В течение многих лет роботы применялись исключительно на узкоспециализированных участках, выполняя повторяющиеся задачи в стандартизированных условиях заводов. Сегодня искусственный интеллект коренным образом меняет отрасль — современные роботы способны распознавать и выполнять пользовательские команды, а также приспосабливаться к динамично меняющемуся окружению.

Мировая индустрия вступает в фазу стремительного роста: по прогнозу Citi, к 2035 году во всем мире будет развернуто 1,3 млрд роботов, и они выйдут далеко за пределы промышленных предприятий, появившись в домах и сервисных секторах. Morgan Stanley ожидает, что рынок гуманоидных роботов превысит 5 трлн долларов к 2050 году.

Масштабный рост открывает значительные рыночные возможности, однако сопровождается существенными вызовами: централизацией, проблемами доверия, конфиденциальности и масштабируемости. Технологии Web3 дают принципиально новые инструменты — они позволяют создавать децентрализованные, верифицируемые, сохранеющие приватность и кооперативные сети роботов, непосредственно решающие эти вопросы.

В этом выпуске мы разберем структуру современной цепочки создания ценности в AI-робототехнике, уделяя особое внимание гуманоидным роботам, и проанализируем перспективные возможности, возникающие на стыке AI-робототехники и Web3.

Цепочка создания ценности AI-робототехники

Цепочка включает четыре основные составляющие: аппаратное обеспечение, интеллект, данные и агент. Каждый слой дополняет другой, позволяя роботам распознавать, рассуждать и действовать в сложных, реальных условиях.

В последние годы достигнут заметный прогресс в аппаратном слое, чему способствовали лидеры отрасли — Unitree и Figure AI. Однако ключевые проблемы сохраняются вне аппаратной части: нехватка высококачественных датасетов, отсутствие универсальных фундаментальных моделей, слабая совместимость между платформами и потребность в надежных edge-решениях. Поэтому самые перспективные возможности открываются в слоях интеллекта, данных и агентных решений.

Аппаратный слой: «Тело»

Сегодня проектировать и внедрять современные «тела роботов» стало проще, чем когда-либо. На рынке уже более 100 типов гуманоидных роботов: среди них — Optimus от Tesla, G1 от Unitree, Digit от Agility Robotics и Figure 02 от Figure AI.

Источник: Morgan Stanley, The Humanoid 100: Mapping the Humanoid Robot Value Chain.

Прогресс в отрасли обеспечен развитием трех ключевых компонентов:

• Приводы: Функциональные «мышцы» робота — приводы преобразуют цифровые команды в точные движения. Новые технологии, такие как высокопроизводительные электромоторы для быстрых и точных перемещений, а также диэлектрические эластомерные приводы (DEA) для деликатных операций, значительно повысили уровень ловкости. Пример — Optimus Gen 2 от Tesla c 22 степенями свободы (DoF) и G1 от Unitree, оба показывают почти человеческую ловкость и впечатляющую мобильность.

Источник: Презентация новых гуманоидных роботов Unitree на боксерском шоу WAIC 2025

• Сенсоры: Модернизированные сенсоры дают роботам возможность воспринимать и интерпретировать окружающий мир с помощью зрения, LIDAR/RADAR, тактильных и аудио каналов. Технологии обеспечивают безопасную навигацию, точное манипулирование и понимание ситуации.

• Встроенные вычисления: Аппаратные CPU, GPU и AI-ускорители (TPU, NPU) способны обрабатывать сенсорные данные в реальном времени и запускать AI-модели для автономных решений. Надежная низкая задержка связи гарантирует синхронизацию, а гибридные edge–cloud архитектуры позволяют отдавать тяжелую обработку в облако и получать необходимый результат.

  Слой интеллекта: «Мозг»

  По мере совершенствования аппаратной части акцент смещается к построению «мозга робота» — фундаментальных моделей и продвинутых политик управления.

