Походка за двадцать минут и миллион рублей: что RL сделал с двуногими роботами и во что упёрся их «мозг»

За один 2026 год двуногие роботы успели пробежать полумарафон быстрее человеческого рекорда, довести публику до того, что CEO пришлось резать роботу ногу ножницами прямо на сцене, и провалить задачу «пройтись ровно» на презентации за миллионы долларов. В апреле гуманоид Honor Robotics D1 финишировал в Пекине за 50 минут 26 секунд ^[1] — у людей мировой рекорд, 57:20 Джейкоба Киплимо ^[2], почти на семь минут медленнее. За полгода до того зрители настолько отказывались верить, что XPeng IRON идёт по сцене без человека внутри, что CEO компании вскрыл роботу ногу ножницами ^[3] при включённых приводах. А в январе шанхайский стартап DroidUp показал «биомиметического» робота Moya с заявленными «92% сходства походки с человеческой» — и походка на демо вышла заметно кривой ^[4].

Эти три сюжета — точная карта отрасли. Научить машину ходить, бегать и вставать после падения стало дёшево и воспроизводимо: рецепт опубликован, код лежит на GitHub, обучение ^[5] занимает минуты на одной видеокарте. Дальше начинается вторая половина задачи — восприятие, память ^[6], руки, автономная работа часами, — и она упирается в физику вычислений: ватты бортового компьюта, растущий KV-cache, отсутствие непрерывного обучения. Я — CTO ML-команды, и ниже я разбираю обе половины с числами и ссылками на первоисточники.

Полвека ходьбы по уравнениям

Вукобратович и точка нулевого момента

Вся классическая двуногая локомоция стоит на одной идее из Югославии шестидесятых. Концепция восходит к докладу Миомира Вукобратовича и Давора Юричича 1968 года на симпозиуме IFAC в Ереване (журнальная публикация — 1969); сам термин «zero moment point» закрепился в работах 1970–1972 годов — эту хронологию авторы зафиксировали в ретроспективе «Zero-Moment Point — Thirty Five Years of its Life» ^[7], вышедшей в International Journal of Humanoid Robotics в 2004-м ^[8].

Суть простая. ZMP — точка на опорной поверхности, в которой суммарный момент горизонтальных сил инерции и гравитации равен нулю. Пока эта точка остаётся внутри опорного полигона — грубо, внутри контура стопы, — робот не опрокидывается. Контроллер планирует траекторию центра масс так, чтобы ZMP никогда не покидала стопу, и получает математически ^[9] гарантированную устойчивость.

Цену этой гарантии видно в каждом видео с роботами девяностых и нулевых: большие плоские стопы, вечно согнутые колени, медленные консервативные траектории и ходьба строго по заранее известной ровной поверхности. Любая неровность, проскальзывание или толчок ломают допущения модели, и робот падает.

ASIMO: вершина и потолок

Honda начала работы над двуногими машинами в 1986 году с прототипа E0. ASIMO создан 31 октября 2000 года — эту дату Honda считает официальным «днём рождения» робота — и публично представлен 20 ноября 2000-го ^[10] в токийской штаб-квартире. Обновлённые версии выходили до 2011 года, дальше платформа не менялась.

Четырнадцать лет разработки до первого показа. Ещё одиннадцать — до последней версии. В конце июня 2018 года стало известно, что Honda прекратила разработку ASIMO ^[11] — первым об этом сообщил Nikkei, собственного пресс-релиза компания не выпускала. Финальное выступление состоялось 31 марта 2022 года в музее Miraikan ^[12]. Показательно, что даже на «пенсии» ASIMO, по оценке IEEE Spectrum ^[13], демонстрировал вещи, «которые совсем не просты для гуманоидов даже сейчас».

Проблема подхода была структурной. Ручной контроллер и конечный автомат поверх точной модели требуют, чтобы каждый новый сценарий — ступенька другой высоты, скользкий пол, толчок в плечо — превращался в новую ветку кода. Стоимость разработки растёт линейно с числом ситуаций, а число ситуаций в реальном мире не ограничено ничем.

Boston Dynamics: предел ручного подхода

Гидравлический Atlas — высшая точка классики: model predictive control, онлайн-оптимизация движений по физической модели, десятилетия инженерной культуры. Сама Boston Dynamics формулировала главный вопрос ручного подхода так ^[14]: как расширять управляющий софт на всё новые случаи, не ломая поведение ^[15] во всех остальных. Плюс чисто вычислительная беда — параллельный запуск нескольких MPC-контроллеров съедает бортовой бюджет.

Развязка наступила в апреле 2024-го: гидравлический Atlas отправили на пенсию, а электрический преемник ^[16] анонсировали уже со ставкой на «reinforcement learning и computer vision». Продуктовый Spot к релизу 4.0 перевели на гибрид: обученная в симуляции нейросетевая политика работает рядом с модельным контроллером, обучение шло на «более чем миллионе симуляций» на кластере, и гибрид заодно убрал необходимость гонять несколько MPC-инстансов параллельно ^[14].

Насколько далеко RL двигает то же самое железо, показал RAI Institute — исследовательский институт Марка Рэйберта, основателя Boston Dynamics. Чистой RL-политикой они разогнали Spot до 5,2 м/с ^[17] при заводском максимуме 1,6 м/с. Узким местом оказалась батарея — «я думал, мы сначала упрёмся в лимиты актуаторов», признавался руководитель проекта Фарбод Фаршидиан. Код обучения открыт ^[18] через NVIDIA Isaac Lab. Для масштаба: флот Spot к тому моменту суммарно прошёл более 250 000 км, а внутренний тестовый флот компании молотит 2000+ часов в неделю.

