Достижения в области искусственного интеллекта дают нам картинку заманчивого будущего, в котором роботы смогут взаимодействовать с окружающим миром так же, как люди. Вопрос в том, окажутся ли для достижения этой цели достаточными те же методы, которые обеспечили недавний прогресс ИИ, или потребуется совершенно новый подход
В различных видосах то и дело появляется робот, напоминающий человека: белый, с чёрной головой и торсом. Возможно, вы видели, как он танцует, раздаёт попкорн, выбрасывает мусор в корзину, пылесосит или нажимает кнопку микроволновки. А может быть, наблюдали, как он падает навзничь, пытаясь раздать бутылки с водой, или мучительно старается погладить рубашку.
Это Optimus компании Tesla, человекоподобный робот с искусственным интеллектом, который, по мнению генерального директора компании Илона Маска, станет «не просто самым успешным продуктом Tesla за всю историю, но, вероятно, самым успешным продуктом вообще». Предполагается, что сначала он будет работать на заводах, а затем появится и в наших домах. Со временем Optimus «обретёт человеческую, а затем и сверхчеловеческую ловкость», заявил Маск акционерам в июле. По его словам, такие роботы смогут автоматизировать практически любой человеческий труд, от перемещения листового металла до складывания белья, причём стоить каждый из них будет всего 20 тысяч долларов. Выступая в январе на ежегодной встрече Всемирного экономического форума в швейцарском Давосе, Маск предсказал, что к концу 2 027 года роботы могут поступить в свободную продажу.
Маск далеко не единственный, кто с таким энтузиазмом проповедует будущее робототехники. Марк Андриссен, сооснователь и генеральный партнёр венчурной компании Andreessen Horowitz из Кремниевой долины, заявлял, что робототехника может стать «крупнейшей отраслью в истории планеты». В январе генеральный директор Nvidia Дженсен Хуанг сказал, что уже в этом году возможности человекоподобных роботов сравняются с человеческими. По прогнозу Morgan Stanley, к 2 050 году количество роботов, которые «выглядят и действуют как люди», вероятно, приблизится к миллиарду, сформировав рынок стоимостью более пяти триллионов долларов.
Подобные заявления во многом основаны на представлении о том, что достижения в области ИИ, благодаря которым появились такие инструменты, как ChatGPT компании OpenAI и Claude компании Anthropic, позволят создать новое поколение роботов, способных имитировать человеческие движения так же, как чат‑боты имитируют человеческую речь. Однако многие исследователи в области робототехники относятся к этому скептически. По их мнению, такие предположения недооценивают сложность задачи: искусственный интеллект, построенный на обработке языка и изображений, должен научиться справляться с бесконечным разнообразием физического мира. «Ни одна из этих компаний [создающих человекоподобных роботов], абсолютно ни одна, понятия не имеет, как сделать своих роботов достаточно умными, чтобы от них была польза», заявил Ян Лекун, которого часто называют одним из крёстных отцов искусственного интеллекта, на другом мероприятии в рамках январской конференции в Давосе.
Исследователи также отмечают, что распространённая привычка ставить знак равенства между человекоподобными роботами, созданными по образу и подобию людей, и так называемыми универсальными машинами, способными обучаться и выполнять разнообразные задачи, вводит в заблуждение. «Сделать робота, который выглядит как человек, очень легко, объясняет Джонатан Хёрст, сооснователь и директор по робототехнике компании Agility Robotics, а также профессор робототехники Университета штата Орегон. Гораздо, гораздо сложнее создать машину, которая движется или ведёт себя динамически и физически так же, как человек».
Эти противоречия, касающиеся того, появятся ли универсальные человекоподобные роботы уже в ближайшем будущем или до них ещё невероятно далеко, а также того, достаточно ли современных форм ИИ для их совершенствования, сегодня проявляются в робототехнических лабораториях по всей стране. Ажиотаж вокруг предполагаемых сроков появления таких машин заслоняет кропотливый, но вполне реальный прогресс.
