Сегодня искусственный интеллект перестает быть набором алгоритмов в облаке и начинает осваивать физическое пространство в теле человекоподобных роботов. Однако за впечатляющими видео с автономными машинами скрывается большой объем ручного труда и «цифрового кукловодства», о которых в индустрии принято говорить вполголоса.

Примером может послужить популярное видео стартапа Figure, где робот уверенно вставляет капсулу в кофемашину и готовит напиток. На первый взгляд кажется, что он «посмотрел и повторил», но для этого десятисекундного ролика нейросеть тренировали на часах видеозаписей, пытаясь перевести визуальные образы в конкретные команды для моторов. Проблема в том, что камера не передает сопротивление материала или вес предмета.

Чтобы робот не раздавил пластиковую капсулу, ему нужны данные о тактильном отклике. Без проприоцепции — ощущения собственного тела в пространстве — ИИ остается слепым к физике мира. Поэтому даже такие гиганты, как Google DeepMind, вынуждены комбинировать зрение робота с массивом данных сенсоров давления, которые невозможно получить просмотром роликов на YouTube.

За фасадом «полной автономности» часто скрывается армия людей в VR-шлемах. Например, в лабораториях Tesla в Пало-Альто десятки сотрудников ежедневно носят костюмы для захвата движений и выполняют сотни монотонных задач: перекладывают детали, имитируют уборку и даже танцуют, а робот Optimus в это время «впитывает» каждое микродвижение, как высокотехнологичная губка. Такой же подход использует компания Sanctuary AI для робота Phoenix. Они управляют механическим телом через экзоскелеты, чтобы научить машину сложной ручной работе — например, сортировке товаров или упаковке коробок. Пока робот не наберет критическую массу таких «человеческих» записей, он остается лишь дорогой марионеткой в руках невидимого кукловода.

Для ИТ-бизнеса такая зависимость от людей — это кошмар масштабируемости. Если для обучения робота складывать футболки одного бренда требуется триста часов работы живого оператора, то внедрение такой технологии на миллионы складов становится неоправданно дорогим удовольствием. Это не масштабирование софта, где одна копия стоит копейки, а тяжелая ручная настройка каждой новой функции.

Даже компании вроде Scale AI, которые раньше занимались разметкой текста для чат-ботов, теперь переключаются на разметку видео с роботами, нанимая тысячи людей для анализа каждого кадра движения. Это делает физический ИИ гораздо медленнее и дороже в развитии. Возникает риск, что без скачка в автоматизации обучения антропоморфные роботы на десятилетия останутся демонстрационными образцами для инвесторов, а не помощниками в каждом доме.

Выход из этого тупика инженеры ищут в технологиях Sim-to-Real, где главной площадкой для тренировок становится виртуальная реальность. Лидером здесь выступает NVIDIA с платформой Isaac Sim. Это своего рода «Матрица» для роботов, где в цифровом пространстве имитируются законы гравитации, трения и освещения. В этом виртуальном спортзале робот может сделать миллион ошибок за час, не разбив при этом ни одного настоящего стакана и не тратя время живого человека.

Главная битва в данный момент идет за то, чтобы сделать эти симуляции настолько точными, чтобы ИИ, обученный в «цифре», не замечал разницы при выходе в реальный мир. Например, компания Boston Dynamics уже использует симуляции для отработки баланса роботов перед тем, как выпустить их на полигон.