Лидер Yushu льет холодную воду? Как долго ждать 'момента ChatGPT' для воплощенного интеллекта?

В то время как гуманоидные роботы привлекают значительное внимание, лидер "первой акций гуманоидных роботов" на фондовом рынке A, похоже, охладил пыл индустрии.

20 августа, на Всемирной конференции по робототехнике 2026 года, Ван Синсин, основатель Yushu Technology, откровенно заявил в своей первой публичной речи после上市 компании, что "момент ChatGPT" для воплощенного интеллекта еще не наступил, предсказывая, что это может произойти через два-три года в лучшем случае или занять от пяти до десяти лет в худшем.

За последние два года гуманоидные роботы стали самым горячим "модным предметом" в технологии. Они все чаще появляются на сценах крупных мероприятий, на выставках игр и даже у входов в торговые центры и розничные магазины. Эти футуристические роботы могут танцевать, ходить и махать, взаимодействуя с аудиторией, и быстро переходят из лабораторий в общественное пространство.

Однако за живыми показами реальные возможности этих роботов явно далеки от общественного представления о "будущих роботах". По крайней мере, в более общих ожиданиях роботы не должны только выступать на сцене или выполнять маркетинговые задачи, но и действительно входить в фабрики и дома, чтобы транспортировать, организовывать, управлять инструментами или выполнять некоторые домашние и заботливые задачи. Вопрос общественности всегда был конкретным и прямым: когда роботы действительно смогут работать?

В области больших языковых моделей ChatGPT когда-то предоставил весьма символичный ответ. Он не был первой языковой моделью, но стал первой, которая позволила большому количеству обычных пользователей интуитивно осознать, что ИИ преодолел определенный порог возможностей. Когда аналогичный момент произойдет в области воплощенного интеллекта, постепенно становится одним из самых пристально наблюдаемых вопросов в индустрии робототехники.

Ключ к тому, чтобы роботы вошли в дома, заключается в способности к обобщению

На Всемирной конференции по робототехнике 20 августа Ван Синсин указал, что самым большим узким местом для воплощенного интеллекта в настоящее время является проблема, которая многократно обсуждалась в индустрии — способность к обобщению.

По его мнению, многие модели роботов могут достигать почти 100% успеха в фиксированных сценариях, если будет завершен достаточный сбор данных и обучение. Однако, если объекты, с которыми работают, изменяются или среда немного меняется, уровень успеха роботов может значительно упасть.

Это также самый важный порог для того, чтобы роботы действительно вошли в повседневную жизнь и дома.

Ван Синсин предоставил довольно конкретный критерий: если однажды робот сможет быть перенесен в совершенно незнакомый дом или среду и сможет выполнить около 80% задач только с помощью голосовых или языковых команд, то воплощенный интеллект приблизительно достигнет своего "момента ChatGPT". Он считает, что в лучшем случае это может произойти через два-три года, а в худшем — через пять или даже десять лет.

Ван подчеркнул, что настоящая сложность заключается не в том, чтобы заставить робота "в общем знать, что делать", а в последних нескольких сантиметрах или даже миллиметрах.

Например, если робот должен поднять объект, модель может правильно спланировать все действие, и манипулятор может подойти близко к объекту, но если ошибка в конечной позиции, тактильная обратная связь или сила захвата не будут правильно отрегулированы, вся задача может провалиться.

Это также то, где роботы значительно отличаются от больших языковых моделей.

Ввод и вывод языковых моделей всегда происходят в цифровом пространстве, в то время как каждое восприятие и действие робота должно взаимодействовать с реальным физическим миром. Датчики имеют шум, исполнительные механизмы имеют ошибки, а положение, материал и вес объектов постоянно меняются; эти ошибки могут накапливаться по мере выполнения задач. Поэтому для воплощенного интеллекта переход от "базовой способности" к "стабильной правильности" может быть более сложным, чем первоначальное обучение задаче.

Практически одновременно с оценкой Ван Синсина, Ван Хэ, основатель и технический директор Galaxy General, предоставил более конкретный временной график. Ван Хэ заявил, что с постоянным накоплением данных и дальнейшими технологическими прорывами воплощенный интеллект ожидается достичь своего "момента ChatGPT" в 2028 году. Он определил этот этап как момент, когда роботы смогут выполнять около 70% до 80% повседневных задач без специализированного обучения для конкретных задач.

