Робот Flexion учится стажёром: как ИИ научил гуманоида работать в офисе
Flexion Robotics, компания бывших исследователей Nvidia, разработала метод обучения гуманоидов выполнять сложные многошаговые задачи. Вместо традиционного телеуправления робот Unitree обучается в симуляции на видеоролики человеческих действий и затем самостоятельно решает реальные задачи.
В демонстрации робот получил команду: «Посылка со снеками доставлена. Возьми её, поднимись по лестнице и на лифте, распакуй и положи в пустой ящик на полке в зоне снеков». Робот выполнил это полностью автономно.
Система работает в три слоя: основная AI-модель видит, какие действия нужны и когда; она триггерит навыки, выученные в симуляции; затем управляет моторами для ходьбы, движений конечностей и балансировки. Ключевой компонент, reinforcement learning на каждом уровне (от основной модели до симуляции до управления моторами). Основатель и CEO Никита Рудин (бывший robotics researcher в Nvidia) называет это «тайным ингредиентом».
Эксперт ABI Research отмечает, что сам гуманоид, не главное; революционное это AI-модели за ним. Рынок foundation models для роботов может стоить $150 млрд к 2036 году. Flexion уже сотрудничает с несколькими компаниями и работает с разными формфакторами гуманоидов, что может сделать ПО более коммерчески ценным. Однако аналитик подчеркнул: без такого способа программирования гуманоидов рынок практически не существует.
Ключевые факты
- Robotic foundation models, главный вызов гуманоидов, а не конструкция железа
- Симуляция + reinforcement learning позволяют обучить робота сложным офисным задачам без телеуправления
- Рынок robot foundation models оценивается в $150 млрд к 2036 году (ABI Research)
- Flexion сотрудничает с несколькими производителями гуманоидов, работает с разными платформами
- Успех зависит от близкого сотрудничества ПО-компаний с hardware-производителями
Почему это важно
Humanoid robots превратятся в рабочую силу только если их получится автономно программировать для сложных многошаговых задач. Flexion демонстрирует, что это возможно: не через ручное управление каждым шагом, а через обучение на видеоролики + reinforcement learning. Это означает, что гуманоиды могут масштабироваться для реальной работы, а не только для демо.
Кому это важно
Производителям гуманоидов (Boston Dynamics, Tesla Optimus, Unitree и другие) нужно такое ПО, чтобы роботы были практичны. Работодателям в логистике, складах, офисах, потенциальным клиентам. Инвесторам в robotic foundation models и компаниям вроде Flexion, которые могут стать частью hardware-стека.
Как это применить
Компании, интегрирующие гуманоидов, должны инвестировать в software-платформы вроде Flexion параллельно с покупкой железа. Разработчикам ПО для роботов нужно ориентироваться на reinforcement learning и симуляцию-в-реальность (sim-to-real) как на стандартный подход. Hardware-производители могут партнериться с компаниями типа Flexion вместо попытки разрабатывать всё в-доме.
Можно ли доверять
Flexion, реальный стартап (основатели с опытом Nvidia), демонстрирует работающий прототип (видео доступно), ставит конкретный сценарий (посылка → лифт → распаковка). Однако примерить это на массовое производство рано: одна демонстрация не гарантирует надёжность в разных офисах и непредвиденных ситуациях. Прогноз ABI Research ($150 млрд), экстраполяция, зависит от темпов развития AI и одобрения рынком.
Риски и подводные камни
Reinforcement learning требует огромных вычислительных ресурсов для обучения. Робот может неправильно интерпретировать инструкции в новой среде. Ethically: масштабное внедрение гуманоидов поднимет вопросы о замене человеческого труда, это не технический, а социальный риск. Также высокая конкуренция между Flexion, Tesla, Boston Dynamics и другими может замедлить стандартизацию и усложнить интеграцию.
«Гуманоид сам по себе, не самое интересное и революционное. Революционное, это AI-модели, которые его двигают.»
— Джордж Чоудхури, аналитик ABI Research