  Прежде чем были внедрены AI-модели, роботы работали по жестко заданным алгоритмам и не обладали адаптивным интеллектом.

В современной робототехнике используются фундаментальные модели. Но универсальные языковые модели (LLM) не решают всех задач: роботы должны уметь адаптироваться, интерпретировать и действовать в меняющейся физической среде. Для этого отрасль разрабатывает сквозные, политико-ориентированные фундаментальные робототехнические модели, позволяющие роботам:

• Воспринимать: Получать и обрабатывать разнородные, необработанные мультимодальные сенсорные данные (зрение, звук, осязание)
• Планировать: Оценивать собственное состояние, строить карту среды, интерпретировать сложные инструкции, связывая восприятие напрямую с действием без ручного кодирования

• Действовать: Генерировать планы движения и выдавать команды управления для выполнения в реальном времени

  Такие модели осваивают общие политики взаимодействия с миром, давая роботам возможность выполнять широкий спектр задач, действуя интеллектуально и автономно. Более продвинутые модели используют постоянную обратную связь: за счет обучения на опыте роботы повышают собственную адаптивность в сложных условиях.

  

  Ведущей архитектурой для фундаментальных моделей является Vision-Language-Action Model (VLA). Эти модели связывают сенсорные сигналы — прежде всего визуальные данные и инструкции на естественном языке — напрямую с действиями робота, позволяя ему реагировать на полученную информацию соответствующими управляющими командами. Примеры: Google RT-2, NVIDIA Isaac GR00T N1, π0 от Physical Intelligence (π).

  Для повышения возможностей этих моделей часто интегрируются дополнительные подходы:

• Модели мира: Строят внутренние симуляции физического окружения, чтобы обучить робота сложным действиям, прогнозировать результаты и планировать поведение. Пример — Genie 3 от Google, универсальная модель мира, создающая широкий спектр интерактивных сред.

• Глубокое обучение с подкреплением: Позволяет роботам осваивать поведение методом проб и ошибок.
• Телеоперация: Организует дистанционное управление и формирует обучающие данные.

• Обучение по демонстрации (LfD), имитационное обучение: Передает роботам новые навыки через имитацию человеческих действий.

  Ниже показано, как эти подходы развивают фундаментальные робототехнические модели.

Источник: World models: the physical intelligence core driving us toward AGI

Последние успехи в open-source сегменте — например, π0 от Physical Intelligence (π), NVIDIA Isaac GR00T N1 — стали прорывом. Тем не менее, большинство фундаментальных робо-моделей централизованы и закрыты: такие компании, как Covariant, Tesla и другие предпочитают держать код и датасеты в секрете, поскольку открытость в текущих условиях мало мотивируется.

Отсутствие прозрачности мешает сотрудничеству и интеграции платформ — необходимы безопасные и прозрачные механизмы обмена моделями, стандарты на базе сообщества, слой кросс-совместимости. Это откроет путь для доверия, сотрудничества и динамичного развития.

Слой данных: «Знание» для мозга

Качественные датасеты для робототехники должны соответствовать трем требованиям: достаточному объему, высокому качеству и богатому разнообразию.

Несмотря на значительные усилия, индустрия испытывает нехватку масштабных датасетов. Для сравнения: GPT-3 от OpenAI обучалась на 300 млрд токенов, а крупнейший открытый робототехнический датасет Open X-Embodiment содержит чуть более 1 млн реальных траекторий для 22 типов роботов — это на порядки меньше необходимого для обобщения.

Закрытые методики — например, фабрика данных Tesla, где сотрудники снабжены костюмами захвата движения для накопления обучающих данных — помогают собирать реальные данные, но они дорогие, мало диверсифицированные и трудны для масштабирования.