Три статьи, обрушившие цену вопроса

2019: нейросеть вместо модели привода

Первой RL-политику, которая на реальном железе работает лучше классического контроллера, показала лаборатория Марко Хуттера в ETH Zürich. Статья Hwangbo et al. «Learning agile and dynamic motor skills for legged robots» ^[19] вышла в Science Robotics в январе 2019-го.

Ключевой трюк — actuator network. Последовательно-эластичные приводы квадропеда ANYmal аналитически моделируются плохо: упругость, задержки, насыщение. Политика, обученная на «идеальных» моторах симулятора, на железе разваливается. Авторы записали меньше четырёх минут ^[20] движений реальной ноги — свыше миллиона сэмплов на 400 Гц — и обучили на них крошечный MLP (три слоя по 32 нейрона), предсказывающий момент привода. Ошибка ^[21] нейромодели — 0,74 Н·м RMS против 3,55 Н·м у лучшей аналитической модели, впятеро точнее.

Гибридный симулятор «физика твёрдых тел + actuator nets» выдавал около 500 тысяч шагов в секунду — примерно в тысячу раз быстрее реального времени. Обучение походки заняло четыре часа на обычном ПК с одной GPU: девять симулированных дней опыта ^[22]. Результат на железе: ANYmal разогнался до 1,5 м/с (+25% к прежнему рекорду платформы), тратя при этом меньше энергии — средний момент 8,23 Н·м против 11,7 у классики, — и научился вставать из любой позы после падения меньше чем за три секунды.

2021: 4096 роботов на одной видеокарте

Через два года та же лаборатория убрала из уравнения последнее дорогое — время. Rudin et al., «Learning to Walk in Minutes Using Massively Parallel Deep Reinforcement Learning» ^[23], CoRL 2021: симулятор NVIDIA Isaac Gym держит физику целиком на GPU, поэтому на одной карте живут 4096 роботов одновременно, батч — 98 304 перехода на одно обновление политики.

Эти числа часто перевирают, поэтому фиксирую по полному тексту ^[24]: железо — один Intel i9-11900K и одна NVIDIA RTX A6000 (в пересказах регулярно пишут A100 — это ошибка); походка ANYmal C по плоскости обучается меньше чем за 4 минуты, по пересечённому рельефу — за 20 минут и ~1500 обновлений политики. До этой работы стандартом индустрии были дни на кластере.

2022: двадцать минут в парке, без симулятора

Третью точку поставил Berkeley. Smith, Kostrikov и Levine в работе «A Walk in the Park» ^[25] обучили квадропеда Unitree A1 ходить с нуля прямо в реальном мире: 20 минут по часам, из них ~17 минут чистого взаимодействия с грунтом ^[26], около 20 тысяч сэмплов. Алгоритм — DroQ, вариант SAC с dropout-ансамблем Q-функций; весь компьют — один ноутбук с RTX 2070. Походка выучивалась на ровном полу, матрасе, газоне, мульче и лесной тропе.

2024–2026: стек стал вендорским README

Дальше рецепт разошёлся по готовым инструментам. Код Rudin et al. вырос в legged_gym ^[27] — исторический стандарт, на форках которого построена половина RL-локомоции 2022–2024 годов. NVIDIA свернула Isaac Gym и рекомендует вместо него Isaac Lab ^[28] — открытый фреймворк (ядро под BSD-3-Clause) на базе Isaac Sim, выросший из Orbit: 16+ моделей роботов, 30+ готовых RL-сред, GPU-параллельная симуляция. DeepMind с Berkeley выпустили MuJoCo Playground ^[29] — Apache 2.0, pip install playground, обучение политик за минуты на одной GPU, zero-shot перенос на железо.

Замкнул картину производитель железа. Unitree выкладывает официальный RL-пайплайн ^[30] для Go2, H1 и G1 с полной цепочкой train → sim-to-sim валидация в MuJoCo → деплой на робота через SDK. То, что в 2019-м было статьёй в Science Robotics, в 2026-м — инструкция в репозитории вендора.

Как это устроено: PPO, награды, пинки и лестницы

Формально задача звучит скучно: velocity tracking. На вход политике — команда (скорость вперёд/вбок, скорость поворота) плюс проприоцепция и, опционально, карта высот рельефа; на выход — целевые позиции 12 суставов на частоте 50 Гц. Ниже политики крутится обычный PD-контур на сотни герц, превращающий целевые позиции в токи моторов. Всё «умение ходить» — внутри этого отображения.

Алгоритм: PPO и почему именно он

Рабочая лошадь всей области — Proximal Policy Optimization ^[31] Шульмана и коллег из OpenAI, 2017 год. Идея — clipped surrogate objective: отношение вероятностей новой и старой политики обрезается в коридоре [1−ε, 1+ε], что позволяет безопасно гонять несколько эпох градиентных шагов по одному батчу. В пайплайне Rudin et al. ^[24] это выглядит так: ε = 0.2, батч 98 304 (4096 сред × 24 шага), мини-батч 24 576, 5 эпох, γ = 0.99, GAE λ = 0.95, learning rate адаптируется по KL-дивергенции.

Выбор on-policy алгоритма при такой архитектуре логичен: когда на GPU параллельно живут четыре тысячи роботов, сэмплы почти бесплатны, и sample efficiency перестаёт быть узким местом — важнее стабильность обновлений. Библиотека rsl_rl ^[32] от ETH, стандартный тренер legged_gym и Isaac Lab, долгое время вообще содержала один алгоритм — PPO.

