструктуру и реальные испытания. Но это требует и организационной связки: в типичной компании базовые модели, VLA, данные и инфраструктура разбросаны по командам, а замкнутый цикл требует быстрой реакции всех вокруг одной проблемы.

Такую попытку делает лаборатория Superfluid Lab, созданная внутри китайского разработчика автономного вождения DeepRoute (元戎启行). Её возглавил бывший ключевой сотрудник DeepSeek, главный научный сотрудник компании Жуань Чун. Название отсылает к сверхтекучести — состоянию вещества с нулевым трением. В лаборатории видят в этом принцип работы: информация должна двигаться без сопротивления, а архитектура физического ИИ — не иметь внутренних «швов». Исследования сосредоточены на базовой модели как ядре, а также на VLA, моделях мира и AI-инфраструктуре.

Это соответствует сдвигу конкуренции: от продуктовой и модельной гонки — к гонке за организацию долгой эволюции системы. Аналогию проводят с OpenAI десятилетней давности: тогда для цифрового мира строили базис общего интеллекта, теперь такой же ищут для физического. «Быстрое быстро устаревает, — говорит Жуань Чун, — медленное, однажды созданное, становится основанием для множества быстрых решений».