Для решения этих задач отрасль использует три основных источника данных:

• Данные из интернета: Легко масштабируются, однако в основном относятся к наблюдению, не содержат сенсомоторных сигналов. Предобучение крупных vision-language моделей (GPT-4V, Gemini) на интернет-данных формирует полезные семантические и визуальные паттерны. Видео с кинематическими метками превращается в практический обучающий материал.
• Синтетические данные: Генерируются в симуляторах, быстро и массово, охватывают различные сценарии, но уступают по сложности реальным ситуациям (разрыв sim-to-real). Преодолению способствует доменная адаптация (аугментация, рандомизация, adversarial learning), а также sim-to-real трансфер — поэтапное дообучение на реальных данных.

• Реальные данные: Редкие и дорогостоящие, но критичны для настройки моделей на реальные условия. Обычно включают эгоцентричные записи (вид от первого лица) и данные движений, фиксирующие реальные действия робота. Чаще всего собираются через человеческие демонстрации или телеоперацию с VR, системами захвата движения или тактильным обучением, что гарантирует обучение на точных примерах.

  Исследования показывают, что объединение данных из интернета, реального мира и симуляторов существенно повышает эффективность обучения и надежность моделей, по сравнению с использованием только одного источника.

  Причем увеличение объема данных важно, но разнообразие — еще важнее, особенно для переноса на новые задачи и роботов. Этого можно достичь с помощью открытых платформ и совместного обмена, включая создание мульти-платформенных датасетов для широкого спектра роботов и более сильных фундаментальных моделей.

Слой агента: «Физический AI-агент»

Переход к физическим AI-агентам — автономным роботам в реальном мире — ускоряется. Прорыв определяется тонкой настройкой моделей, непрерывным обучением и приспособлением к уникальному строению каждого робота.

Перспективы ускоренного развития физических AI-агентов открывают несколько направлений:

• Непрерывное обучение и адаптивная инфраструктура: Системы, в которых роботы совершенствуются через обратную связь и совместный опыт в процессе эксплуатации
• Экономика автономных агентов: Роботы выступают как экономические субъекты — обмениваются вычислениями и сенсорными данными на специализированных маркетплейсах и зарабатывают с помощью токенизированных сервисов
• Мультиагентные системы: Новые платформы и алгоритмы, позволяющие группам роботов координировать действия, сотрудничать и оптимизировать совместную работу

AI-робототехника и Web3: взлом масштабного рынка

Переход AI-робототехники в реальные условия сталкивается с рядом глубинных ограничений: централизованные склады данных и моделей, проблемы доверия, происхождения, конфиденциальности, комплаенса и слабой совместимости — все это тормозит развитие и мешает построению масштабируемой и жизнеспособной экосистемы.

Ключевые сложности AI-робототехники

• Централизация данных и моделей

  Робототехническим моделям нужны большие и разнообразные датасеты. Сейчас данные и модели сконцентрированы, фрагментированы и дороги, из-за чего системы становятся закрытыми и малоприспособленными. В реальных условиях роботы зачастую не справляются с задачами из-за нехватки разнообразия данных и слабой устойчивости моделей.

• Доверие, происхождение и надежность

  Недостаток прозрачных и поддающихся аудиту записей об источниках данных, обучении моделей и эксплуатации роботов препятствует принятию и ответственности — это серьезный барьер для пользователей, регуляторов и компаний.

• Конфиденциальность, безопасность и соответствие требованиям

  Чувствительные сферы — здравоохранение, домашняя робототехника — требуют строгой защиты личной информации и соответствия нормативам, например, GDPR в Европе. Централизованные платформы не способны обеспечить безопасное и приватное сотрудничество AI, что ограничивает обмен данными и тормозит инновации в чувствительных областях.

• Масштабируемость и совместимость

  Робототехнические системы сталкиваются с трудностями обмена ресурсами, совместного обучения и интеграции между различными платформами и конструкциями. Это мешает развитию сетевых эффектов и быстрому переносу функциональности между типами роботов.