Reward: один пряник и десяток штрафов

Функция награды — главная инженерная работа во всём пайплайне. Устроена она однообразно: один положительный терм за следование командной скорости и куча мелких штрафов, отсекающих «уродливые» решения, до которых RL обязательно докопается, если его не ограничить. Награда за трекинг — гауссово ядро exp(−‖v* − v‖²/0.25): максимум при точном совпадении с командой, плавный спад вокруг.

Фрагмент реального конфига из legged_gym ^[27] (базовый класс LeggedRobotCfg):

class rewards:    class scales:        tracking_lin_vel = 1.0    # пряник: экспоненциальный трекинг командной v_xy        tracking_ang_vel = 0.5    # трекинг скорости поворота        lin_vel_z = -2.0          # штраф за вертикальные скачки базы        ang_vel_xy = -0.05        # штраф за раскачивание корпуса        torques = -0.00001        # штраф за моменты (экономия энергии)        dof_acc = -2.5e-7         # штраф за ускорения суставов (плавность)        feet_air_time = 1.0       # бонус за время ноги в воздухе (длинные шаги)        collision = -1.0          # штраф за касания корпусом и бёдрами        action_rate = -0.01       # штраф за дёрганье actions от шага к шагу

class scales:

tracking_lin_vel = 1.0 # пряник: экспоненциальный трекинг командной v_xy

tracking_ang_vel = 0.5 # трекинг скорости поворота

lin_vel_z = -2.0 # штраф за вертикальные скачки базы

ang_vel_xy = -0.05 # штраф за раскачивание корпуса

torques = -0.00001 # штраф за моменты (экономия энергии)

dof_acc = -2.5e-7 # штраф за ускорения суставов (плавность)

feet_air_time = 1.0 # бонус за время ноги в воздухе (длинные шаги)

collision = -1.0 # штраф за касания корпусом и бёдрами

action_rate = -0.01 # штраф за дёрганье actions от шага к шагу

Каждая строчка — ответ на конкретную патологию. Без feet_air_time политика семенит мелкими шажками. Без action_rate — вибрирует суставами на частоте управления. Без штрафа за коллизии — ползёт на коленях, формально выполняя команду по скорости. Reward shaping в локомоции — ремесло с накопленной библиотекой готовых рецептов, и это одна из причин, почему порог входа так упал.

Domain randomization: тренируем на тысяче миров сразу

Симулятор всегда врёт. RL-пайплайн закладывает это враньё прямо в обучение: каждый из 4096 параллельных роботов живёт в слегка другом мире. В статье Rudin et al. и конфиге legged_gym ^[24] рандомизируют трение (равномерно из [0.5, 1.25]) и устраивают роботам случайные толчки — каждые 10 секунд по статье (в конфиге legged_gym дефолт — 15 с) базе мгновенно добавляют до ±1 м/с по горизонтали. К наблюдениям подмешивается шум: позиции суставов ±0.01 рад, скорости суставов ±1.5 рад/с, высоты рельефа ±0.1 м.

class domain_rand:    randomize_friction = True    friction_range = [0.5, 1.25]   # коэффициент трения, равномерно    push_robots = True    push_interval_s = 15           # в статье Rudin et al. — каждые 10 с    max_push_vel_xy = 1.0          # толчок: базе добавляют до ±1 м/с

randomize_friction = True

friction_range = [0.5, 1.25] # коэффициент трения, равномерно

push_robots = True

push_interval_s = 15 # в статье Rudin et al. — каждые 10 с

max_push_vel_xy = 1.0 # толчок: базе добавляют до ±1 м/с

Канон более агрессивной рандомизации — Tan et al. 2018 ^[33] (Google, Minitaur): масса 80–120%, сила моторов 80–120%, напряжение батареи 14,0–16,8 В и, главное, задержка управления 0–40 мс. На реальном Minitaur они замерили ~3 мс в микроконтроллере и 15–19 мс на инференс сети — политика, не видевшая задержек в симуляции, на железе возбуждается и осциллирует.

Terrain curriculum: уровни как в игре

Сложность рельефа наращивается механикой прямиком из геймдева. В legged_gym ^[24] карта — сетка террейнов: 10 уровней сложности × 20 вариаций рельефа пяти типов (склоны, случайная неровность, лестницы вверх и вниз, дискретные препятствия). Высота ступеней растёт от 5 до 20 см, наклоны — от 0° до 25°. Робот, дошедший до края своего террейна, повышается на уровень; робот, за эпизод не прошедший и половины требуемой дистанции, понижается. Достигшие максимума случайно раскидываются по уровням заново — чтобы политика не забыла простое.

Teacher–student: читер учит слепого

Для по-настоящему тяжёлого рельефа работает схема привилегированного обучения. Lee et al. 2020 ^[34] (Science Robotics): в симуляции сначала обучается «учитель», который видит то, чего реальный робот знать не может, — состояния контактов, силы, коэффициенты трения, точные высоты рельефа вокруг каждой стопы. Затем «студент», у которого из сенсоров только проприоцепция, учится имитировать учителя через DAgger. Память студенту заменяет временная свёрточная сеть над историей наблюдений — две секунды, сто шагов.

