Резюме основного содержания
На Всемирной конференции по робототехнике 2026 года 29 генеральных директоров компаний, занимающихся разработкой агентов с интеллектом, обсудили вопросы, связанные с их способностью к обобщению (генерализации), и пришли к двум общим выводам: генерализация является наибольшим техническим препятствием на данный момент, и ее улучшение возможно только с помощью больших объемов данных и разнообразных сценариев использования. Однако существуют разногласия относительно технологических подходов к достижению высокого уровня генерализации. Рынок больше не оценивает абстрактные идеи, а формирует цену на основе таких показателей, как объемы производства и качество заказов. Каждая компания имеет свое понимание природы генерализации, причин существующих проблем, путей ее решения, необходимых данных и темпов внедрения технологий, но все сходятся во мнении, что именно генерализация является ключом к коммерческому успеху агентов с интеллектом.
Что такое генерализация?
Генерализация – это способность робота к обучению на основе уже полученных знаний в разных ситуациях, то есть его способность быстро адаптироваться к новым задачам без необходимости повторного обучения. Различные эксперты дали более понятные объяснения этого понятия:
- Гао Цзиюан из StarSeaTech: Генерализация – это снижение затрат на обучение; чем корочее время обучения, тем выше уровень генерализации робота. Например, сейчас робот может научиться выполнять новую задачу за 10 часов, а в будущем – за 1 час или даже на основе нескольких данных.
- Цзя Куэй из CrossDimensional Intelligence: Генерализация делится на семантическую и физическую составляющие: семантическая генерализация позволяет роботу понимать, как использовать предметы независимо от их внешнего вида (на основе реальных данных), а физическая генерализация – сохранять стабильность действий в разных условиях (с использованием симуляционных данных).
- Ху Лухуэй из ZhichengAI: Для полноценной генерализации необходимо сочетание способности робота к выполнению задач в разных сценариях, изменении окружающей среды и использовании различных моделей роботов.
- Федерико из Arm: С точки зрения системы генерализация означает возможность повторного применения одних и тех же навыков в разных ситуациях; например, логистические роботы должны уметь обрабатывать разные виды грузов, что снижает затраты на их модернизацию.
Почему генерализация является главным препятствием?
Основная проблема заключается в том, что роботы плохо адаптируются к незнакомым условиям:
- Ван Синсин из Yushu Technology: После обучения в определенных условиях успешность робота резко снижается при изменении предметов или окружающей среды из-за несоответствия между моделями, используемыми роботом, и реальным миром.
- Цао Пэн из JD.com: Логистические роботы демонстрируют хорошую эффективность в стандартных сценариях, но не могут быть эффективно использованы в сложных условиях (например, в разных складах), что препятствует их массовому внедрению.
- Сюн Ронг из Zhejiang Innovation Center: В промышленности обычно требуется индивидуальное обучение для каждой новой задачи; изменение освещения или характеристик предметов приводит к необходимости повторного сбора данных и обучения, что снижает точность роботов.
- Хань Чжэн из Sudu Technology: Для достижения уровня генерализации необходимо обеспечить 99% успешности выполнения задач; например, робот должен уверенно держать предметы на любых поверхностях перед тем, как научиться обрабатывать разные виды предметов.
Технологические подходы к решению проблемы генерализации
Существуют два основных подхода к улучшению генерализации:
- Подход VLA (Воспроизведение человеческих действий): роботы учатся, имитируя человеческие действия (например, смотря на видео). Однако этот подход ограничивает возможности роботов в новых ситуациях.
- Подход на основе мировых моделей: роботы понимают физические законы, что позволяет им лучше адаптироваться к новым условиям. Преимуществом этого подхода является возможность обучения без использования конкретных примеров.
Какое количество данных необходимо для генерализации?
Все компании сходятся во мнении, что генерализация невозможна без больших объемов данных, но требуемые типы и количество данных различаются в зависимости от конкретных задач:
- Цао Пэн из JD.com: Для создания масштабируемых роботов необходимо миллионы часов обучения; существующие объемы данных (100 000 часов человеческих данных и 1 000 000 часов данных от реальных роботов) недостаточны для достижения высокого уровня генерализации.
- Другие компании: Рекомендуют использование мировых моделей для генерации разнообразных данных и дополнения их реальными данными (например, из наборов данных EgoSuite).
Каковы планы по внедрению технологий?
Компании считают, что до достижения уровня генерализации, позволяющего эффективно использовать роботов в реальных условиях, необходимо сначала решить проблемы, связанные с их производительностью и надежностью. Они согласны начать с простых задач (например, уборки в отелях) и постепенно расширять сферу применения роботов. Также важно контролировать риски, связанные с неадаптивностью роботов к новым условиям (например, разбитие стеклянных или пластиковых предметов).
Выводы
Несмотря на существующие разногласия, все участники конференции сходятся во мнении, что генерализация является ключевым фактором для перехода агентов с интеллектом от лабораторных условий к коммерческому использованию. Рынок начинает оценивать технологии по таким показателям, как объемы производства и качество заказов, а не по абстрактным обещаниям. Компании, которые первыми смогут преодолеть проблемы генерализации, получат преимущество на рынке агентов с интеллектом.