  AI Robotics и Web3: структурные решения и инвестиционные возможности

  Web3-технологии принципиально решают указанные сложности, создавая децентрализованные, проверяемые, сохраняющие приватность и кооперативные сети роботов. Это открывает новые, перспективные рынки:

• Демократизированная совместная разработка: Сети с мотивацией, в которых роботы обмениваются данными и коллективно создают модели и интеллектуальных агентов

• Проверяемое происхождение и ответственность: Blockchain обеспечит неизменяемую историю происхождения данных/моделей, идентичность робота и историю операций — основу доверия и соответствия требованиям.
• Конфиденциальное сотрудничество: Криптографические инструменты позволяют роботам совместно обучать модели и обмениваться результатами, не раскрывая приватные или защищенные данные
• Управление на базе сообщества: DAO — децентрализованные автономные организации — внедряют прозрачные, открытые on-chain правила и механизмы для мониторинга и регулирования деятельности роботов
• Кросс-платформенная совместимость: Открытые блокчейн-архитектуры обеспечивают бесшовное взаимодействие между разными робототехническими платформами, сокращая затраты и ускоряя перенос возможностей
• Экономика автономных агентов: Инфраструктура Web3 превращает роботов в самостоятельных экономических субъектов, позволяя им проводить p2p-транзакции, договариваться и участвовать в токенизированных маркетплейсах без человеческого вмешательства

• Децентрализованные физические инфраструктурные сети (DePIN): Blockchain обеспечивает p2p-обмен вычислительными, сенсорными, хранилищными и сетевыми ресурсами, повышая масштабируемость и надежность роботов

  Ниже приведены проекты, иллюстрирующие инновации и динамику развития сектора. Этот список исключительно ознакомительный и не является инвестиционной рекомендацией.

• Децентрализованное развитие данных и моделей

  Платформы на Web3 демократизируют процесс, стимулируя вклад участников — через костюмы для захвата движения, сенсорные данные, визуальные загрузки, разметку или синтетическую генерацию для симуляций и обучения. Это позволяет создавать разнообразные и представительные датасеты и модели, выходящие за пределы возможностей любой отдельной компании. Децентрализованные архитектуры также расширяют охват уникальных кейсов, что важно для роботов в нестандартных условиях.

  Например:

• Frodobots: Протокол для сбора реальных датасетов через роботизированные игры. Компания создала Earth Rovers — уличного робота и глобальную игру Drive to Earn. Благодаря этому был сформирован FrodoBots 2K Dataset: коллекция видеоматериалов, GPS, аудиоданных и данных управления человеком, собранных за ~2 000 часов телеуправляемых уличных роботов в более чем 10 городах мира.

• BitRobot: Совместный проект FrodoBots Lab и Protocol Labs — крипто-платформа на Solana с архитектурой субсетей. Каждая подсеть — отдельный челлендж, за вклад в модель или данные участники получают токены, стимулируя постоянное развитие.
• Reborn Network: Базовый слой для открытой экосистемы AGI-роботов. Решение Rebocap — костюм захвата движения, с помощью которого любой может записать и монетизировать свои движения. Это помогает формировать открытые датасеты для сложной гуманоидной робототехники.

• PrismaX: Децентрализованная инфраструктура, гарантирующая разнообразие и достоверность данных благодаря глобальному сообществу. Механизмы мотивации и валидации позволяют масштабировать визуальные датасеты для робототехники.

• Доказательство происхождения и надежности

  Blockchain гарантирует прозрачность и контроль во всей экосистеме: подтверждает происхождение данных и моделей, идентифицирует роботов и фиксирует историю действий и вклад контрибьюторов. Репутационные on-chain системы, коллективная валидация и подтверждение с помощью stake защищают сектор от недоброкачественных или мошеннических данных и моделей.

  Пример:

• OpenLedger: Блокчейн-инфраструктура для AI — обучение и внедрение специализированных моделей на данных сообщества. Применяет Proof of Attribution для справедливого распределения наград между качественными контрибьюторами.