Итог 2020 года: слепой ANYmal шёл по горным тропам, ручьям, грязи, снегу и осыпям без единого отказа за четыре часовые миссии DARPA SubT, а инференс политики крутился на 400 Гц на двухъядерном ноутбучном i7-5600U. Продолжение — Miki et al. 2022 ^[35]: belief encoder сшивает проприоцепцию с ненадёжной картой от лидара, сам решая, чему верить. Этот контроллер стоял по умолчанию у команды CERBERUS, выигравшей финал DARPA Subterranean Challenge: четыре ANYmal прошли более 1700 м ^[36] по туннелям, подземкам и пещерам без единого падения. На горе Этцель тот же робот прошёл маршрут 2,2 км с набором 120 м за 78 минут — на подъёме обогнав норматив таблички для человека на четыре минуты.

Sim-to-real: где обычно больно

Грабли задокументированы настолько хорошо, что наступать на них — осознанный выбор. Динамика приводов лечится actuator-сетями или честной system identification. Задержки — рандомизацией latency. Разница контактов и трения — рандомизацией диапазонов. Хуже всего переносится перцепция: Rudin et al. на реальном ANYmal порезали максимальную командную скорость до 0,6 м/с из-за шумной карты высот с лидара — в симуляции карта была идеальной. И у всей рандомизации есть цена: политика становится консервативнее, что систематически фиксируют обзоры sim-to-real ^[37].

Деплой: мозг ходьбы весит меньше мегабайта

Финальный артефакт всего пайплайна разочаровывающе мал. Стандартная политика — MLP [512, 256, 128] с ELU: это дефолт legged_gym/rsl_rl, и ту же сеть NVIDIA с Boston Dynamics используют для Spot — в конфиге Isaac Lab для Spot ^[38] при 48-мерном наблюдении она даёт ≈191 тысячу параметров (мой подсчёт), то есть ~0,77 МБ в fp32. Частота управления — 50 Гц: у Rudin et al. это 4 шага симуляции по 5 мс на шаг политики, а в «Walk These Ways» ^[39] прописано дословно — «for both training and deployment, the control frequency is 50 Hz».

Инференс такой сети — арифметика уровня микроконтроллера. У Hwangbo et al. прогон политики занимал 25 микросекунд на одном CPU-потоке ^[20] при частоте управления 200 Гц (100 Гц для вставания после падения) — по оценке самих авторов, около 0,1% доступных бортовых вычислительных ресурсов робота. Реальные бортовые платформы это подтверждают: ноутбучный i7 2015 года у ANYmal, Jetson TX2 NX у Unitree Go1, Jetson AGX Orin в ките для Spot. Вся дорогая часть — фабрика: тренировка Spot заняла ~4 часа на одной RTX 4090 при 85–95 тысячах FPS симуляции, а на борт уехала сеть на сотни килобайт.

Экономика походки

Разложу цену на составляющие. GPU-часы: 20 минут на RTX A6000 у Rudin et al., четыре часа на RTX 4090 у NVIDIA/Boston Dynamics — по расценкам любого облака это меньше стоимости одного человеко-дня инженера. Код: открыт, от legged_gym до вендорских репозиториев Unitree. Знания: основные статьи, конфиги и грабли описаны выше, всё в открытом доступе.

Остаются люди и железо. По моей профессиональной оценке (ссылки не будет: опыт к статье не приложишь), заказная походка под конкретную платформу в симуляторе с переносом на железо — единицы человеко-месяцев работы и порядка миллиона рублей: настройка reward-термов под морфологию, подбор рандомизации, sim-to-sim валидация, испытания. Дороже всего инженер, который уже набил руку на этом стеке, и стенд, на котором робот может падать без последствий для бюджета.

На этом фоне интересен кейс Moya. DroidUp в феврале 2026-го закрыл раунд Pre-A+ почти на 100 млн юаней ^[40] — суммарные привлечённые инвестиции СМИ оценивают примерно в $28,5 млн ^[41], — робот целится в здравоохранение и образование по цене 1,2 млн юаней ($173 тыс.) ^[4] — и при этом на публичном демо походка вышла заметно кривой, а «92% сходства с человеческой» остались цифрой самой компании без опубликованной методики. Разгадка в том, что «робастная походка» и «человеческая походка» — разные задачи. RL-пайплайн из предыдущей главы оптимизирует устойчивость и трекинг скорости; выпрямленные колени, перекат с пятки на носок и эстетика движения в reward по умолчанию не входят, и добавление их туда ломает робастность, которую потом приходится собирать заново. Подешевела ровно одна задача: надёжное перемещение. Эстетика движения остаётся отдельной дорогой работой.

Сам вход в отрасль при этом подешевел радикально: гуманоид Unitree G1 продаётся за $13 500 ^[42] — при анонсе в мае 2024-го он стоил $16 000 ^[43].

Парадокс Моравека в полный рост

Ханс Моравек ещё в восьмидесятых заметил: то, что сложно для человека, часто просто для машины, и наоборот. Двуногая ходьба десятилетиями считалась одной из самых трудных задач робототехники — и оказалась той частью, для которой существует почти идеальный обучающий инструмент. Контакт жёсткой ноги с жёстким грунтом симулируется хорошо, награда формулируется в три строчки, опыт генерируется тысячами параллельных копий. Задача замкнулась внутри симулятора и была решена конвейером.

У всего остального такого инструмента нет. Человеческая кисть несёт около 17 000 механорецепторов ^[44] только в коже ладони — сенсорный поток, которого у роботов нет даже в проекте, а контакт пальцев с мягким, скользким и деформируемым симулируется плохо. Поведение ^[45] на горизонте часов требует памяти, которой нет в архитектуре. Автономия среди людей требует и того, и другого одновременно.