Около десяти лет назад серия прорывов положила начало революции генеративного ИИ, превратив давно воображаемую возможность создания искусственного интеллекта в реальность. Специалисты по робототехнике считают, что столь же масштабная революция возможна и в их области. Она наделит машины интуитивным пониманием физического мира и плавностью движений, которые долгое время оставались недостижимыми. Исследователи расходятся лишь в том, когда именно это произойдёт. По мере того как робототехника медленно продвигается вперёд, главным остаётся вопрос: достаточно ли методов и инструментов, обеспечивших прогресс ИИ, чтобы достичь этой цели, или потребуется совершенно новый путь?
Роботы встречаются с продвинутым ИИ
Чтобы увидеть в действии один из самых интеллектуально развитых роботизированных комплексов современности, стоит присмотреться к тому, что Google DeepMind умеет делать с устройством под названием ALOHA 2. Эта аббревиатура расшифровывается как «Недорогая аппаратная система с открытым исходным кодом для дистанционного управления двумя руками» (A Low‑cost Open‑source Hardware System for Bimanual Teleoperation).
Специалисты по робототехнике давно спорят о том, обязательно ли универсальным роботам иметь человеческое тело. Сторонники такого подхода утверждают, что человекоподобная форма поможет машинам вписаться в уже существующий мир, а противники считают, что овчинка не стоит выделки. Авторы проекта ALOHA 2 согласны с последними. На вид в нём нет ничего особенного: всего лишь пара механических рук, несколько захватов и две камеры. Однако, несмотря на кажущуюся простоту, это настоящая рабочая лошадка исследователей Google DeepMind, которые используют систему в своих лабораториях для испытания Gemini Robotics, своей самой совершенной системы искусственного интеллекта для робототехники.
Под управлением Gemini Robotics система ALOHA 2 становится в большей степени универсальным роботом: она способна выполнять множество различных задач, опираясь на примеры, использованные при обучении. Попросите её собрать ланч‑бокс, и, как показывает видеозапись такого эксперимента, робот сможет двумя клещевыми захватами аккуратно положить ломтик белого хлеба в пакет с застёжкой Ziploc, закрыть пакет, поместить гроздь винограда в пластиковый контейнер Tupperware, плотно закрыть крышку, а затем осторожно переложить всё это в ланч‑бокс и застегнуть его на молнию.
Обед, прямо скажем, не выдающийся. Но сам факт, что робот способен его собрать, означает объективный шаг вперёд по сравнению с тем, что было возможно, скажем, всего три года назад.
В значительной степени этот прогресс связан с искусственным интеллектом и его влиянием на так называемые политики управления роботами (robot policies). Они определяют, как универсальный робот должен оценивать и понимать окружающую обстановку, планировать свои перемещения в ней, а затем правильно выполнять поставленную задачу.
Робот ALOHA 2 представляет собой, по сути, две механические руки, установленные на лабораторном столе, но служит испытательной платформой для передовых моделей робототехнического ИИ. Эти анимации основаны на данных, полученных при дистанционном управлении роботизированными руками человеком. Именно такие данные используются для обучения моделей Google DeepMind. Видео: Google DeepMind / Stanford University / Hoku Labs.
Исторически такие политики управления основывались на правилах, которые инженеры разрабатывали и непосредственно прописывали в программном обеспечении робота. Тысячи строк кода определяли каждый миллиметр его движений при выполнении сотен различных задач. Однако в последние несколько лет происходит важная перемена, во многом объясняющая оптимизм относительно универсальных роботов: вместо того чтобы жёстко задавать политики управления в программном коде, разработчики передают их продвинутым системам искусственного интеллекта.
Сначала это произошло благодаря VLM, или визуально‑языковым моделям. Они похожи на большие языковые модели, но обучаются не только на текстах, но и на изображениях. Покажите такой модели фотографию пролитого кофе и попросите найти инструмент, которым можно убрать беспорядок, и она сможет определить, что для этого подойдёт лежащая поблизости тряпка. Подобного мгновенного понимания контекста ещё пару лет назад, когда политики управления роботами жёстко задавались программным кодом, просто не существовало.
Следующим этапом стали визуально‑языковые модели действий, или VLA (vision‑language‑action models), позволяющие роботам оценивать окружающую обстановку и действовать в ней. Для этого к модели добавляется ещё один компонент: команды движения. VLA обучаются на последовательностях изображений или видеозаписях выполнения конкретных задач, а также на сопутствующих данных о том, как для этого должна двигаться роботизированная рука. Обычно данные о движениях собирают посредством дистанционного управления: человек с помощью контроллеров проводит робота через необходимые действия.
