Шанхайские роботы учатся думать прежде чем действовать

В аптеке в утренний час пик не прекращается поток онлайн-заказов. Робот получает заказ, точно подъезжает к стеллажу — коробки похожи по размеру, упаковки стоят плотно, прозрачный пластик отражает свет. Манипулятор аккуратно выдвигается, захватывает нужную коробку и доставляет её к окну выдачи. Управляет им «универсальный мозг» Lingbo от компании Ant Lingbo, работающей в инновационном городке искусственного интеллекта Чжанцзян. На этапе предварительного обучения этот «мозг» адаптировали к 17 популярным брендам роботов и 20 конфигурациям корпуса, так что одна и та же система может работать на разных платформах и решать разные задачи. Роботы с таким «мозгом» уже официально вышли на смену в нескольких аптеках сети Guoda в Шанхае.

Но видеть, слышать и действовать руками — не всё, что нужно машине. Ей необходимо ещё одно умение: прежде чем протянуть руку, мысленно проиграть будущее. «Что произойдёт, если сделать так?» — именно этим занимается так называемая модель мира: по текущему состоянию и действию она разворачивает вероятный сценарий развития событий. Как разделить обязанности между ней и моделями VLA (vision-language-action, зрение — язык — действие) и можно ли их объединить, отрасль пока обсуждает. В Чжанцзяне VLA уже работают массово, а модели мира только выходят на опытную эксплуатацию. Формула, которую повторяют всё чаще, звучит так: VLA отвечает за «могу делать», модель мира — за «сначала подумать, потом делать». Консенсус о необходимости их слияния уже складывается, а в Шанхае параллельно проверяются сразу несколько технологических маршрутов, и одновременно двигаются вопросы планирования, стандартов и оценки.

Возможности «телесного мозга» не ограничиваются выдачей лекарств. Он же управляет сортировкой посылок на складе и загрузкой-разгрузкой деталей на производственной линии. В январе 2025 года в Чжанцзяне открылась первая в стране площадка для обучения разнородных человекоподобных роботов. Государственный и местный совместный инновационный центр человекоподобных роботов вместе с Huawei создал там образцовый полигон, где разрабатывают VLA на отечественных вычислительных мощностях Ascend и одновременно отлаживают эффективное обучение моделей мира и VLA. Две линии развиваются бок о бок на одной площадке.

Отработанные навыки нужно проверить в реальном цеху. Роботы серии Linglong от того же центра уже пришли на предприятие Yanfeng, выпускающее автокомпоненты: они собирают данные и самостоятельно работают на операциях огневой обработки деталей, комплектовочной сортировки и лазерного ослабления, проходя полный цикл «обучение на полигоне — итерация модели — развёртывание на промышленной площадке». Но чтобы перейти от одной аптеки или одного рабочего места к десяткам других, предстоит преодолеть перенос навыков. То, что робот уверенно берёт лекарства в одном магазине, не значит, что он так же стабильно справится в соседнем: расположение полок, упаковки и порядок выкладки могут отличаться. На производстве придётся подстраиваться под другие формы деталей и требования к операциям. Сколько данных и дообучения потребует каждый новый сценарий, сколько времени уйдёт на настройку на месте — всё это нужно проверять по отдельности. Поэтому прогресс VLA измеряется не только тем, справляется ли он с текущей задачей, но и тем, насколько хорошо уже освоенные навыки переносятся на новое место и сколько дополнительных усилий требует адаптация.

Модель мира и VLA не исключают друг друга, и главный отраслевой вопрос — как их соединить. Вместо спора о том, какая модель лучше, полезнее сначала определить, какие ключевые способности нужны роботу. Модель мира как раз закрывает пробел «подумать перед действием». Академик Китайской инженерной академии Чжэн Наньнин объяснял, что система с моделью мира должна строить внутри себя имитируемую среду, прогнозировать и проигрывать варианты до начала действия и оценивать возможные последствия разных решений. В том же Чжанцзяне одни компании отправляют VLA в аптеки, другие обучают модели мира. Ant Lingbo, адаптируя технику разных брендов и запуская её в сфере услуг, выпустила также первую в отрасли «телесно-ориентированную» модель мира и действий LingBot-VA 2.0. Компания AgiBot делает ставку на синхронное развитие робота и его «мозга»: её аппарат G2 уже непрерывно трудится на заводе. Соучредитель AgiBot Яо Маоцин подчёркивает, что важнейшая функция модели мира — «точно предсказывать следующее состояние физического мира». В сентябре компания представила модель «мир — действие» GE-Act 2.0, объединившую прогноз будущего и генерацию действий в одной модели; объём обучающих данных вырос с 300 часов до 30 тысяч, а тесты на незнакомых сценах и объектах без дополнительного обучения показали рост общей успешности одного из роботов с 17,1 до 44,1 процента, а успешность в незнакомых сценах выросла примерно в 2,6 раза.

