Робототехника находится в странном положении: технология развивается десятилетиями, но так и не пережила прорывного момента вроде дебюта ChatGPT в ноябре 2022 года, который вывел ИИ из разряда экспериментов в повседневность. Индустрия остаётся фрагментированной, с отдельными решениями для конкретных задач, но не с универсальным инструментом, который бы переломил восприятие. На TechCrunch Disrupt 2026 Les Karpas, глава направления Physical AI в Nvidia Inception, обещает разобраться в том, что именно стоит на пути к такому прорыву.

Сутью проблемы, по мнению Karpas, является отсутствие интернет-масштабного датасета для физического ИИ. OpenAI и Anthropic строили языковые модели на огромных объёмах текстовых данных, доступных в сети. Даже Waymo и её конкуренты в области автономного вождения смогли собрать объёмные датасеты через годы накопления данных с дорог — и эти датасеты продолжают расширяться. Но для универсальных роботов такой колоссальный источник данных просто не существует.

Стартапы, работающие в этом пространстве, пытаются обойти проблему искусственно: через симуляции, синтетические данные и фундаментальные модели, обученные одновременно на взаимодействиях с разными типами робототехники. Это логичный путь, но технически сложный — нужно так натренировать модель в виртуальности, чтобы она работала в реальном мире. Именно поэтому Nvidia выделила отдельную сцену Real World AI на конференции, где кроме Karpas выступят основатели Shield AI, Colossal Biosciences, FieldAI и Foxglove — компании, которые прямо сейчас столкнулись с этим разрывом между цифровым и физическим.

Позиция Nvidia по робототехнике известна: CEO Jensen Huang последние несколько лет активно пропагандирует отрасль как стратегическое направление. Но это не просто маркетинг — речь идёт о реальной узкой трещине в развитии технологии. Датасет для физического ИИ действительно остаётся главным узким местом. Без него универсальные роботы не смогут обобщать опыт и адаптироваться к новым ситуациям так, как это делают современные языковые модели. Пока что остаются специализированные системы для конкретных сценариев — на заводах, в логистике, в хирургии — но не обобщённое решение.

В России применение таких решений пока находится на ранних стадиях, но растёт спрос в промышленности и логистике. Отечественные компании, которые занимаются автоматизацией производства, могут экспортировать накопленные данные в глобальные проекты обучения моделей или строить собственные системы на базе синтетических данных. Например, решения для складской логистики или производственного контроля качества могут одновременно служить источником обучающих данных и практическим инструментом — это уже работающая схема для нескольких российских стартапов в сфере промышленной робототехники.

Ключевое отличие от языковых моделей в том, что прорыв в робототехнике не будет одномоментным. Это скорее будет серия прорывов в разных вертикалях — сначала в более структурированных окружениях (производство, логистика), затем постепенно расширение к более сложным и непредсказуемым сценариям. И каждый такой прорыв будет привязан к накоплению данных в этой конкретной области.

Для инвесторов и предпринимателей это означает одно: ставка на робототехнику сегодня — это ставка на компании, которые решают проблему данных и обучения моделей, а не просто на производство железа. Стартапы, которые найдут способ эффективно синтезировать данные или договорятся об открытом обмене данными между разными системами, получат преимущество. Вот это и будет тем самым ChatGPT моментом для робототехники.