Благодаря такому обучению ИИ узнаёт, как управлять движениями робота при выполнении определённой задачи. Поставьте робота с VLA перед письменным столом и скажите ему «закрой ноутбук» или «смотай провод наушников». Он осмотрит обстановку, определит нужный предмет, спланирует выполнение просьбы, а затем приведёт в движение механические руки. По крайней мере, если раньше он уже видел, как выполняется подобная задача.
Gemini Robotics представляет собой именно такую VLA‑модель, обученную на многочасовых демонстрациях людей, выполняющих огромное разнообразие действий. Благодаря этому она способна справляться с относительно сложными задачами: например, брать стручки сахарного гороха кухонными щипцами, складывать оригами или собирать простой обед. Это впечатляет, но существует одно серьёзное ограничение: если сейчас попросить робота под управлением VLA выполнить задачу, которая не входила в его обучающий набор, он с высокой вероятностью потерпит неудачу.
«Если представить всё пространство возможных задач, то по‑настоящему универсальная политика управления должна уметь делать всё, что находится в этом пространстве», говорит Эдвард Джонс, профессор робототехники Имперского колледжа Лондона. Однако сегодня модель Gemini Robotics способна выполнять лишь «кое‑что здесь и кое‑что там».
В поисках настоящей универсальности
Как же научить роботов выполнять больше разнообразных задач? Наиболее распространённый ответ вряд ли кого‑то удивит: нужно обучать их на большем количестве данных.
Логика такова: больше данных означает больше примеров, а больше примеров означает большую универсальность. Например, Google DeepMind стремится собрать «как можно больше данных», говорит Паннаг Санкети, бывший технический руководитель робототехнического направления компании, который сейчас работает над собственным проектом в области робототехнического ИИ. Но где взять эти данные? Большие языковые модели имели преимущество в виде океанов уже существующих текстов, пригодных для обучения. Сопоставимого по объёму массива высококачественных демонстраций физических действий для обучения роботов не существует.
У исследователей есть несколько способов восполнить этот пробел, но у каждого из них имеются недостатки. Первый заключается в том, чтобы нанять большое количество людей для создания и сбора данных посредством дистанционного управления роботами. Это дорого и требует много времени. Второй состоит в обучении VLA на видеозаписях людей, выполняющих различные действия. Однако качество получающихся данных невысоко. Третий предполагает выпуск роботов в реальный мир и использование собранных ими данных для дальнейшего совершенствования моделей ИИ. Проблема в том, что за пределами лабораторий роботы пока недостаточно безопасны и надёжны. Санкети считает, что наиболее вероятным путём вперёд станет «многосторонний» подход, объединяющий данные из всех этих источников.
Однако убеждение, что одних только обучающих данных достаточно для решения проблемы, разделяют далеко не все. Хёрст из Agility называет его «фундаментально ошибочной предпосылкой».
Проблема в том, что сложность задач в реальном мире очень быстро возрастает. Допустим, вы хотите приготовить кофе. Здесь возникает огромное количество переменных: не существует двух совершенно одинаковых кухонь; кофемашины работают по‑разному; разные чашки требуют разных способов захвата; с молотым кофе, горячей водой и молоком нужно обращаться совершенно по‑разному. Даже такая простая задача предполагает понимание постоянно меняющегося набора возможностей. По мнению Хёрста, достижение универсальности посредством VLA потребует «полного охвата данными всего, что [робот] вообще когда‑либо может сделать». Иными словами, практически бесконечного массива обучающих данных.
Лекун и вовсе отвергает весь этот подход. «Методы [ИИ], которые оказались успешными для языка, не работают с многомерными, непрерывными, зашумлёнными данными», то есть именно с теми данными, которые повсеместно встречаются в робототехнике, заявил он в Давосе. «Нужно использовать что‑то другое».
