Sector physical AI привлекает миллиарды венчурных инвестиций и слухи о близком «ChatGPT моменте» для робототехники. Но реальность оказалась скромнее ожиданий: крах стоимости Unitree с $66 млрд до половины — это не случайный откат, а сигнал рынка о том, что красивые демо не переводятся в работающий продукт. Аналитики указывают на одну проблему: роботы улучшаются в физических возможностях, но остаются беспомощными перед реальными задачами.

Ситуация хорошо видна на конференции Actuate, где собираются разработчики ИИ для робототехники. Событие выросло втрое с 2023 года, привлекая 1500 участников, но докладчики всё чаще говорят об одном — о «кризисе данных для обучения». Компания Avala даже вывесила плакат с этой фразой. Проблема знакома по истории больших языковых моделей: качественных, разнообразных датасетов не хватает. Попытки создать универсальных роботов на основе end-to-end обучения пока не дали коммерчески надёжного результата.

Основатель Antioch Гарри Меллсоп прямо назвал нынешний уровень robotics-ИИ «эпохой GPT-2» — периодом, предшествовавшим взлёту ChatGPT. Нужны более мощные вычисления, оптимизированные GPU для ray tracing (симуляции высокой точности) и, главное, больше данных. Интересно, что инструменты для этого уже существуют: большинство их создатели заимствуют из индустрии беспилотных автомобилей, где данные собирать легче — машины ездят по городам каждый день, и главная задача простая: не столкнуться. Манипулировать предметами в неконтролируемой среде оказалось на порядок сложнее.

Разработчики роботов делятся на два лагеря. Одни — как Wayve и Uber с недавно запущенными роботикс-лабами — решают сначала совершенствовать ИИ на автомобилях, а потом переносить модели на гуманоидов. Другие компании, вроде Genesis AI (получившей $105 млн на seed), настаивают на том, что аппаратное обеспечение нужно проектировать вместе с ИИ, а не после. Есть и третий подход — специализированные роботы для узких задач: Gritt строит солнечные фермы, Agility работает в промышленности, Bedrock управляет экскаваторами автономно. Они уже получают реальные данные из полей, что критично для обучения.

Но узкая специализация создаёт новый риск. Как заметил CEO Genesis AI Теофил Жерве: если ты строишь робота для одной задачи на базе GPT-2, завтра придёт конкурент на GPT-4 и раздавит тебя. Универсальные гуманоиды не готовы к коммерческому применению, а специализированные застревают в своей нише. Между тем компания Foxglove анонсировала новый инструмент для поиска по обучающим видео и лидар-данным на основе Nvidia Cosmos — попытка ускорить итерацию разработчиков через лучший поиск и триаж информации.

Когда придёт долгожданный breakthrough? Kendall из Wayve видит его в доступных беспилотниках с «eyes-off autonomy» (полная автономия без камер водителя) дешевле $1000 в железе — он верит, что это откроет путь к действительно универсальному ИИ для физических тел. Genesis AI ждёт момента, когда робот можно просто попросить на естественном языке протереть стол или закрыть ноутбук — и он это сделает с надёжностью выше 80% с первой попытки. Но даже эти видения — это не вторая волна ChatGPT, а просто выполнение функций, которые казались самоочевидными пять лет назад.

Для российского бизнеса ситуация создаёт конкретные возможности. Если локальные компании не претендуют на создание «мозга» для робота (это требует масштабных датасетов и вычислений), то роль поставщика данных, инструментов управления ими или специализированных решений для конкретных задач остаётся открытой. Строительство, логистика, сельское хозяйство — все эти отрасли нуждаются в решениях автоматизации, и пока не требуется ждать глобального прорыва. Платформы вроде AI Studio, специализирующиеся на автоматизации конкретных процессов, или смарт-контракты на Signum/SIGNA для управления взаиморасчётами между роботом и пользователем — это тот уровень интеграции, который может быть полезен уже сегодня, без ожидания GPT-4 для робототехники.