Оценки двух экспертов на самом деле очень близки. Ван Синсин сосредоточен на уровне выполнения задач роботами в незнакомых условиях, в то время как Ван Хэ обеспокоен прямой способностью к обобщению базовой модели без специализированного обучения, но оба устанавливают критическую точку на уровне около 70% до 80% успеха для неизвестных задач.

Это также означает, что "момент ChatGPT", о котором они говорят, не является движущими способностями, продемонстрированными гуманоидными роботами сегодня, и не является фиксированной демонстрацией, которая может достичь более 99% успеха после обширного обучения. Реальные изменения должны произойти, когда роботы начнут освобождаться от зависимости от фиксированных сценариев, фиксированных объектов и специализированного обучения.

Когда роботы действительно "поймут"? Коллективное внимание на 2-5 лет

Всего месяц назад, на Всемирной конференции по искусственному интеллекту 2026 года (WAIC), на круглом столе был задан тот же вопрос шести ведущим предпринимателям и исследователям в области воплощенного интеллекта.

19 июля, во время "Интеллектуального начала форума воплощенного интеллекта", организованного Zhiyuan Robotics и Mifeng Technology, модератор попросил шесть гостей ответить на очень прямой вопрос: сколько лет до того, как роботы достигнут своего момента ChatGPT?

Результаты оказались удивительно сосредоточенными. Яо Маоцин, партнер Zhiyuan Robotics и председатель и генеральный директор Mifeng Technology, ответил два года; Тони Чжао, соучредитель и генеральный директор Sunday Robotics, полагал, что это произойдет в течение трех лет; Чжан Чжэнью, главный ученый Tencent и директор Robotics X Lab, дал временной график от трех до пяти лет; Ма Ечэн, соучредитель и главный ученый Dyna Robotics, оценил около четырех лет; Жэнь Чжийи, научный сотрудник Physical Intelligence, предсказал четыре-пять лет; и Сюй Даньфэй, профессор Georgia Tech, предоставил самый консервативный ответ — пять лет.

Шесть человек представляют совершенно разные компании и исследовательские учреждения с различными техническими направлениями, но в конечном итоге их ответы все сошлись в пределах следующих двух-пяти лет.

Среди них Яо Маоцин был самым оптимистичным. Его оценка основана в первую очередь на росте объема данных. По мнению Яо, текущие ограничения на дальнейшее развитие физического ИИ можно обобщить как три стены: "данные, представление и замкнутый цикл". По сравнению с огромными объемами текста и изображений, которые можно дешево получить в интернете, реальные данные взаимодействия для роботов не только дороги, но и ограничены различиями в телах роботов, задачах и сценариях.

Роботы, которые могут быть использованы сразу, должны понимать открытые команды на естественном языке и достигать около 70% до 80% базовых уровней успеха в общих задачах. Для достижения этого воплощенному интеллекту нужны объемы данных, значительно превышающие текущие уровни. Он даже предположил, что в будущем объем данных может достичь сотен миллионов часов.

Другими словами, в рамках оценочного подхода Яо, "момент ChatGPT" в значительной степени является проблемой масштабирования: по мере того как реальные данные, данные симуляции, интернет-видео, данные с точки зрения первого лица и данные, возвращающиеся от развертывания роботов, постепенно формируют масштаб, возможности модели также могут пересечь критическую точку.

Тони Чжао из Sunday Robotics, с другой стороны, сжал временной график до трех лет. Вместо того чтобы стремиться к все более сложным телам роботов, Чжао больше сосредоточен на том, когда "мозг" робота действительно сможет достичь зрелости. Sunday Robotics долгое время сосредоточилась на домашних роботах и базовых моделях, полагая, что если достаточно сильная базовая модель сможет понять сложные среды и задачи, даже если робот использует относительно простые и экономичные захваты, он все равно может решить многие практические проблемы в первую очередь.

Отношение Чжана Чжэнью гораздо более осторожное. Он предоставил временной график от трех до пяти лет, но подчеркнул, что это окно не означает, что индустрия должна просто ждать, пока не появится более крупная модель. Одним из важных условий для быстрого формирования масштабируемых возможностей больших языковых моделей является то, что Transformer постепенно стал относительно унифицированной архитектурой. Однако робототехнический интеллект еще не сформировал такой четкой технической парадигмы.