Главным претендентом на роль этого «чего‑то другого» является так называемая модель мира (world model). Это разновидность искусственного интеллекта, которая обучается не столько на текстах, сколько на сочетании видеозаписей, трёхмерных сканов и данных датчиков и предназначена для прогнозирования последствий действий в реальном мире. Цель заключается в создании моделей, обладающих настолько точным внутренним представлением о действительности, чтобы они могли воспроизводить реальные закономерности физического мира: как объекты движутся, сталкиваются, падают и деформируются. Если бы специалисты по робототехнике смогли обучать машины в симуляциях, достаточно точно воспроизводящих физику реального мира, разработка стала бы быстрее, дешевле и безопаснее, а необходимость испытаний в реальных условиях уменьшилась бы. Но ещё более революционным изменением стало бы то, что роботы, оснащённые моделями мира, смогли бы рассуждать об окружающей обстановке, а не просто реагировать на неё. Это позволило бы им предвидеть последствия своих действий ещё до того, как они их совершат.
Новейшие модели ИИ Google DeepMind для роботов демонстрируют всё большую ловкость, хотя их движения по‑прежнему довольно медленны и непредсказуемы.
Над этой технологией работают такие компании, как Nvidia и Google, а инвесторы вливают огромные суммы в перспективные стартапы. World Labs, одним из основателей которой стала исследовательница ИИ из Стэнфордского университета Фей‑Фей Ли, в феврале привлекла миллиард долларов финансирования, а в конце сентября была приобретена AMD за 8,2 миллиарда долларов. AMI Labs, сооснователем которой стал Лекун, ранее занимавший пост главного научного сотрудника Meta по искусственному интеллекту, также привлекла миллиард долларов в марте. Однако, по признанию самих разработчиков, эта область находится лишь на начальном этапе развития. В конце прошлого года Ли охарактеризовала её как «зарождающуюся», добавив, что «фундаментальные подходы ещё только формируются». В июньской публикации на Substack она описала масштабные трудности, с которыми сталкиваются исследователи. Пока модели мира представляют собой перспективное направление исследований, а не готовый путь к созданию универсальных роботов. Тем не менее уже появляются первые проблески того, чего с их помощью можно достичь.
Один из таких проблесков возник благодаря небольшому, но потенциально важному прорыву, произошедшему в апреле прошлого года в робототехнической лаборатории Сан‑Франциско.
Прорыв?
В самом центре района Мишен в Сан‑Франциско стартап Physical Intelligence, или PI (как число π), как предпочитают называть себя его сотрудники, занимается разработкой универсального мозга, который теоретически мог бы превратить любого робота в многофункциональную машину. Компания использует при обучении робототехнических моделей ИИ подход, предполагающий применение абсолютно всех доступных средств, и недавно получила намёк на то, какими возможностями может обладать роботизированный мозг, оснащённый моделью мира.
В 2 024 году PI опубликовала подробности о своей первой универсальной робототехнической системе под названием π0. Это была VLA‑модель, которую компания назвала «самой способной и ловкой универсальной политикой управления роботами на сегодняшний день». Первоначально модель обучали на собственном наборе данных компании, включавшем 10 тысяч часов демонстраций, выполненных людьми посредством дистанционного управления роботами, а также на нескольких открытых робототехнических наборах данных. Версия π0.5, выпущенная весной 2 025 года, обучалась на более разнообразных наборах данных, включая размеченные изображения из интернета, что сделало её более универсальной. В осеннем обновлении 2 025 года π0.6 в модель добавили обучение с подкреплением.
Каждое обновление приносило существенные улучшения в работе модели, расширяя набор её возможностей: от медленного складывания белья до раскладывания вещей по местам в незнакомой обстановке и более успешного выполнения таких задач, как складывание коробок. Затем, в апреле 2 026 года, появилась π0.7, которая, казалось, вывела PI на совершенно новый уровень. В этой версии используется менее мощная модель мира, генерирующая изображения отдельных этапов, необходимых для выполнения задачи. Пока робот работает, эта «облегчённая» модель подсказывает ему, что делать дальше, передавая изображения следующих шагов.
Компания утверждает, что модель демонстрирует первые признаки композиционного обобщения (compositional generalization). Так называют способность систем ИИ выполнять ранее неизвестные им действия, комбинируя навыки, освоенные на обучающих данных.