В отрасли это видно по конкретным машинам. У Ameca от Engineered Arts ^[46] лучшая в индустрии мимика и LLM-диалог, при этом платформа статичная — ходьбу компания честно откладывает на «когда-нибудь». Пекинские марафонцы бегают часами, но манипуляции и восприятия сцены у них нет. Спустя восемь лет после того, как RL взялся за локомоцию, эти две половины робота всё ещё не встретились в одном корпусе.

Мозг: VLA-модели и их диета

С 2023 года «мозгом» роботов-манипуляторов и гуманоидов называют VLA — vision-language-action модели: предобученную на веб-данных VLM дообучают выдавать действия робота. Эволюция ^[47] этого класса за три года — фактически история борьбы с латентностью и бортовыми ваттами.

Начало — RT-2 от Google DeepMind ^[48], июль 2023: бэкбон PaLI-X на 55 млрд параметров, действия кодируются текстовыми токенами. Работало это в облаке на multi-TPU сервисе ^[49], робот ходил за решениями по сети и получал 1–3 решения в секунду. Рефлексов ^[50] на таком не построишь.

Через год — OpenVLA ^[51], первый серьёзный открытый VLA: 7 млрд параметров, обучен на 970 тысячах реальных эпизодов манипуляции, обгоняет RT-2-X (55B) на 16,5% абсолютного успеха при всемеро меньшем размере. Цена: 21 500 A100-часов на претрен и ~6 Гц инференса на RTX 4090 — карте, которую в робота не поставишь.

Дальше модели начали резать под борт. π0 от Physical Intelligence ^[52] (октябрь 2024) сменила парадигму: вместо действий-токенов — flow matching, непрерывные действия чанками по 50, что даёт управление до 50 Гц ^[53] при 3,3 млрд параметров суммарно. NVIDIA в GR00T N1 ^[54] (март 2025) ужала модель до 2,2 млрд и сделала двухсистемность явной: медленное VLM-рассуждение плюс быстрый диффузионный генератор моторики. Helix от Figure ^[55] (февраль 2025) перенесла ту же схему на борт гуманоида: System 2 разбирает сцену и команду, System 1 ведёт 35 степеней свободы верхней половины тела, обе живут на двух встроенных маломощных GPU.

Google пришёл к тому же с другой стороны: у Gemini Robotics ^[56] (март 2025) VLA-бэкбон остался в облаке, но на роботе живёт локальный декодер действий; латентность бэкбона ужали с секунд до <160 мс, end-to-end — около 250 мс, эффективная частота с чанками — 50 Гц. А в июне 2025-го вышла Gemini Robotics On-Device ^[57] — первая VLA-модель DeepMind, открытая для дообучения и при этом работающая автономно на самом роботе: адаптация к новой задаче по 50–100 демонстрациям, перенос на манипулятор Franka FR3 и гуманоида Apptronik Apollo.

Тренд читается по столбцу «параметры»: 55B → 7B → 2–3B за два года. Модели ужимаются под бортовое железо, потому что контур управления физически не переживает облачный round-trip. И у всех выживших одна и та же анатомия — медленная «кора» на единицах герц для семантики плюс быстрый «мозжечок» на сотнях герц для моторики. Ровно та же двухчастотная логика ^[58], что в RL-локомоции, где над PD-контуром на сотни герц стоит политика на 50 Гц. Показательная деталь: Helix обучена всего на ~500 часах телеоперационных данных ^[55], и Figure подаёт это как достижение эффективности — «доля от ранее собранных VLA-датасетов».

Ватты: бюджет, которого нет

Теперь про физику, которая всю эту эволюцию продиктовала. Человеческий мозг потребляет примерно 20 Вт ^[59] — это 2% массы тела, забирающие 20% кислорода ^[60] в покое. На этих 20 ваттах работают зрение ^[61], слух ^[62], планирование, память на десятилетия и реалтайм-управление парой сотен мышц. Базальный метаболизм всего тела — порядка 80–100 Вт.

Роботу до такого соотношения далеко в обе стороны. По оценке вендора силовых систем ^[63], обычная ходьба полноразмерного гуманоида непрерывно тянет 700–1500 Вт на приводы, а простой на месте стоит 250–500 Вт — компьют, сенсоры, удержание позы. Батареи на этом фоне крошечные: 0,864 кВт·ч у Unitree H1 ^[64] — полтора-два часа автономии; у G1 с его 9 А·ч (~0,43 кВт·ч) ^[42] — около двух часов активной работы. Tesla заявляет для Optimus батарею ~2,3 кВт·ч (публичного datasheet нет, цифра из презентаций компании).

Верхняя планка бортового компьюта сегодня — Jetson Thor ^[66]: до 2070 FP4-терафлопс в пакете 130 Вт, 128 ГБ памяти. Против него датацентровый H100 — 700 Вт TDP ^[67] и, главное, память HBM3 с пропускной способностью 3350 ГБ/с против 204,8 ГБ/с у Orin ^[65]. Инференс больших моделей упирается в пропускную способность памяти раньше, чем в TOPS, поэтому 7B-модель, формально влезающая в память Orin (14 ГБ весов в fp16 плюс KV-cache), на борту выдаёт единицы герц. Плюс тепло: 60–130 Вт в закрытом торсе без нормального продува — это троттлинг под длительной нагрузкой, то есть просадка частоты инференса ровно тогда, когда робот работает дольше десяти минут. Арифметика тут короткая: непрерывный инференс 7B-модели на борту — это 100+ Вт, и один такой компьют высаживает батарею G1 в 0,43 кВт·ч за три-четыре часа ещё до первого шага, а вместе с ходьбой автономия сжимается к часу.