Есть и встроенный путь слияния. Пудунская компания Keenon встраивает модель мира прямо в VLA, чтобы робот «перед работой прокрутил всё в голове»: её человекоподобный аппарат без телеуправления выполняет длинные задачи вроде приготовления кофе. У модели мира есть и обязательные требования — быть быстрой, точной и обеспеченной данными. Быстрота: на видеокарте RTX 5090 модели GE-Act 2.0 нужно около 104 миллисекунд, чтобы сгенерировать блок последовательных действий. Точность симуляции: некоторые модели рисуют убедительную картинку робота со стаканом воды, но жидкость в стакане при этом неподвижна. Данные: по оценке главного научного сотрудника компании Daxiao Robotics Тао Дачэна и руководителя разработки модели мира Kaiwu Ван Фэя, для заметного «проявления» способностей может понадобиться объём данных порядка десятков миллионов часов.

Уникальность шанхайской индустрии воплощённого интеллекта в том, что одну и ту же проблему здесь решают разными способами одновременно. Одни работают на полке для конечного потребителя: Daxiao Robotics напрямую управляет роботом своей моделью мира Kaiwu 3.1, и в сентябре первый совместный с китайской нефтяной компанией магазин при АЗС вышел на опытную эксплуатацию — робот в проходе шириной 75 сантиметров собирает и упаковывает онлайн-заказы, а модель мира примерно каждые 100 миллисекунд делает новый прогноз будущего состояния, как рассказывает председатель совета директоров Ван Сяоган. Другие занимаются сбором и обобщением данных: компания Qiongche Intelligent собрала более 100 тысяч часов реальных данных в более чем 50 городах Китая, используя человеческие данные и на предварительном, и на последующем обучении — это дешевле и легче масштабируется, чем съёмка роботами. Lingchu Intelligent через собственную модель мира переводит движения человеческих рук в действия робота, а затем дообучает его на месте у клиента методом подкрепления. Третьи идут от промышленной линии: новая модель компании Tashi Zhiheng уже работает на сборке автомобильных жгутов проводов, а её основатель и генеральный директор Чэнь Илунь подчёркивает: «Модель мира понимает мир, физический ИИ меняет мир». Четвёртые стартуют из лабораторий AI4S: Шанхайская лаборатория искусственного интеллекта представила исследовательскую модель «мир — действие» InternW0-Δ, объединившую зрение, силовое чувство и осязание в одной модели, — она выполняет такие тонкие операции, как пипетирование в лаборатории, позволяя роботу чувствовать усилие и обратную связь на каждом шаге. Есть и совсем необычные подходы: компания Leinao Panshi выпустила нейроморфную когнитивную модель мира, которая исследует, ориентируется и действует в незнакомой среде без предварительно построенной карты, а Sudu Technology обучает робота в симуляции и затем переносит навыки на реальную машину. Критерий проверки один — надёжность в реальном сценарии.

Пока технологии множатся, им нужно чёткое направление. Программа ускоренного развития новой индустриализации Пудуна на пятнадцатую пятилетку предусматривает приоритетное развитие гибридной технологии «телесная большая модель плюс модель мира», чтобы модели понимали физические законы и самостоятельно принимали решения. Ускоряется и разработка стандартов: в проекте государственного руководства по системе стандартов для индустрии человекоподобных роботов версии 2026 года стандарты моделей мира уже выделены отдельным пунктом, а шанхайское руководство по стандартам ИИ на 2026–2028 годы относит их к ключевым технологическим стандартам и требует многомерной системы оценки.

А в той самой аптеке, где не стихает работа, робот сейчас видит коробку, понимает заказ и протягивает руку. В следующий раз, прежде чем потянуться к полке, просчитает ли он, «что будет, если задеть соседнюю упаковку»? И какой именно «мозг» при этом включится? Ответ на этот вопрос определит, останется ли машина просто «умеющей работать» или станет той, на которую можно положиться.