От высокоуровневого познания, визуального восприятия и планирования задач до управления движением в реальном времени, телесной обратной связи и реакций на безопасность, роботу необходимо одновременно решать проблемы на разных временных масштабах. Поэтому реальные прорывы могут потребовать, чтобы сбор данных, симуляция, реальное развертывание, восстановление после неудач, аппаратное обеспечение и модели развивались вместе, а не просто воспроизводили законы масштабирования больших языковых моделей. По этой причине Чжан Чжэнью также подчеркнул, что индустрия все еще должна "работать стабильно".

Ма Ечэн из Dyna Robotics оценил около четырех лет. Его оценка больше основана на коммерческом развертывании. Для лабораторной демонстрации уровень успеха 80% или 90% может быть достаточным, чтобы доказать эффективность технического маршрута; однако для фабрики или сервисного предприятия, которое фактически покупает роботов для работы, такая надежность часто оказывается далеко недостаточной. Поэтому "момент ChatGPT" для воплощенного интеллекта не только означает, что роботы могут понимать больше задач, но и что они должны дополнительно улучшиться до уровня, приемлемого в реальных коммерческих условиях.

Жэнь Чжийи из Physical Intelligence предсказал четыре-пять лет. Он упомянул, что до того, как присоединиться к Physical Intelligence, он когда-то думал, что этот процесс может занять десять лет, но с развитием базовых моделей для роботов за последний год его ожидания значительно продвинулись.

Physical Intelligence сама по себе также является одной из текущих представительных компаний в направлении "роботизированной базовой модели", стремящейся постепенно приобретать более широкие операционные возможности через обучение на данных с разных тел и задач. В этой логике действительно важно, могут ли возможности робота постоянно проявляться по мере расширения модели и объема данных, в конечном итоге производя эффекты, аналогичные нулевому переносу в больших языковых моделях.

Сюй Даньфэй, профессор Georgia Tech, предоставил самый консервативный ответ — пять лет. Вместо того чтобы делать ставку на конкретный маршрут модели, он сосредоточен на трех более фундаментальных показателях: может ли модель действительно учиться на данных, могут ли изученные возможности обобщаться на новые среды и задачи, и может ли скорость рассуждений соответствовать требованиям реального времени для роботов в реальном мире.

Когда мы объединяем "самый быстрый через два-три года" Ван Синсина, "2028" Ван Хэ и ответы шести гостей на WAIC, становится все более очевидным, что индустрия воплощенного интеллекта сжимает ранее далекий временной график для "общих роботов" в следующий технологический цикл.

Является ли это четким историческим узлом или постепенным процессом?

Однако, хотя эти предприниматели и исследователи все больше сходятся в прогнозах времени, они на самом деле не обсуждают "момент ChatGPT" с использованием одной и той же системы стандартов.

Ван Хэ сосредоточен на скачке возможностей самой базовой модели. В его определении, когда роботам больше не нужно проходить специализированное обучение для каждой новой задачи и они могут выполнять 70% до 80% повседневных задач исключительно на основе базовой модели, воплощенный интеллект пересечет критическую точку, аналогичную ChatGPT. Этот стандарт в первую очередь измеряет, может ли модель перейти от "специализированного интеллекта" для конкретных задач к общему интеллекту с сильными возможностями переноса.

Стандарт Ван Синсина ближе к фактическим показателям работы роботов в реальном мире. Он также рассматривает уровень выполнения задач около 80% как важный порог, но подчеркивает, могут ли роботы выполнять большинство задач, полагаясь исключительно на языковые команды после входа в незнакомые условия. По его мнению, многие роботы сегодня могут достигать высоких уровней успеха в хорошо обученных фиксированных условиях, но настоящая проблема заключается в том, может ли модель продолжать работать, когда среда, объекты или задачи меняются.