Облако проблему не решает. Gemini Robotics с оптимизированным до предела стеком получил ~250 мс end-to-end ^[56] от наблюдения до действия — для семантики («возьми кружку слева») этого хватает. Контур стабилизации живёт на единицах миллисекунд, и потерявший равновесие робот за четверть секунды уже лежит. Отсюда и двухсистемная архитектура как единственный работающий компромисс: семантика в медленном контуре, моторика в быстром, на борту.

Насколько энергетика реально ограничивает, видно по пекинскому забегу: чемпион 2025 года Tiangong Ultra на дистанции 21 км трижды менял батарею ^[68].

Контекст, который переполняется за день

Допустим, ватты нашли: Thor на борту, модель ужали, троттлинг победили радиатором. Дальше стоит проблема, которую железом не решить, — и это, на мой взгляд, самая недооценённая причина, почему «живого» робота нет.

Сколько токенов стоит смотреть

Непрерывное восприятие — это поток токенов. Google даёт точные расценки: в Gemini кадр видео стоит 258 токенов, секунда — около 300 токенов ^[69] в дефолтном разрешении при сэмплировании 1 кадр/с. Отсюда официальный ориентир: миллион токенов ≈ один час видео ^[70] — так Google анонсировал контекст Gemini 1.5.

Арифметика для робота (мой расчёт): 16-часовой рабочий день с одной камерой при 1 FPS — примерно 17 млн токенов, только на зрение, без аудио и проприоцепции. Неделя — за сотню миллионов. И это при одном кадре в секунду; контур управления движением требует восприятия на 30–50 Гц, то есть ещё на полтора-два порядка больше. Google заявлял, что в исследовательских тестах Gemini 1.5 работал с контекстом до 10 млн токенов ^[70] — такой поток исчерпывает его за часы.

KV-cache и квадрат внимания

Длинный контекст дорог дважды. Во-первых, память: KV-cache трансформера растёт линейно с длиной контекста, и уже 128 тысяч токенов у Llama 3 70B занимают ~40 ГБ ^[71] на одного пользователя — при весах самой модели ~140 ГБ в fp16. На бортовых 64–128 ГБ, разделяемых со всей системой, «долгая память в контексте» не живёт физически. Во-вторых, вычисления: стоимость self-attention растёт квадратично с длиной последовательности — это настолько признанная проблема, что под неё строят отдельный класс архитектур ^[72].

Дообучаться на лету нельзя

Биология обходится без буфера: мозг на лету сжимает поток восприятия в обновление собственных «весов». У нейросетей этот путь закрыт катастрофическим забыванием ^[73]: эффект описан ещё McCloskey и Cohen в 1989-м, а DeepMind в статье про elastic weight consolidation ^[74] сформулировал прямо: «нейросети в общем случае не способны» учиться последовательно — градиентные шаги по новым данным перезаписывают веса, кодировавшие старые навыки. Тридцать пять лет спустя свежие обзоры ^[75] констатируют то же самое: методы смягчают эффект на бенчмарках, в открытом мире проблема стоит как стояла.

Поэтому продакшн-цикл у всех одинаковый: собрали данные → дообучили оффлайн → провалидировали → выкатили новую версию весов. Опыт прожитого дня в веса не попадает: между пережитым и обновлением модели — недели оффлайн-дообучения и валидации.

Что пробуют

Направления известны, статуса «продакшн» нет ни у одного. Mamba и SSM-архитектуры ^[72] заменяют растущий KV-cache рекуррентным сжатым состоянием: линейное масштабирование по длине, впятеро выше пропускная способность инференса — концептуально это ближе к тому, как «помнит» мозг, но фронтир-модели остаются трансформерами. Эпизодическая память для роботов — например, MemoryVLA ^[76] с «гиппокампальным» банком памяти и retrieval — упирается в то, что retrieval сбивается дистракторами, а фиксированное окно всё равно режет горизонт. Ян Лекун ещё в 2022-м ^[77] предложил перестать предсказывать токены и учить world models — внутренние модели того, как устроен мир: подросток учится водить за ~20 часов практики именно потому, что у него такая модель уже есть. Это исследовательская программа на годы, и сам Лекун её так и позиционирует.

Текущий стек архитектурно умеет жить внутри эпизода-промпта и ничего не помнит между эпизодами, если память не прикручена внешними костылями. Даже цель самых агрессивных работ по сжатию KV-cache — 10 млн токенов контекста ^[78] — при цене 300 токенов за секунду видео означает около десяти часов непрерывной «жизни».

Дообучаться на лету нельзя

Биология обходится без буфера: мозг на лету сжимает поток восприятия в обновление собственных «весов». У нейросетей этот путь закрыт катастрофическим забыванием ^[79]: эффект описан ещё McCloskey и Cohen в 1989-м, а DeepMind в статье про elastic weight consolidation ^[74] сформулировал прямо: «нейросети в общем случае не способны» учиться последовательно — градиентные шаги по новым данным перезаписывают веса, кодировавшие старые навыки. Тридцать пять лет спустя свежие обзоры ^[75] констатируют то же самое: методы смягчают эффект на бенчмарках, в открытом мире проблема стоит как стояла.

