Диалог, независимый переменный CTO Ван Хао: Почему семейство — это «Священный Грааль» для телесного интеллекта?

Автор Дейл

Редактор Дун Юйцзин

«Семья — действительно Святой Грааль воплощённого интеллекта». 30 марта 2026 года утром, в Шэньчжэньском нулевом колледже, сооснователь и CTO компании Zijing Robot (цзыцзыцзин) Хао Ван в ходе интервью, включая интервью для Phoenix Net Technology, высказал это суждение. В тот момент как раз проходила Первая конференция разработчиков воплощённого интеллекта (EAIDC 2026): здесь собрались 20 лучших команд, вышедших в финал, а у участников было всего три дня, чтобы с нуля пройти весь процесс — от сбора данных, обучения моделей до развёртывания на реальном роботе.

В 2026 году, когда почти все коллеги в первую очередь стремились заполучить заказы в промышленных сценариях, Zijing выбрала более рискованный путь. В этом марте Zijing объявила о сотрудничестве с 58.com: платформа от 58 до家 случайным образом подбирает тётушек и роботов в пары, чтобы совместно выполнять услуги по домашнему обслуживанию, и уже запустила пилот в Шэньчжэне. Семья — самый «низко стандартизированный» и при этом самый открытый по среде сценарий — становится ключевым полем сражения в представлении Zijing, «путём к универсальным роботам».

01 Соревнование, возвращающее роботов в реальный мир

Формат EAIDC 2026 устроен довольно хитро. Все участвующие команды используют одну и ту же платформу с оборудованием: за три дня они должны завершить весь цикл — от сбора данных до развёртывания на реальном роботе — находясь в состоянии, включающем первоначальное знакомство с базовой моделью воплощённого интеллекта и отладку реального робота. Обычно для сборки и подобных задач профессиональной исследовательской лаборатории требуется как минимум 6 месяцев.

По наблюдениям Хао Вана, уже в первую половину дня соревнований наблюдалась заметная дифференциация. «В первый день открыли лагерь днём, а к вечеру некоторые участники всё ещё настраивали среду, а некоторые уже показали результаты — это очень большая разница». Позже он выяснил, что команды, которые часто проводят оценки, внимательно наблюдают за данными и оборудованием, оказываются более заметными по сравнению с теми, кто не берётся за руки. «Весь воплощённый интеллект — это интерактивное обучение: машина в ходе тестирования и наблюдений человека за ней находит проблемы; чем больше вероятность найти решения сложности реального физического мира».

Один из участников позже вспоминал: когда они впервые столкнулись с задачей «надеть кольцо на столб», их успешность составляла всего 20–30%, и только после многократных итераций она постепенно выросла до 60–70%.

В соревновании также предусмотрены A-таблица и B-таблица. A-таблица — среда под контролем, позволяющая участникам быстро проверять способность моделей; B-таблица — полностью «чёрный ящик», проверяющий обобщение модели при изменениях освещения, фона, объекта операций и позиций операций. Хао Ван говорит, что это — исходный замысел: «Мы хотим с помощью этого соревнования действительно сделать так, чтобы весь открытый проект снижал порог использования для разработчиков, и создать относительно более универсальный и стандартный интерфейс».

В отрасли воплощённого интеллекта, которая в долгосрочной перспективе опирается на симуляционные оценочные тесты, симуляционная среда может ускорять итерации, но плохо воспроизводит сложность реального мира; разрыв sim2real (подразумевается технический переход от симуляционной среды к реальному миру) сохраняется всегда. Хао Ван признаёт: «Длительная зависимость от симуляционных оценок неизбежно скрывает реальные границы возможностей модели». А EAIDC — эта «учебная площадка с реальными роботами» — пытается снова вернуть оценку, обучение и сбор данных в единый реальный мир.

02 Конец-до-конца «новая история»?