Эти два определения могут показаться схожими, но уровни внимания не совсем одинаковы. Модель может обладать хорошими нулевыми или кросс-задачными возможностями, но это не означает, что робот, оснащенный ею, стал надежным производственным инструментом. Ван Синсин упомянул на WRC, что Yushu уже развернула роботов на автомобильных заводах и в своем собственном заводе, которые могут выполнять некоторые простые сборочные задачи, но все еще нет широкомасштабного продвижения, одной из важных причин является то, что эффективность роботов все еще ниже, чем у людей, и они часто требуют повторного обучения при столкновении с новыми задачами.

Гао Цзицзян, генеральный директор Xinghaitu, предоставил интересное двойное суждение по этому вопросу. В промышленной дорожной карте, представленной на этой WRC, Xinghaitu четко обозначила 2027 год как "момент GPT" с точки зрения технологии, полагая, что как только закон масштабирования приведет возможности базовой модели к поворотному моменту, вертикальные сценические приложения начнут ускоряться; однако истинная "точка поворота коммерциализации" установлена на 2028 год, за которой последует глубокое проникновение в 2029 году и широкое развертывание в 2030 году.

Однако, обсуждая, будет ли воплощенный интеллект воспроизводить исторический узел, подобный ChatGPT, Гао Цзицзян четко заявил, что он считает "высоко маловероятным, что такой момент произойдет". Причина в том, что воплощенный интеллект не будет распространяться через программный продукт, нацеленный на всех, мгновенно, а скорее будет постепенно открываться из сценариев To B, по одной отрасли и одной задаче за раз.

Одновременное возникновение технологических прорывов и общественного признания является сложным. Взрыв GPT зависел от того, что каждый мог лично испытать его через смартфон или компьютер, в то время как первые сценарии, в которых воплощенный интеллект приземляется, — это фабрики, склады и другие производственные концы, которые обычным людям трудно интуитивно воспринять. Поэтому поворотный момент в индустрии будет постепенно возникать "незаметным образом", и к тому времени, когда люди внезапно осознают это, он уже будет повсеместным.

Эти два утверждения не являются полностью противоречивыми. Гао Цзицзян на самом деле различает технологический поворотный момент возможностей модели и социальный поворотный момент индустриального распространения: первый может появиться относительно четко в определенном году, в то время как последний требует валидации сцен, массового производства, снижения затрат и зрелых бизнес-моделей, чтобы постепенно передаваться в реальный мир.

Это также одно из самых значительных различий между роботами и большими языковыми моделями. После выпуска ChatGPT в ноябре 2022 года изменения в возможностях модели могли почти быть сообщены глобальным пользователям в тот же день. Для программного продукта, пока сервер и вычислительная мощность могут с этим справиться, стоимость добавления нового пользователя относительно ограничена; пользователи могут открыть веб-страницу, ввести вопросы и немедленно ощутить скачок в возможностях модели. Таким образом, технологические прорывы, выпуск продуктов и массовое принятие пользователями были почти сжаты в одно и то же временное окно в случае ChatGPT.

Роботы, однако, должны войти в физический мир через реальное тело. Даже если базовая модель вдруг завтра приобретет значительно более сильные способности к обобщению, эта способность все равно должна быть преобразована в реальные действия через чипы, датчики, суставы, ловкие руки и исполнительные механизмы, при этом сталкиваясь с рядом инженерных проблем, таких как точность, стабильность, безопасность, срок службы, обслуживание и стоимость.

Поэтому воплощенному интеллекту в конечном итоге может быть сложно воспроизвести четкий исторический узел, подобный 30 ноября 2022 года. Скорее всего, он проявится как серия постепенно возникающих критических точек. Возможно, даже в будущем, когда люди оглянутся назад, чтобы подтвердить "момент ChatGPT" воплощенного интеллекта, они могут не найти универсально признанный узел.

Этот контент предоставляется исключительно в общих информационных целях и не является финансовым, инвестиционным, юридическим или налоговым советом. Любые мероприятия, вознаграждения, онлайн-акции или связанная с ними информация, упомянутые в настоящем документе, не должны рассматриваться как рекомендация, приглашение к покупке, продаже, торговле или иной сделке с какими-либо криптоактивами. Криптоактивы очень волатильны и могут привести к убыткам. Доступность услуг, продуктов WEEX и связанных с ними событий может варьироваться в зависимости от региона. Вы несете ответственность за обеспечение того, чтобы ваше участие соответствовало применимым местным законам и нормативным актам.