Итоги РИММ 2026: гуманоиды и физический ИИ

Почему ИИ стал центральной темой робототехники сегодня?

Интерес к антропоморфным роботам в последние два года заметно усилился. Участники форума связывают это с развитием искусственного интеллекта и перспективами появления продвинутого физического ИИ (Physical AI). По оценкам экспертов, появление рабочих моделей, способных выполнять широкий спектр задач в реальной среде, возможно в горизонте 5–6 лет, а по отдельным прогнозам — в течение 1–2 лет.

•  Физический ИИ относится к системам искусственного интеллекта, которые функционируют в физическом мире и взаимодействуют с ним, а не существуют только в программной или цифровой среде. Это искусственный интеллект, способный не только анализировать информацию, но и действовать в реальном мире.

Ключевое преимущество физического ИИ — платформенная универсальность. В отличие от традиционной автоматизации, разрабатываемой под конкретное оборудование и фиксированные операции, физический ИИ формирует алгоритмы восприятия и управления на основе обучения.

Такая архитектура может быть интегрирована в различные робототехнические системы — гуманоиды, манипуляторы, палетоукладчик, мобильные платформы. Функциональность определяется моделями и данными, а не типом механики, что обеспечивает перенос навыков между устройствами без полной переработки решения.

Как отмечает Роман Руфов, старший менеджер практики бизнес-консультирования «Технологий Доверия», производители все чаще приходят к пониманию, что основная ценность робототехнических решений формируется не столько аппаратной платформой, сколько ее интеллектуальной составляющей — способностью быстро обучаться и выполнять различные операции. По его словам, одним из ограничений текущего этапа развития остается нехватка универсальных датасетов для обучения роботов. В ответ на это крупные технологические компании начинают создавать собственные инфраструктуры работы с данными — так называемые «фабрики данных», где массово формируются и обучаются робототехнические навыки под конкретные сценарии применения, часто с участием человека.

По оценке представителя Центра робототехники ПАО «Сбербанк», появление методов обучения с подкреплением (reinforcement learning) позволило существенно сократить цикл разработки робототехнических навыков.

Навыки отрабатываются на цифровых двойниках, после чего переносятся на физическую платформу с минимальной донастройкой.

• Обучение с подкреплением (reinforcement learning, RL)— это метод машинного обучения, в которой автономный «агент» учится принимать оптимальные последовательные решения, взаимодействуя с окружающей средой, используя метод проб и ошибок.

В отрасли также развивается направление мультимодальных моделей, объединяющих визуальное восприятие, обработку команд и выполнение действий (Visual‑Language‑Action, VLA‑Model). Дополнительно ведется работа над созданием так называемых моделей среды, позволяющих системе учитывать контекст и принимать решения в новых условиях эксплуатации. По оценкам участников рынка, переход от запрограммированных специализированных роботов к системам на основе обучаемых алгоритмов является одним из ключевых факторов развития робототехнического рынка. Эта тенденция особенно заметна в сегменте гуманоидов, где растет количество разработок и пилотных проектов.

Сегодня весь мир делает ставку на появление более продвинутого искусственного интеллекта. Этим, в частности, обусловлен рост числа компаний, запускающих массовое производство антропоморфных роботов в Китае, США, Японии. Tesla уже заявила о планах сократить выпуск электрокаров и переоборудовать завод в Калифорнии под выпуск человекоподобных роботов.
Российский рынок подтверждает этот тренд. Крупные технологические компании, включая Яндекс и Сбербанк, уже ведут разработки в области физического ИИ, инвестируя в создание интеллектуальных систем.

Симуляции и цифровые двойники как драйвер развития физического ИИ

Отдельным устойчивым трендом стало смещение цикла разработки робототехнических навыков в симуляционную среду. Обучение и отработка алгоритмов все чаще проводятся на цифровых двойниках — виртуальных моделях производственных объектов и процессов.

Использование симуляции позволяет снизить риски, связанные с тестированием в реальной среде, ускорить обучение и валидацию алгоритмов управления, а также обеспечить перенос данных на физическую платформу с минимальной донастройкой. Подход переноса данных без дообучения сокращает объем ручного программирования и уменьшают время выхода решения в промышленную эксплуатацию.

С точки зрения экономики разработки это означает переход от длительных итераций на физическом оборудовании к масштабируемому обучению в виртуальной среде с последующей быстрой интеграцией в реальный производственный контур.

Текущая практика применения гуманоидов и перспективы масштабирования

Рынок при этом демонстрирует сдержанную оценку текущих возможностей гуманоидных платформ. В рамках обсуждения была приведена оценка, согласно которой около 90% продаваемых сегодня гуманоидных роботов используются в развлекательных проектах, преимущественно в Китае, тогда как их промышленное применение остается ограниченным.

Текущие функциональные возможности гуманоидов включают автономное перемещение, распознавание объектов и выполнение базовых манипуляций. Однако уровень технологической зрелости пока недостаточен для широкомасштабной промышленной эксплуатации.

К ключевым ограничениям относятся низкая скорость выполнения операций и высокая стоимость оборудования. Приводится пример гуманоидного робота компании AgiBot, который тратит около 8 минут на сборку простой коробки, тогда как специализированный робот выполняет аналогичную операцию существенно быстрее. В существующих экономических условиях универсальные гуманоидные решения уступают по эффективности узкоспециализированным промышленным системам.

По оценке экспертов «Технологий Доверия», текущие ограничения гуманоидных роботов не отменяют их потенциальной роли в будущем — особенно по мере развития физического ИИ и снижения стоимости обучения навыков в симуляции.

Технологические сдвиги на ранних этапах часто сопровождаются скепсисом, однако долгосрочные преимущества обычно получают компании, которые начинают тестирование и накопление практики до момента массового внедрения.

При этом, как отмечает Александр Герасимов, менеджер практики бизнес-консультирования «Технологий Доверия», опыт крупнейших мировых компаний показывает, что ранние инвестиции в автоматизацию способны значительно изменить конкурентную ситуацию на рынке. По его словам, Amazon и Walmart сделали ставку на роботизацию складов и аналитику данных, что позволило ускорить доставку и снизить себестоимость операций, тогда как компании, которые отложили внедрение подобных решений, начали проигрывать по цене и скорости.

В российских условиях этот процесс может развиваться еще быстрее. Экономика уже сталкивается с дефицитом персонала и ростом затрат на труд, поэтому внедрение роботизации и генеративного ИИ в ближайшие годы может стать не столько вопросом технологического интереса, сколько инструментом сохранения конкурентоспособности бизнеса.

С этой точки зрения компаниям важно не занимать выжидательную позицию, а начинать тестирование решений и накапливать практический опыт. Гипотеза экспертов заключается в том, что если робот способен выполнить операцию в режиме дистанционного управления, то при наличии физического ИИ и достаточного количества итераций обучения он сможет освоить ее в полностью автономном режиме. Демонстрационные сценарии, которые сегодня выглядят как эксперименты, фактически являются подтверждением готовности платформ к следующему этапу развития.