С самого начала Zijing выбрала маршрут «единая end-to-end модель с большим и малым мозгом». В технической архитектуре команда пытается объединить world model и VLA (визуально-языково-действующую модель) в едином интегрированном фреймворке.

Хао Ван объяснил базовую логику этого маршрута. «Обучающая основа — это всё равно большая языковая модель: просто мы хотим поместить язык и действия в одно пространство, а не как раньше, когда все визуальные данные служили языку». Информация, описываемая языком, очень макроскопична, а взаимодействие в физическом мире происходит в сантиметровом и секундном масштабе; между ними существует огромный информационный разрыв. «Если мы сможем применять нативный мультимодальный подход, то действия будут демонстрироваться очень чётко и на макро-, и на микроуровне; это превратит визуальное восприятие из прежнего статичного наблюдения в понимание того, как движется».

Это контрастирует с упрощёнными дизайнами многих текущих VLA-моделей. Один из наблюдателей отрасли отметил, что многие воплощённые модели всё ещё склонны к упрощению, и большинство VLA-моделей по-прежнему опираются на ввод одиночного кадра изображения.

Хао Ван считает, что главная сложность end-to-end моделей — это требования к сложности обучения и масштабу. «Если у вас нет этих двух условий, то выбор end-to-end не обязательно даёт лучший эффект, чем выбор специализированной малой модели или многоуровневой модели. End-to-end означает необходимость эффекта масштаба: количество данных и число параметров модели должны вырасти». Кроме того, оценка в воплощённом интеллекте ещё более проблемна, чем в языковых больших моделях. «Языковая большая модель может показывать loss-кривую; но для воплощённого интеллекта часто бывает не так: loss не отражает вашу работу в реальном мире, потому что реальный мир — это замкнутая система».

Ещё одна ключевая стратегия Zijing — придерживаться сбора данных на реальных роботах. Хао Ван говорит: «Все интерактивные процессы обучения и обучения с подкреплением: самые важные данные приходят с реальных роботов. Этот сбор данных не остановится — он будет продолжаться». Но он также раскрыл, что в 2026 году произойдут большие изменения: «всё больше будет зависеть от способа собирать данные с помощью носимых устройств человека или Ego-Centric подхода».

Построение data-замкнутого цикла — ещё одно ключевое положение Zijing. Хао Ван сказал: «Как можно раньше включить режим совместной работы человека и машины, чтобы замкнутый цикл заработал. Сначала с помощью качественных данных и крупномасштабного обучения создайте базовую модель. Хотя она не сможет решить все задачи, её нужно разместить в реальной среде и начать делать работу там. Если в каких-то местах она делает плохо — человек перехватывает и помогает ей восстанавливаться после ошибок; такие данные тоже станут очень ценным источником». Он описывает систему, в которой оценка, обучение и сбор данных выполняются в одном и том же процессе.

03 Почему именно семья?

Фактически в отрасли обычно считают, что для зрелого применения сценария семьи потребуется ожидать 5–10 лет, и большинство производителей в коммерциализации скорее предпочитают промышленные сценарии: среда контролируемая, задачи одиночные, ROI можно точно посчитать. В начале 2026 года на рынке появились несколько компаний-роботов с оценкой в десятки миллиардов; однако в направлении домашнего обслуживания на данный момент ещё нет по-настоящему зрелых игроков.

Хао Ван предложил иной подход к решению задачи: «Семья представляет самую открытую среду и самые широкие задачи. Если решить задачи семьи, это будет означать, что модель способна к полной обобщаемости. Только если с самого начала смотреть в лицо самому сложному сценарию, можно повысить уровень интеллектуальности модели. Неважно, с какого момента начинать — чем раньше начнёте, тем лучше; это самое важное».