• Токенизированное владение, лицензии и монетизация

  Web3-native IP-инструменты дают возможность токенизировать лицензии на датасеты, возможности роботов, модели и интеллектуальных агентов. Вкладчики могут прописывать условия лицензии в смарт-контрактах, получая автоматические роялти при каждом использовании данных или моделей. Это обеспечивает открытый и справедливый рынок данных для робототехники.

  Пример:

• Poseidon: Децентрализованный слой данных, построенный на Story Protocol и инкубированным командой Story, обеспечивающий легально лицензированные обучающие датасеты для AI.

• Решения для приватности

  Ценные данные из больниц, гостиниц, домов сложно получить из открытых источников, но они дают богатую информацию для фундаментальных моделей. Криптографические технологии позволяют переводить приватные данные в on-chain активы — они становятся отслеживаемыми, компонуемыми и монетизируемыми с сохранением конфиденциальности. Trusted Execution Environments (TEEs) и Zero-Knowledge Proofs (ZKPs) обеспечивают защищенные вычисления и проверку результатов без раскрытия исходных данных. Такие инструменты позволяют организациям обучать AI на распределенных чувствительных датасетах, сохраняя приватность и соответствие требованиям.

  Пример:

• Phala Network: Позволяет запускать приложения в защищенных TEE для конфиденциальной AI- и обработке данных.

• Открытое и ответственное управление

  Обучение роботов зачастую проводится в закрытых системах без прозрачности и гибкости. Прозрачное, подтверждаемое управление критично для снижения рисков и укрепления доверия пользователей, регуляторов и бизнеса. Web3-технологии позволяют создавать on-chain мониторинг и совместную разработку открытого робототехнического интеллекта.

  Пример:

• Openmind: Открытая AI-native платформа для коллективного мышления, обучения и работы роботов. Недавно предложен ERC7777 — стандарт для создания безопасной, прозрачной и масштабируемой экосистемы роботов с правилами управления идентичностью, регистрации и правами участников.

Заключение
Будущее принадлежит синергии AI-робототехники и Web3: автономные системы выйдут на новый уровень масштабного взаимодействия и адаптивности. За счет быстрого совершенствования аппаратных платформ ближайшие 3–5 лет будут определяющими для появления гибких AI-моделей на базе реальных данных и децентрализованного управления. Мы ожидаем рост востребованности специализированных AI-агентов в гостиничном бизнесе, логистике и других сферах, что создаст новые отраслевые рынки.

Несмотря на оптимизм, интеграция AI-робототехники и криптотехнологий содержит сложные вызовы. Сбалансированные и эффективные механизмы мотивации еще только развиваются — системы должны честно вознаграждать вкладчиков, предотвращая злоупотребления. Техническая сложность требует надежных и масштабируемых решений для интеграции разнообразных конструкций. Решения для приватности должны быть абсолютно надежны: только так можно заслужить доверие при обработке личных данных. Кроме того, быстро меняющееся регулирование потребует аккуратного подхода к соблюдению норм в разных странах. Решая эти задачи и обеспечивая устойчивую отдачу, мы открываем путь к массовому внедрению инноваций.

Давайте активно следить за развитием и сотрудничать — совместная работа ускорит прогресс и позволит использовать все возможности нового, быстрорастущего рынка.

Инновации в робототехнике — путь, который эффективнее проходить вместе.

Отдельно благодарю Chain of Thought Robotics & The Age of Physical AI за ценные идеи для исследования.

Отказ от ответственности:

1. Статья перепечатана с [merakiki.eth]. Все авторские права принадлежат оригинальному автору [@merakikieth">merakiki]. По вопросам републикации обращайтесь к команде Gate Learn — они оперативно рассмотрят обращение.
2. Отказ от ответственности: Мнения и оценки, высказанные в статье, отражают точку зрения автора и не являются инвестиционной рекомендацией.
3. Переводы статьи подготовлены командой Gate Learn. Если не указано обратное, копирование, распространение и плагиат переводов запрещены.