Поэтому продакшн-цикл у всех одинаковый: собрали данные → дообучили оффлайн → провалидировали → выкатили новую версию весов. Опыт прожитого дня в веса не попадает: между пережитым и обновлением модели — недели оффлайн-дообучения и валидации.

Что пробуют

Направления известны, статуса «продакшн» нет ни у одного. Mamba и SSM-архитектуры ^[72] заменяют растущий KV-cache рекуррентным сжатым состоянием: линейное масштабирование по длине, впятеро выше пропускная способность инференса — концептуально это ближе к тому, как «помнит» мозг, но фронтир-модели остаются трансформерами. Эпизодическая память для роботов — например, MemoryVLA ^[76] с «гиппокампальным» банком памяти и retrieval — упирается в то, что retrieval сбивается дистракторами, а фиксированное окно всё равно режет горизонт. Ян Лекун ещё в 2022-м ^[77] предложил перестать предсказывать токены и учить world models — внутренние модели того, как устроен мир: подросток учится водить за ~20 часов практики именно потому, что у него такая модель уже есть. Это исследовательская программа на годы, и сам Лекун её так и позиционирует.

Текущий стек архитектурно умеет жить внутри эпизода-промпта и ничего не помнит между эпизодами, если память не прикручена внешними костылями. Даже цель самых агрессивных работ по сжатию KV-cache — 10 млн токенов контекста ^[78] — при цене 300 токенов за секунду видео означает около десяти часов непрерывной «жизни».

Данные: симулятор есть только у походки

У локомоции обучающие данные бесплатны. Физика жёсткого контакта ноги с грунтом симулируется достаточно точно, чтобы политика переносилась на железо, поэтому опыт генерируется параллельно и быстро: гибридный симулятор Hwangbo et al. выдавал девять симулированных дней опыта за четыре часа ^[20] на одном ПК, а у Rudin et al. на одной карте одновременно тренировались 4096 роботов. Ошибка на этом пути стоит ноль: упавший симулированный робот — это сброс эпизода.

У манипуляции и поведения симулятора такого качества нет. Контакт пальцев с деформируемыми, скользкими, хрупкими объектами моделируется плохо, тактильных данных в вебе не существует, и опыт приходится покупать по часам. Tesla нанимала «операторов сбора данных» ходить в мокап-костюме и VR-шлеме по ставке от ~$25 до $48 в час ^[80], больше семи часов ходьбы в день, с требованием роста 170–180 см — под габариты Optimus. По этим ставкам 10 000 часов телеоперации — масштаб претрена π0 ^[53] — стоят $250–480 тысяч только зарплатами операторов, без роботов, площадки и разметки.

Крупнейшие датасеты отрасли на этом фоне выглядят скромно. Open X-Embodiment ^[81] — коллективный «ImageNet робототехники» от 21 организации: миллион с лишним траекторий, 22 типа роботов, 527 навыков. AgiBot World ^[82] — миллион траекторий, собранных сотней роботов на специально построенной фабрике сбора данных площадью больше 4000 м²; в сумме это 2976 часов опыта — столько моторной практики человек набирает за первые полтора года жизни. Google собирал датасет Gemini Robotics флотом роботов ALOHA 2 в течение 12 месяцев ^[56]. LLM тем временем учатся на триллионах токенов веба — эквиваленте миллионов человеко-лет текста. Разрыв составляет много порядков, и закрыть его наймом операторов нельзя по чисто экономическим причинам.

Индустрия отвечает синтетикой. NVIDIA для GR00T N1 честно публикует пирамиду данных: в её основании веб и видео людей, в середине симуляция, а на пике — 88 часов реальной телеоперации ^[83], раздутые синтетикой примерно вдесятеро, до 827 часов. Отдельным конвейером NVIDIA сгенерировала 780 тысяч синтетических траекторий — эквивалент 6500 часов демонстраций — за 11 часов ^[84], что подняло качество модели на 40% против чисто реальных данных. Схема рабочая, но синтетика масштабирует только то, что симулятор уже умеет моделировать; дефицитными остаются ровно те контакты и материалы, с которыми он справляется хуже всего. На пике пирамиды у одной из богатейших компаний мира лежат 88 реальных часов.

Четыре слоя неотличимости

Вопрос «когда роботы станут неотличимы от человека» в инженерных терминах распадается на четыре независимых слоя с разными сроками.

Внешность: почти готово

Кейс XPeng IRON закрыл вопрос о том, можно ли сделать машину, которую примут за человека. После AI Day в ноябре 2025-го больше половины онлайн-комментаторов искали на видео признаки спрятанного человека ^[85], и компании пришлось сначала расстёгивать роботу «спину» на камеру, а затем резать ногу на сцене. Спецификации при этом настоящие: 82 степени свободы, по 22 на кисть ^[86], три собственных чипа Turing. По официальному пресс-релизу XPeng суммарная эффективная мощность — 3000 TOPS, хотя в СМИ ходит цифра 2250; компания также заявляет первое в отрасли применение полностью твердотельных батарей. Крупносерийное производство запланировано на конец 2026-го. Moya добавляет к списку тёплую силиконовую кожу 32–36 °C и камеры за глазами ^[4]. Статичная внешность как задача в основном решена.

