Китайский стартап робототехники хочет создать «рецепт» для наделения роботов общим интеллектом

Ключевые моменты

• X Square Robot, китайская компания в области AI с физическим воплощением, в 2025 году выпускает весь свой робототехнический AI-стек как открытый исходный код.
• Компания утверждает, что её метод сбора данных достигает производительности, сравнимой с полностью роботизированными наборами данных при примерно в 20 раз более низких затратах.
• Её мировая модель WALL-WM организует поведение робота вокруг названных действий, таких как «захват» или «хватание», а не вокруг фиксированных временных окон.
• Её модель действий Wall-OSS-0.5 разработана так, чтобы работать на реальном роботе до какой-либо специализированной настройки под конкретную задачу, что редко встречается в этой области.
• Все основные результаты на сегодняшний день получены на основе собственных тестов компании, поэтому независимая проверка их ещё не проводилась.

Если научить AI-систему достаточному количеству текста, возникает что-то полезное. Эта идея, называемая предварительным обучением на широких данных, превратила большие языковые модели, технологию, стоящую за чатботами наподобие ChatGPT, в универсальные инструменты, которые миллионы людей используют каждый день.

В робототехнике нет эквивалентного способа. Робот, который складывает бельё, не может просто перенести этот навык на загрузку посудомоечной машины. Системы, работающие внутри большинства современных роботов, построены из отдельных специализированных компонентов, которые не складываются в общую систему.

X Square Robot, китайская компания, сосредоточенная на том, что исследователи называют воплощённым AI (то есть AI, живущим в физическом теле и вынужденным действовать в реальном мире), считает, что нашла этот рецепт. И, что необычно для китайского AI-стартапа, она выпускает его ядро для всеобщего использования и проверки.

Ставка компании основана на трёх слоях, работающих вместе: на том, как роботы собирают обучающие данные, на мировой модели, которая предсказывает, что произойдёт дальше в физическом мире, и на модели действий, которая превращает восприятие и рассуждение в реальное движение.

Чем это отличается от других проектов робототехнического AI?

Самая отличительная часть — это то, как X Square Robot работает с данными, примерами, из которых учатся роботы. Сбор демонстраций для робота дорогостоящий, потому что требует реального робота, обученного оператора и часов тщательного контроля. X Square Robot создала портативный аппарат с двумя захватами, который человек надевает на руки. Реальный робот не требуется. Это значительно снижает затраты на сбор.

Но дешёвые данные бесполезны, если они неправильные. Компания добавляет проверку качества, которая действительно необычна: образец записанных движений физически воспроизводится на реальном роботе, и только движения, которые завершают задачу, считаются действительными. Захват, который закрывается на долю секунды слишком рано, может выглядеть как успешное захватывание на записи, но робот на самом деле отодвинул предмет. Такая траектория отбрасывается.

Компания сообщает, что объединение этих дешёвых данных от демонстрации человеком с небольшим количеством данных от реального робота достигает производительности, сравнимой с наборами данных, собранными полностью на роботах, при примерно в 20 раз меньших затратах. Это впечатляющее утверждение. Оговорка, как отметил IEEE Spectrum AI в своём освещении, заключается в том, что эти цифры взяты из собственных роботов и тестов X Square Robot. Независимые исследователи пока не подтвердили их.

Мировая модель, называемая WALL-WM, использует другой подход ко времени. Большинство робототехнических AI-систем разбивают движение на отрезки фиксированной длины, как в фильме, разрезанном на кадры равной длины. WALL-WM вместо этого организует поведение вокруг значимых событий: захват, хватание, размещение. Каждое событие заканчивается, когда действие завершено, а не когда проходит отведённое время. Идея состоит в том, что границы должны соответствовать тому, что на самом деле происходит, а не тому, что удобно вычислять.

Модель действий Wall-OSS-0.5 — это модель видение-язык-действие (программное обеспечение, которое читает изображения с камер, понимает текстовые инструкции и производит физическое движение). Установленное компанией требование состоит в том, что модель должна выполнять полезную работу на реальном роботе до дальнейшей специализированной настройки. Сначала предварительно обученная общая способность, потом специализация. Такой порядок — цель всего проекта.

Для обычных людей ничего этого не меняется сегодня. Универсальные домашние роботы всё ещё находятся на расстоянии нескольких лет. Но если независимые исследователи смогут воспроизвести и расширить эти результаты, открытый исходный код может ускорить развитие отрасли способами, которые закрытая проприетарная система не может.