В одном из испытаний модели предложили «положить батат в аэрогриль», хотя раньше она никогда не сталкивалась с такой задачей. На демонстрационном видео машина некоторое время возится с устройством, делает несколько неудачных попыток и в конце концов добивается вполне приемлемого результата, хотя и не завершает задачу полностью.
Сергей Левин, профессор Калифорнийского университета в Беркли и сооснователь PI, воодушевлён открывающимися возможностями: «Фактически это первый раз, когда мы убедительно наблюдаем подобное композиционное обобщение. Мы можем попросить модель выполнить задачи, для которых специально не собирали данные и которым её целенаправленно не обучали, и она действительно предпримет вполне сносную попытку».
Успех заставил исследовательскую команду задуматься, каким образом модели удалось совершить подобное. Покопавшись в данных, они обнаружили, что в обучающих материалах всё‑таки присутствовали небольшие фрагменты подходящих размеченных данных дистанционного управления, включая два примера того, как человек с помощью робота задвигал корзину аэрогриля внутрь устройства. Возможно, этих крох информации оказалось достаточно, чтобы π0.7 почти смогла приготовить батат в аэрогриле.
Пока остаётся неясным, насколько впечатляющей в действительности является способность π0.7 к обобщению. И всё же, учитывая, насколько мимолётным было знакомство модели с аэрогрилями, этот эксперимент позволяет понять, чего уже сегодня способны добиться передовые исследования в робототехнике.
«Успешность в 70% означает, что это практически не работает»
Возможно, вы уже заметили некоторое несоответствие между неуверенными первыми шагами, которые роботы делают в лабораториях, в духе «Смотрите! Он положил батат в аэрогриль!», и поразительной, почти человеческой ловкостью, которую они демонстрируют в многочисленных видеороликах и на презентациях, где танцуют на сцене, учтиво подают напитки и занимаются множеством других дел. Однако подобные демонстрации зачастую не раскрывают одного важного обстоятельства: во многих случаях роботами управляют люди или их действия заранее тщательно запрограммированы. Например, роботом, который появился на сцене вместе с генеральным директором Nvidia Дженсеном Хуангом в марте 2 025 года и, казалось, реагировал на его указания и следовал за ним, на самом деле дистанционно управлял человек, которого создатели машины назвали «кукловодом за кулисами».
Пока полностью автономное планирование движений, позволяющее роботу самостоятельно понимать, куда ему следует направиться, остаётся в значительной степени нерешённой задачей. Особенно это касается новых, хаотичных пространств, таких как строительная площадка или незнакомый дом. Ещё более сложная проблема, хотя зачастую и связанная с предыдущей, заключается в том, чтобы научить роботов справляться с масштабными, неоднозначными заданиями, включающими множество отдельных задач и требующими самостоятельно решать, что именно и в какой последовательности необходимо делать. Это разница между роботом, который умеет поставить тарелку в микроволновку, и роботом, который способен успешно выполнить просьбу «Приготовь ужин», самостоятельно изучив содержимое холодильника, нарезав ингредиенты и включив плиту. Лучшие попытки Google DeepMind добиться чего‑то подобного, в ходе которых робота просили осмотреть кухню и собрать в корзину все ингредиенты для грибного ризотто, пока заканчивались неудачей.
Ситуацию осложняет и то, что практически полезный робот должен выполнять свои задачи правильно едва ли не в каждом случае. При работе с VLA «люди очень радуются, когда доля успешных попыток возрастает с 50 до 70%, говорит Марк Райберт, основатель Boston Dynamics. Но успешность в 70% означает, что это практически не работает, верно?»
На демонстрациях роботы часто выглядят полезными помощниками, однако в действительности машины всё ещё ошибаются слишком часто, чтобы на них можно было надёжно положиться дома или на производстве.