Движение: близко, но остатки видны

Динамика пекинского полумарафона — самый чистый многолетний замер в отрасли, потому что трасса одна и та же. 2025 год: финишировали шесть из 20 стартовавших команд ^[1], лучшее время — 2:40:42 ^[87], по дороге роботов чинили скотчем и поливали охлаждающим спреем. 2026 год: финишировали 47 команд из 102 ^[88], победитель — автономный Lightning с результатом 50:26. Прогресс за год впечатляющий, и всё же из 47 финишёров лишь 18 шли автономно, остальные 29 — на дистанционном управлении ^[88] (их время умножали на штрафной коэффициент 1,2), а сам чемпион у финиша врезался в ограждение ^[89], и поднимали его люди.

Разговор в реальном времени: частично, с человеком за шторкой

Телеоперация — тихая норма индустрии на всех уровнях. На презентации Tesla «We, Robot» в октябре 2024-го Optimus танцевали и разливали напитки, а затем Bloomberg выяснил, что роботами дистанционно управляли люди ^[90]; робот-бармен сам признавался гостям ^[91]: «сегодня мне помогает человек». Домашний 1X Neo за $20 000 или $499 в месяц ^[92] продаётся со встроенным «Expert Mode»: когда робот не справляется, задачу через его камеры доделывает оператор компании в VR-шлеме — у журналистов на демо складывание одной футболки удалённым пилотом заняло около двух минут ^[93]. Свободный диалог при этом действительно работает — LLM-стек Ameca ведёт беседу с мимикой вполне убедительно, — просто он пока живёт отдельно от тела, которое умеет что-то делать.

Автономная жизнь среди людей: далеко, и вот почему это надолго

Здесь сходятся все ограничения из предыдущих глав: ватты, контекст, забывание, данные. Родни Брукс — основатель iRobot и Rethink Robotics, человек, который производил роботов миллионами, — веру в скорую человеческую ловкость гуманоидов называет «pure fantasy thinking» ^[44], а модный сбор видеоданных с людей — сбором «не тех данных»: видео не содержит тактильности, на которой ловкость держится. Его датированный прогноз: первый прибыльный деплой гуманоидов даже с минимальной ловкостью — дальше десяти лет от 2025 года, а через пятнадцать лет успешные машины «не будут похожи ни на сегодняшних гуманоидов, ни на людей» — колёса вместо ног.

Брукс ведёт публичный скорборд прогнозов с 1 января 2018 года и ежегодно сверяет его с реальностью. В выпуске от 1 января 2026-го ^[94] он констатирует: прогресс по прогнозу 2018 года «ловкие руки роботов общедоступны — не раньше 2030, скорее к 2040 (надеюсь!)» идёт очень медленно, learning-методы его не ускорили; про гуманоидный хайп — «часть его попросту бредова на многих уровнях»; новый датированный прогноз — «развёртываемая ловкость останется жалкой на фоне человеческих рук и после 2036 года».

Широкая выборка исследователей осторожнее по формулировкам и жёстче по срокам. Крупнейший опрос AI-учёных — 2778 авторов статей с топовых конференций ^[95] — даёт 50% вероятности машинам, превосходящим человека в любой задаче, к 2047 году, но полной автоматизации всех профессий, то есть телам и рукам вместо текстов, — только к 2116-му. Семьдесят лет разницы респонденты отводят именно телу: ваттам, данным для рук и памяти.

Обещания индустрии на этом фоне стоит читать вместе с её историей сдвигов. Optimus анонсировали 19 августа 2021-го ^[96] танцем человека в костюме робота; к концу июля 2025-го, по данным The Information, построены «сотни» роботов против цели в 5000 на год ^[97], при этом на квартальном звонке Маск обещал выйти на миллион в год «менее чем за пять лет».

Моя ставка

Всё, что выше, — проверяемые факты со ссылками. Этот раздел — моё мнение, и оно вытекает из истории самой локомоции. Ходьба сдалась за три года, как только опыт стал дешёвым: в 2019-м actuator nets починили перенос из симулятора, в 2021-м на одной видеокарте поселились четыре тысячи роботов, в 2022-м рецепт стал репозиторием вендора. Магии в этой цепочке нет — есть симулятор, который оказался достаточно честным для контакта жёсткой ноги с жёстким грунтом. Отсюда мой главный индикатор для «живого» робота: появление столь же честного генератора опыта для рук, памяти и поведения — того, что Лекун называет world model. Деньги индустрии сейчас идут именно туда, и, по-моему, справедливо.

По слоям мои ожидания такие. Неотличимая внешность и отрепетированная сцена — уже реальность, дальше будет только дешевле. Движение доедет до бытовой незаметности за несколько лет: походка 2026 года ещё выдаёт машину, но темп полумарафона — 2:40:42 в 2025-м, 50:26 в 2026-м — показывает, как быстро дожимается по сути решённая задача. Разговор в реальном времени упрётся в бортовую латентность и будет добит вместе с ней. Автономной жизни среди людей я не жду ни к 2030-му, ни, честно говоря, к бруксовскому рубежу 2036-го: ватты, переполняющийся контекст и невозможность учиться на лету не лечатся масштабированием текущего стека; серийной альтернативы ему пока нет.

Свои сроки я пересмотрю по трём сигналам. Первый: непорезанное видео полной рабочей смены гуманоида — без телеоператора за шторкой и без замены батареи. Второй: робот, чьи веса наутро помнят вчерашний день без недель оффлайн-дообучения. Третий: цена часа манипуляционных данных упала хотя бы на порядок. Сегодня по всем трём пунктам пусто — у всех, включая компании с триллионной капитализацией. При этом уже случившееся стоит уважения: задача, на которую Honda потратила три десятилетия, сегодня решается студентом за выходные на арендованной видеокарте. Такой обвал сложности случается в инженерной дисциплине раз в поколение.