Physical AI в России: как физический ИИ меняет промышленность, транспорт и роботизацию производства

49 минут назад

© Фото: Конференция ЦИПР

На ЦИПР-2026 тему Physical AI обсуждали уже не как футуристический сюжет, а как прикладную технологию для промышленности, автономного транспорта, роботизации производства и управления сложными системами. Панель показала, что у рынка есть и технологический оптимизм, и жёсткие ограничения: в одних сценариях physical AI уже обсуждается не только как R&D, а в других его массовое внедрение по-прежнему упирается в данные, интеграцию, зрелость технологий и экономику проектов.

Что такое Physical AI

Сессия на ЦИПР была посвящена «физическому и искусственному интеллекту для развития российской промышленности», а модератор Валерия Воробьёва с самого начала задала разговору прикладную рамку: речь идёт о технологиях, которые связывают восприятие, рассуждение и физическое действие в реальной среде. В качестве одной из ключевых архитектур обсуждались модели класса VLA — Vision-Language-Action, которые должны работать там, где нельзя заранее полностью оцифровать среду: на неструктурированных линиях, складах, в шахтах и других сложных производственных контурах.

Для российской промышленности, как следовало из вводки, этот разговор важен не только из-за роста эффективности, но и из-за структурного дефицита кадров. Именно поэтому физический ИИ на панели описывался уже не как опциональная инновация, а как один из возможных ответов на долгосрочные ограничения рынка труда и производительности.

Воробьёва при этом ссылалась на мировые примеры: развитие автономной логистики, рост количества роботов у Amazon, масштаб автономного пробега Waymo и интерес к physical AI как к новой инвестиционной теме. Даже если эти кейсы на панели использовались прежде всего как индикаторы тренда, сама дискуссия показывала, что physical AI участники уже обсуждают как самостоятельное направление, а не только как продолжение разговора о генеративном ИИ.

Почему упираются в данные

Самую жёсткую технологическую рамку предложил старший вице-президент Сбербанка Андрей Белевцев. По его словам, большие языковые модели смогли быстро развиться потому, что человечество уже накопило огромный объём знаний в текстовом виде, тогда как для обучения хорошего робота готового универсального массива данных практически нет.

В этом, по сути, и состоит фундаментальная проблема physical AI: для робототехники и других физических систем данные приходится собирать дороже и сложнее, чем в случае текстовых моделей, причём часто в связке с конкретным оборудованием. Если текстовые модели можно учить на накопленных корпусах, коде и синтетических наборах, то в робототехнике нужно фиксировать связь между восприятием среды, движением, состоянием механизмов и итоговым действием машины.

Белевцев объяснил, что интерес к VLA стал естественным продолжением бума LLM, потому что языковый слой пока помогает связать зрение робота и его действие. Одновременно, как он отметил, инженерное сообщество уже понимает, что такая архитектура не обязательно останется окончательной и в будущем может эволюционировать в менее зависимые от языка схемы.

Из этого у Сбера вырастает ставка на вертикально интегрированный стек. Белевцев прямо сказал, что без работы с «железом», без собственной связки оборудования, моделей, данных и симуляций добиться переносимости и генерализации пока невозможно, потому что в физическом мире пока не хватает накопленных универсальных данных.

По его словам, Сбер использует не только GigaChat, но и визуальные модели вроде Kandinsky, а также видео и симуляции для дополнения и аугментации данных. Из этой логики следует важный для всего рынка вывод: physical AI сегодня — это не одна модель, а сложная инженерная сборка, где генеративные системы, синтетические данные, симуляторы и аппаратные платформы должны работать вместе.

Отсюда же вырос и ещё один тезис Белевцева: рынок роботов пока гораздо менее прозрачен, чем рынок языковых моделей. Для LLM уже существуют бенчмарки и понятные способы сравнения, а в робототехнике индустрия по-прежнему часто смотрит на зрелищные ролики, не имея достаточного числа воспроизводимых критериев оценки в реальной среде.

В этом контексте показательно прозвучал и разговор о NVIDIA. И Воробьёва, и Белевцев использовали её как пример компании, сильной не только в аппаратной части, но и в симуляторах, софте и инфраструктуре разработки, то есть в той самой модели стека, без которой масштабирование physical AI сегодня затруднено.

Где рынок видит первый масштаб

Если Белевцев говорил о фундаментальных ограничениях, то Тигран Худавердян из Яндекса перевёл разговор в зону наиболее вероятного массового внедрения. Он предложил сравнить уже привычный для цифрового ИИ тест Тьюринга с «тестом Возняка», когда робот сможет на незнакомой кухне приготовить чашку кофе, и показал через эту метафору огромный разрыв между успехами ИИ в информационной и физической среде.

По мнению Худавердяна, именно автономный транспорт сегодня выглядит наиболее реалистичным кандидатом на первое массовое воплощение физического ИИ. Яндекс, по его словам, делает ставку на три направления — роверы, роботакси и беспилотные грузовики, — потому что именно транспортный контур позволяет накапливать данные, тестировать модели и шаг за шагом двигаться от пилотов к эксплуатации.

Худавердян отдельно подчеркнул, что в беспилотном вождении за последние годы произошёл важный переход от чисто алгоритмического подхода к системам, где краткосрочная траектория движения генерируется по логике, близкой к работе языковых моделей. То есть машина формирует несколько возможных траекторий и затем выбирает наиболее безопасную и оптимальную, а это уже принципиально другой уровень использования нейросетевого подхода в управлении физическим объектом.

