Робот «не наїдається», реальні дані залишаються важливою областю боротьби для тілесного інтелекту

Проблема з даними є одним із ключових викликів, з якими стикається нинішнє галузеве оновлення робото-індустрії в напрямі інтелектуалізації.

28 березня, як паралельний форум на Пекінському форумі Zhongguancun, на місці проведення 2026 China Conference on Science Fiction у Пекіні офіційно відкрили інноваційний центр навчання даних для дотикового дійсного інтелекту та мульти-модального сприйняття, розташований у районі Шицзіншань.

За інформацією кореспондента, цей центр створено за співпраці Beijing Shijingshan Technology Innovation Group Co., Ltd. та He Shan Technology, з орієнтацією на потреби розвитку індустрії втіленого інтелекту. Там визначили три ключові напрями технологій: дотик, гетерогенність і безлюдний автономний збір. Центр має платформу повного циклу технічної трансформації, що поєднує мульти-модальний збір даних, тренування алгоритмів і впровадження в сценаріях.

Проблема з даними є одним із ключових викликів, з якими стикається нинішнє галузеве оновлення робото-індустрії в напрямі інтелектуалізації. На форумі Zhongguancun «Діалог про 100 мільярдів втіленого інтелекту» співзасновник Xingdong Yuan席悦 вважає, що найбільша складність розвитку втіленого інтелекту нині все ще — це дані.

З погляду конкретних сценаріїв впровадження,席悦 зазначає: складність збору даних у реальних сценаріях висока, тому сторона сценарію має надавати права доступу. Водночас за умови масштабного збору виникають проблеми з вартістю й тривалістю. А існуючі альтернативні рішення мають обмеження: у галузі широко застосовують модель 1:1 відтворення реального сценарію зі створенням власного навчального полігону, однак через те, що під час усього процесу збору даних, тренування, розгортання та пошуку проблем потрібна безперервна участь інженера, загальна ефективність низька, а вартість висока.

席悦 вважає, що галузь може вибудувати «цикл даних: збір даних — ітерації моделі» як замкнений контур для так званого data flywheel, щоб роботи могли автономно обробляти в реальному середовищі різні екстремальні ситуації та безперервно підвищувати ефективність системи. По-друге, просувати комбінований режим «людські демонстрації + збір на справжніх машинах», однак нині все ще потрібно проробити складні питання різниці між двома підходами в конфігурації платформи (тіла), формах руху та методах сприйняття.

Засновник Yuanli Lingji 唐文斌 визнає, що дані є одним із теперішніх вузьких місць для втіленого інтелекту, але це не вся проблема. На його думку, збір даних по суті є питанням грошей і часу: за інвестиції можна купити роботи, побудувати навчальні полігони, найняти операторів дистанційного керування, передати на аутсорсинг розмітку тощо — і таким чином швидко наростити обсяг даних до мільйонів годин та мільярдів зразків. Тому «є чи немає даних» не є бар’єром входу для галузі. Справжня конкурентна перевага полягає в тому, чи може компанія автоматично повертати дані з реальних сценаріїв, і чи здатна вона побудувати ефективний замкнений контур data flywheel.

Zhі 平方 наразі вже має кілька шляхів отримання даних, але повертаючись до реальності, співзасновник 张鹏 усе ще вважає, що цінність даних із реальних сценаріїв є беззаперечною, і це той напрям, який галузь нині має пріоритетно опрацьовувати — зокрема, частина, що забезпечує повернення даних завдяки продуктам, реально розгорнутим у першій лінії, і подальше осідання даних. За умов гарантування безпеки Zhі 平方 також ділитиметься цією частиною даних із клієнтами.

За інформацією кореспондента, нині у межах четвертого етапу проєкту Пекінського центру збору та тренування даних для гуманоїдних роботів основними партнерами є 乐聚, 他山, 睿尔曼, 灵初 та інші компанії; вони намагаються вирішити проблему дефіциту даних і вузькі місця з якістю в індустрії роботів.

Щодо поточних питань попиту й пропозиції в роботних даних один із представників галузі сказав кореспондентові: нині у сфері втіленого інтелекту триває перебудова системи даних. Поява безтілесних технологій роботи з даними (зокрема рішення EGO для даних у перспективі «від першої особи» та UMI для універсальних інтерфейсів операцій) робить імовірним, що раніше побудовані на дорогих ресурсах «заводи» для збору дистанційно керованих даних можуть опинитися в скрутному становищі.

З точки зору цінності даних, цей представник зазначив: дані з реальних сценаріїв усе ще є «вершиною піраміди» даних, необхідних для тренування моделей роботів, але галузь загалом стикається з двома ключовими проблемами: по-перше, відсутня стандартизована модель якості даних і дизайну data pipeline; по-друге, спроможність обробки даних має істотний розрив між компаніями — не всі вендори мають технічну потугу для побудови ефективної системи обробки даних. Крім того, в галузі бракує єдиного механізму обміну «технічними секретами» та системи еталонного оцінювання для даних, через що ефективність застосування даних є різною.

Він зазначив: якщо в майбутньому безтілесні технології роботи з даними на кшталт EGO, UMI зможуть стати масовими, можна буде ще більше підкреслити ключову дефіцитність ресурсів сценаріїв. З боку компаній також може з’явитися можливість позбутися залежності від традиційних заводів збору даних і виконувати збір даних безпосередньо в реальних сценаріях. Доступність сценаріїв і їх різноманітність стануть критичними змінними для конкурентоспроможності даних.

Отже, з огляду на тенденції технічного оновлення та ітерацій, втіленому інтелекту потрібні тренувальні дані в обсязі від сотень мільйонів до мільярдів годин, і нині загальний обсяг усе ще різко недостатній. Однак частина ключових активів, які розходяться з магістральними технологічними маршрутами, у майбутньому може зіткнутися з ризиком знецінення: наприклад, активи, що спираються на самі роботи як платформи та фіксовані дорогі центри з навчальними майданчиками, можуть спричинити падіння коефіцієнта використання потужностей та стрибок одиничної вартості.

У довгостроковій перспективі базова логіка конкуренції в сфері даних зазнає кардинальної зміни: від «змагання за обладнання — чи є масштабовані навчальні центри» до таких аспектів, як спроможність отримувати дані з реальних сценаріїв і ефективність замкненого циклу ітерацій «сценарій + дані».

Рясна інформація, точна інтерпретація — усе в застосунку Sina Finance APP