Те немногие человекоподобные роботы, которые уже проходят испытания в реальных условиях, выполняют крайне ограниченный набор задач в строго контролируемой обстановке. До настоящей универсальности им ещё очень далеко. По данным Agility, сотни роботов компании участвуют в испытаниях на объектах, принадлежащих GXO Logistics, Amazon и Schaeffler. Однако, как отмечает Хёрст, пока их ориентируют на простые задачи, такие как перемещение контейнеров и ящиков. Даже для того, чтобы логистические компании вообще начали рассматривать возможность использования таких машин, потребовались годы разработки роботов с достаточно высоким уровнем безопасности, добавляет он. В свою очередь, Илон Маск в мае 2 025 года утверждал, что к концу года на заводах Tesla будут работать «тысячи» роботов Optimus. Однако в январе этого года он сообщил, что на производстве у компании имеется лишь «несколько роботов Tesla Optimus, выполняющих простые задачи».
Хотя человекоподобные роботы уже начинают появляться в заводских цехах, переход к работе в домашних условиях окажется ещё сложнее. Если у вас возникнет такое желание, уже сейчас можно оформить предварительный заказ на домашнего робота 1 X Neo, поставки которого предполагается начать позднее в этом году. За 20 тысяч долларов вы получите машину, которая обещает взять на себя «скучные и рутинные домашние дела», включая уборку посуды, открывание входной двери и наведение порядка в гостиной, «чтобы вы могли сосредоточиться на том, что для вас действительно важно». Предполагается, что однажды этот робот ростом около 168 сантиметров сможет выполнять все перечисленные задачи самостоятельно. Однако пока для большинства действий ему требуется помощь человека, управляющего им дистанционно. (Да, чтобы наблюдать за происходящим у вас дома через камеры робота, оператору потребуется ваше разрешение.) Когда Хёрста спросили, сколько ещё времени пройдёт до появления полностью автономных роботов, готовых выполнять домашнюю работу, он ответил: «Если бы мне пришлось назвать конкретную цифру, я бы сказал, что пройдёт лет десять, прежде чем роботы начнут… действительно делать что‑то полезное в домах людей».
Когда это произойдёт, такие роботы вполне могут оказаться китайскими, поскольку Китай значительно опережает Запад по объёмам производства. По данным аналитической компании Omdia и китайского производителя роботов Unitree, почти 90% из приблизительно 15 тысяч человекоподобных роботов, поставленных в 2 025 году, были произведены китайскими компаниями. Одна из моделей Unitree, которая в прошлом году поставила больше человекоподобных роботов, чем любая другая компания, стоит менее шести тысяч долларов. Столь доступная цена могла бы существенно повысить привлекательность роботов для потребителей, хотя сама компания рассчитывает, что сначала её машины будут использоваться в промышленности. (Кстати, если вам интересно, кто покупает всех этих китайских роботов, недавно агентство Associated Press сообщило, что заказы поступают преимущественно от корпоративных и университетских лабораторий, а также государственных предприятий.)
Всё это мы уже проходили
Мечта о создании человекоподобного робота имеет глубокие исторические корни. Ещё в 1 495 году Леонардо да Винчи набросал чертежи механического рыцаря, управляемого с помощью тросов и блоков. На протяжении XX века машины, словно сошедшие со страниц научно‑фантастических произведений, неоднократно появлялись и исчезали.
На Всемирной выставке 1 939 года в Нью‑Йорке компания Westinghouse представила своего Elektro, двухметровую коробку на ногах, которая курила сигарету. WABOT-1, созданный в 1 973 году японским Университетом Васэда, стал первым полноразмерным программируемым человекоподобным роботом. ASIMO компании Honda, представленный в 2 000 году, вероятно, стал первым подобным устройством, продемонстрировавшим хоть сколько‑нибудь серьёзные практические способности. Он мог, по крайней мере до определённой степени, подниматься по ступеням, распознавать лица и самостоятельно перемещаться в пространстве. Однако в 2 018 году разработка робота была прекращена: инженерам так и не удалось продвинуться достаточно далеко за пределы его демонстрационных возможностей, чтобы сделать машину действительно полезной.
Все эти достижения в своё время представляли собой впечатляющие, порой даже ошеломляющие инженерные подвиги. Однако ни одна из этих машин не была готова самостоятельно ориентироваться и действовать в реальном мире. Сегодняшние роботы, даже вооружённые преобразующей мощью передового искусственного интеллекта, по‑прежнему сталкиваются с той же фундаментальной проблемой.
Автор: SLY_G
