В Reddit-сообществе обсуждают известие о том, что OpenAI закрыла свою робототехническую команду. По версии компании, это следует из убеждения, что масштабные языковые модели достаточно развиты, чтобы служить основой для управления роботами напрямую — без необходимости в отдельном направлении исследований.
Логика здесь простая: если LLM способна планировать, прогнозировать последствия действий и работать с инструкциями, то теоретически ей можно передать управление механизмом вместо того, чтобы отдельно натаскивать модель на робототехнические задачи. Идея не нова — именно так работает reasoning в современных моделях, где система учится разбирать сложные задачи пошагово. Однако на практике это требует массива данных о взаимодействии с физическим миром, который у OpenAI есть не в таких объёмах, как у компаний, вкладывающих в специализированные датасеты (Tesla, Boston Dynamics).
Интернет-сообщество видит в этом шаге две разные вещи. Одни — конвергенцию: действительно, зачем нужна отдельная база, если общие способности модели растут достаточно быстро? Другие — обычное сокращение затрат под красивым соусом. OpenAI за последний год уже несколько раз перестраивала стратегию, закрывала проекты и переводила людей между направлениями. Вопрос не столько в правильности идеи, сколько в том, смогут ли общие модели реально делать то, что обещает теория.
Сейчас на рынке параллельно идут оба подхода: Tesla и иные разработчики учат модели на реальных видео и данных о движении, Google Deepmind работает над специализированными архитектурами для управления. Результаты показывают, что чистой общей LLM недостаточно — нужна минимум переподготовка на робототехнических данных. OpenAI может просто не захотела вкладываться в эту историю, решив, что это медленнее, чем ждать прорыва в самих foundation models.
Для российского бизнеса этот сдвиг может быть актуален в нишах, где уже внедряют автоматизацию через ИИ. Если у вас есть собственные роботы или конвейерное оборудование, управляемое сейчас через классические скрипты и датчики, переход на LLM-управление может упростить адаптацию к новым типам задач. Платформы вроде AI Studio позволяют быстро прототипировать логику управления без переписывания кода каждый раз — хотя для физических систем это всё ещё требует тестирования на реальном оборудовании.
Ключевой вопрос для отрасли остаётся открытым: способна ли одна большая модель научиться управлять роботом эффективнее, чем узкоспециализированная, или это просто красивая идея, которая встретит потолок в реальной физике?
Алексей Мартыненко
Главный редактор SPV News
OpenAI уходит из узконаправленной робототехники — это реакция не столько на провал идеи, сколько на переоценку сложности. LLM действительно способна работать с инструкциями и планами, но физический мир требует скорости реакции и точности, которые даже o1 пока не гарантирует. Это честный шаг: лучше признать, что надо сначала поднять базовые способности модели, чем вкладывать в отдельное направление, которое зависит от исходных сложностей.