Краткое содержание анализа
В этом году в индустрии антропоидных роботов произошли два ключевых изменения: во-первых, наблюдается всплеск объемов поставок (более 40 тысяч единиц только в первой половине года в Китае, что составляет 97% от мирового общего объема), однако до масштабной коммерциализации еще далеко; во-вторых, фокус внимания индустрии сместился с демонстрации технических возможностей (бег, прыжки, игра в теннис) на практическую эффективность роботов — главным критерием стала их способность качественно выполнять задачи в незнакомых условиях. Представители отрасли определили стандарты для достижения уровня интеллекта, сопоставимого с ChatGPT (способность робота выполнять 80% задач на основе языковых команд), и отметили, что главными препятствиями являются недостаточная универсальность и недостаток данных. Бизнес-модели роботов также меняются с продажи самых роботов на предоставление конкретных услуг (производственной продуктивности).
1. Переход от демонстрации технических возможностей к практическому применению
В последние годы антропоидные роботы часто демонстрировали сложные навыки (например, робот YuTree разгонялся до скорости 12,65 м/с, что превышает человеческий рекорд, а робот Galaxy General играл в теннис). Однако эти демонстрации мало относятся к реальным сценариям использования: на фабриках роботы нужны для сборки деталей, дома — для уборки помещений, на складах — для паковки товаров. В этом году индустрия начала сосредотачиваться на более практических задачах: робот YuTree демонстрировал способность убирать конференц-залы (переключение между 7–8 различными задачами при наличии отвлекающих факторов), а роботы, созданные в сотрудничестве с компанией XinghaiTu и JD.com, выполняли более 100 заказов в день без участия человека. По словам Ван Синсина, такие задачи имеют практическую ценность и не требуют высоких технических навыков; это первый шаг к внедрению роботов в повседневную жизнь.
2. Что мешает масштабному использованию роботов?
Хотя объем поставок в первой половине года составил более 40 тысяч единиц, большая их часть была предназначена для ограниченных испытаний. Существуют три основных препятствия:
1. Низкая эффективность по сравнению с людьми: например, роботу требуется 2 минуты, чтобы сложить одну футболку, тогда как человек справится за меньше времени;
2. Недостаточная универсальность: роботам нужно время для обучения новым задачам (обычно около 10 часов), и их эффективность снижается при изменении условий;
3. Недостаточная точность движений: роботы могут стабильно выполнять задачи на уровне сантиметров, но для более деликатных операций (например, точной сборки) требуется дополнительное обучение.
3. Изменение бизнес-моделей
Раньше компании-разработчики роботов зарабатывали на продаже самых устройств (валовая прибыль составляла 40–60%). Сейчас они переходят к предоставлению услуг, связанных с использованием роботов:
- Этап 1: продажа самых роботов;
- Этап 2: подписка на услуги (в будущем): оплата в зависимости от количества выполненных заказов; валовая прибыль снижается примерно до 20%;
- Этап 3: создание новых бизнес-моделей, основанных на создаваемой роботами ценности (например, оплата за каждую выполненную паковочную операцию).
Компания XinghaiTu уже выполняет заказы на тысячи единиц роботов в год, и в следующем году этот показатель может увеличиться. В будущем оценка компаний будет основываться не на количестве проданных роботов, а на их эффективности, стоимости обучения и уровне успешности выполнения задач.
4. Когда наступит эра ChatGPT-подобных роботов?
В прошлом году многие спрашивали, когда появится робот с интеллектом, сопоставимым с ChatGPT. В этом году представители отрасли предложили конкретные критерии:
- Ван Синсин (YuTree): робот должен быть способен выполнять 80% задач в незнакомых условиях на основе языковых команд; это может произойти через 2–3 года.
- Ван Хэ (Galaxy General): существующие модели роботов соответствуют уровню GPT2, но для достижения уровня ChatGPT необходимо повысить их эффективность до 70–80% при выполнении обычных задач и сделать процесс обучения более простым для пользователей; компания планирует достичь этого к 2028 году.
Главные препятствия:
- Недостаточная универсальность: роботы хорошо справляются с задачами в определенных условиях, но терпят неудачи при изменении окружающей среды;
- Недостаток данных: для эффективного обучения требуется множество часов анализа; в настоящее время имеется лишь небольшое количество данных;
- Несоответствие между алгоритмами и физическими возможностями роботов: роботы понимают, что нужно делать, но небольшие ошибки (визуальные или тактильные) мешают успешному выполнению задач.
5. Будущая конкуренция: данные и модели как ключ к успеху
Раньше соревнование в индустрии роботов велось на основе характеристик аппаратного обеспечения (скорость, гибкость движений), но теперь ключевыми факторами становятся программное обеспечение и данные:
- YuTree разрабатывает алгоритмы самообучения: большие модели генерируют код управления роботами, который затем тестируется в симуляторах и на реальных устройствах;
- Компании соревнуются за данные: они являются основой для обучения роботов; кто имеет больше данных из реальных условий использования, тот быстрее достигает уровня высокой универсальности.
В общем, чтобы роботы стали реальной частью повседневной жизни, им необходимо не просто улучшить их технические характеристики, но и сделать их способными к эффективному выполнению задач в изменяющихся условиях. Это и является настоящим этапом зрелости индустрии антропоидных роботов.
Этот анализ показывает, что индустрия переходит от демонстрации технических достижений к практическому применению роботов, и в ближайшие годы ключевыми факторами успеха будут универсальность и эффективность роботов.