Однако при входе в сценарий семьи есть несколько ключевых сложностей. Во-первых, способность к нулевому обобщению: модель должна добиваться успеха, исследуя пути посредством рассуждений, а не полагаясь на заранее обученные данные. «Когда вы входите в семью сначала, у модели практически нет возможности обучиться; тогда нужно активировать её способность рассуждать, чтобы в сценарии семьи через рассуждения исследовать успешные примеры». Во-вторых, точность для операций на длинной дистанции. «Сейчас базовая модель входит в семью: по многим задачам есть тенденции или намерения действий — например, может тянуться к любому предмету, чтобы взять его. Но точности недостаточно, и из-за накопления ошибок при сложных задачах на длинной дистанции всё проваливается».

Хао Ван объяснил, что для решения проблемы точности на длинной дистанции есть два ключевых момента. Первый — активировать способность модели рассуждать: «пусть язык соединяется с визуальным восприятием для рассуждений; язык, визуальное восприятие и действия формируют цепочку рассуждений на одном уровне, так чтобы робот сам планировал и пересматривал». Второй — проводить обучение с подкреплением при крупномасштабном использовании реальных роботов: «сохранять возможность достигать более высокого стандарта пространственной точности в рамках базовой модели».

Хао Ван оценивает: «Обычная уборка и задачи по сортировке/аккуратному хранению можно довести до полной автономности за 1–2 года. Но чтобы замкнуть цикл на всех задачах в доме, времени, вероятно, понадобится чуть больше».

Это перекликается с заявлениями CEO Zijing, Ван Цян. Ван Цян в интервью упоминал, что в течение этого года можно увидеть, как роботы переходят к коммерческому внедрению с положительным ROI. Прогресс сценария семьи, разумеется, идёт медленнее, но и более долгосрочно.

Возвращаясь к спорной теме, которая сильнее всего волнует индустрию воплощённого интеллекта прямо сейчас: что важнее — выбор технологического маршрута или коммерциализация?

«В вопросе воплощённого интеллекта потолок достижений, полученных ценой принесения технологии ради коммерции, не будет высоким. По-настоящему высокий потолок — это когда коммерция и технология работают вместе, когда технологию постепенно продвигают развитие коммерции». Хао Ван считает, что главная линия Zijing — заставить базовую модель постоянно итеративно развиваться: «Но есть одно: не делать слишком много модельных систем в вертикальных сценариях, не компенсировать потом многочисленными инженерными доработками ради внедрения. Например, если обнаружили, что у робота есть слепые зоны по зрению — сделать маленькую модель для обнаружения. В краткосрочной перспективе это может помочь ускорить внедрение, но в долгосрочной — это вредно для улучшения базовой модели».

Такой подход соответствует логике выбора сценариев в Zijing: «Первое основание, по которому выбирают сценарий, — может ли он обратным образом поддерживать способность базовой модели. Не так, что сначала вы доводите технологию до полной обобщаемости, а потом думаете о сценариях. Напротив: сценарий задаёт вам итерации; итерации делают базовую модель сильнее, а более сильная базовая модель затем обратным образом подпитывает бизнес — и только так формируется полный замкнутый цикл».

Он также сообщил, что вложения в базовые модели остаются очень высокими: компания с первого дня основания в массовых масштабах вкладывается в данные, вычислительные мощности и базовую инфраструктуру. «Как только вы создаёте эффект масштабирования, когда вы вкладываете в 10 раз больше ресурсов и получаете лидерство, эффект концентрации ресурсов будет становиться всё более очевидным; вы будете превосходить других по скорости за счёт преимущества на уровне порядка величин. Чем раньше начнёте, тем больше преимуществ. Чем позже — тем труднее сделать».

(Редактор: Лю Цзин HZ010)

     【Дисклеймер】Эта статья отражает только личные взгляды автора и не связана с Хэ Сюнь. Портал Hexun сохраняет нейтралитет в отношении заявлений, мнений и оценок, изложенных в статье, и не даёт каких-либо явных или подразумеваемых гарантий относительно точности, надёжности или полноты содержащейся информации. Пожалуйста, читатели рассматривайте это только как справку и несите всю ответственность самостоятельно. Email: news_center@staff.hexun.com

Сообщить об нарушении