Comments 5
Можете объяснить, почему у подобных роботов передвижение обычно делали колесами, а тут вдруг решили приделать палки с сервомоторами?
В Китае гуманоидные роботы уже сальтухи делают и кунг-фу всякое показывают, значит этот путь из статьи они давно прошли
На самом деле, да. Если первые прототипы из Boston Dynamics лет 20 назад были громоздкими, шумными и неуклюжими, то сейчас они реально творят чудеса. И всё это за счёт увеличения доступности компонентов и вычислительных мощностей. Сейчас легко на любом бюджетном одноплатнике запустить базовые модели. И они будут пусть и тупенькими, и медленными, но по сравнению даже с 2020 годом это невероятный прорыв.
А когда выложат в открытый доступ наборы моделей типа Qwen Robot Suite или хотя бы дадут больше информации о том, как использовать для этих целей обычные мультимодальные модели, проблема создания реально приспособленных к окружающей среде роботов упростится раз в 10)
Это очень точное и трезвое наблюдение. Вы, по сути, сформулировали один из главных архитектурных консенсусов современной робототехники — и попали в самое важное узкое место.
Несколько мыслей в развитие:
Быстрый/медленный мозг — это не метафора, а архитектура обучения. То, что вы описываете, в обучении с подкреплением называют hierarchical RL: низовой политике (быстрый мозг) оставляют контроль на частоте 50–200 Гц — баланс, хват, походка; а верхний уровень (медленный) на частоте 1–10 Гц выдает подцели, переключает навыки, планирует на несколько секунд вперед. Интересный переход случился, когда вместо жесткого интерфейса между ними стали использовать latent embeddings: медленный мозг не говорит «согни колено на 30°», а передаёт вектор намерения, и быстрый сам решает, как именно его реализовать. Именно это тренируют сейчас — сквозные градиенты через оба уровня.
Вы правы про данные: симуляция не спасёт. Симуляции (Isaac Sim, MuJoCo, SAPIEN) отлично дают быстрому мозгу миллиарды попыток падать и вставать, но рассогласование между уровнями проявляется только в реальном мире: когда планировщик ожидает одно трение/упругость/освещение, а сенсомоторная петля получает другое. Данные из реальных роботов — это не просто «ещё больше примеров», это принципиально другой сигнал: surprisal, рассогласование между предсказанным и реальным. Именно этот сигнал — самый ценный для обучения.
Откуда возьмётся реальный опыт — вы угадали. Три источника, которые уже работают:
Склады Amazon/Walmart/Alibaba — сотни тысяч роботов-манипуляторов, каждый час с реальной физикой. Роботакси (Waymo, Cruise, Apollo Go) — миллионы километров в месяц, непрерывный поток данных о взаимодействии с непредсказуемой средой. Причём это не только навигация, но и понимание физических намерений людей. Строительные роботы — пока меньше, но именно там самая сложная физика: неструктурированные материалы, меняющаяся геометрия. 4. Самое интересное — неожиданный поворот. Есть гипотеза (её, кажется, активно разделяют в DeepMind), что по-настоящему универсальный «медленный мозг» для роботов родится не из робототехники, а из больших языковых и мультимодальных моделей, обученных на тексте и видео. Они уже неплохо «рассуждают» о физическом мире. И тогда реальный опыт понадобится ровно для одного: заземлить эти рассуждения в конкретную морфологию и сенсорику. То есть LLM даёт план, а моторика учится его реализовывать — и через много итераций возникает та самая связка.
Ваш инсайт про «данные оттуда, где роботы уже работают» — возможно, самый важный экономический фактор. Это значит, что победа в робототехнике достанется не тому, у кого лучшие алгоритмы, а тому, у кого самый большой парк роботов, уже приносящих деньги. Потому что данные, полученные как побочный продукт экономической деятельности, имеют нулевую маржинальную стоимость — а это огромное преимущество перед лабораторными сборами.
Доспех для призрака: как программист сделал тело для ChatGPT и чуть было не поверил в его одушевленность