Он также сообщил, что Яндекс массово раскатал новый алгоритм на своих роверах и именно это позволило сделать движение более плавным по сравнению с прежними алгоритмическими системами. Важен и другой акцент: роверы для компании — не просто витринный продукт, а относительно безопасный полигон, где ниже цена ошибки, нет жёсткого запретительного регулирования и понятнее путь к накоплению практической экспертизы.

В более широком смысле позиция Яндекса на панели сводилась к тому, что физический ИИ будет приходить не через абстрактную «универсальную робототехнику», а через прикладные массовые сценарии, где уже можно доказать рабочую модель. Именно автономный транспорт в этой логике выглядит первым сектором, где индустрия может пройти путь от зрелищных демонстраций к привычному сервису.

Почему тяжёлая промышленность осторожна

Наиболее сдержанную оценку дал вице-президент по инновациям «Норникеля» Виталий Бусько. Его выступление вернуло дискуссию с уровня красивых глобальных примеров к базовому для любой индустрии вопросу: где именно сходится экономика внедрения.

Бусько прямо дал понять, что между презентациями и реальной промышленной эксплуатацией остаётся большой разрыв. Даже если беспилотная техника уже используется в опытно-промышленном режиме, это ещё не означает, что она показывает убедимые показатели скорости, производительности и готовности техники в условиях тяжёлого производства.

Для «Норникеля» physical AI пока остаётся не историей масштабного тиражирования, а историей точечного отбора кейсов. Компания внедряет автоматическое бурение и автономные шахтные самосвалы там, где это может дать конкретный операционный эффект, например не останавливать часть работ в период буровзрывных операций, однако даже при таком подходе экономика проекта часто остаётся пограничной.

Особенно важным был его тезис о «последней миле» автономности. Если в шахте можно обеспечить связь, то во многих случаях дешевле и практичнее оставить человека в контуре управления и посадить его за дистанционный пульт, чем полностью заменять оператора автономной системой, окупаемость которой пока не доказана.

Поэтому для тяжёлой промышленности вопрос сегодня стоит не в том, возможна ли автономия технически, а в том, можно ли сделать её экономически оправданной. Бусько прямо сказал, что во многих случаях бизнес-кейс пока не сходится не только в России, но и в мире, а значит ожидания от быстрого широкомасштабного внедрения в тяжпроме стоит держать под контролем.

Эту мысль частично поддержал и Белевцев, но с важной оговоркой. Он отметил, что в ритейле, коммерции и на конвейерах экономика может быть значительно проще, потому что там ниже цена ошибки, меньше ограничений среды и существует временной запас, позволяющий роботу работать медленнее человека, но всё же укладываться в производственное окно.

Один из главных выводов панели состоял в том, что physical AI нельзя описывать как единое направление с одинаковой скоростью зрелости во всех отраслях. Скорость внедрения в каждой отрасли, как следовало из выступлений участников, будет зависеть от сочетания данных, инфраструктуры, стоимости ошибки, глубины legacy-интеграции и горизонта окупаемости.

Космос, кооперация и следующий этап

Самую широкую трактовку темы предложил генеральный директор «ИКС Холдинга» Алексей Шелобков. Он специально вывел разговор за пределы узкой робототехники и напомнил, что physical AI — это вообще любая система, где искусственный интеллект влияет на реальный мир, а значит область применения намного шире гуманоидов или автономных машин.

В качестве примера отрасли, где технология уже приближается не к «глубокому венчуру», а к продуктовой логике, Шелобков привёл современный низкоорбитальный космос. По его словам, серийное производство аппаратов, высокие требования к моделированию, огромные объёмы телеметрии и невозможность ручного управления сложными группировками делают космос одной из наиболее подготовленных сред для широкого использования physical AI.

Ключевой его тезис звучал так: если для робототехники не хватает «книг», на которых можно было бы учить модели, то для космоса такими «книгами» уже становится телеметрия. Именно поток телеметрических данных, который человек не способен полноценно обработать вручную, превращается в естественную базу для ИИ-систем, участвующих и в разработке, и в эксплуатации, и в управлении орбитальными группировками.

Из этого Шелобков сделал важное расширение всей дискуссии: physical AI — это в значительной степени проблема внедрения, а не только обучения моделей. Там, где есть данные, ниже давление legacy-среды и выстроена нужная инфраструктура, технология быстрее переходит от исследовательской фазы к прикладному использованию.

Эта логика хорошо совпала с последним крупным мотивом панели — разговором о кооперации. И Бусько, и Шелобков, и Худавердян, каждый со своей стороны, говорили о том, что рынку нужны не только крупные интеграторы, но и подрядчики, небольшие команды, конкуренция, пилотные площадки и среда, в которой новые решения можно быстро тестировать и доводить до прикладного результата.

При этом разговор о регуляторике тоже оказался нетривиальным. Бусько заметил, что для тяжёлой индустрии главным тормозом сейчас остаётся не сама регуляторная среда, а незрелость технологии, однако требования безопасности и правила допуска беспилотных систем в смешанную среду всё равно важны для темпа внедрения.

Худавердян сформулировал этот вызов ещё жёстче: революцию в physical AI нельзя проспать, а значит стране нужно не только вкладываться в технологию, но и заранее готовить регуляторную рамку. При этом он же призвал не завышать ожидания: в ближайшие один-три года, по его оценке, многие направления всё ещё будут находиться между R&D и первыми внедрениями, особенно если говорить о тяжёлой промышленности.

Именно поэтому финальный смысл дискуссии оказался гораздо зрелее обычных разговоров о «роботах будущего». Physical AI для российской промышленности уже важен, но его будущее будет решаться не по числу эффектных демонстраций, а по способности отраслей находить свои рабочие ниши, собирать данные, строить кооперацию и доказывать экономику раньше, чем мировой рынок окончательно перейдёт от пилотов к масштабированию.