Почему ИИ до сих пор не может покинуть экран: мнение шанхайского профессора

Большая часть того, что большие языковые модели делают хорошо, по-прежнему происходит внутри экрана. Они читают, пишут, переводят, пишут код и вызывают цифровые инструменты. Но попросите такую модель перенести ящик через цех — и задача меняет форму: теперь системе приходится иметь дело с объектами, пространством, силой и временем, и ей же отвечать за последствия своих действий.

Об этом разрыве шла речь в докладе Чжан Вэйнаня, профессора Шанхайского университета Цзяо Тун, на CNCC 2026 — крупной китайской конференции по вычислительной технике. Его тезис, о котором сообщил Leiphone, состоит в том, что следующий рубеж — это физический интеллект: ИИ, замыкающий цикл восприятия, предсказания, действия и непрерывного обучения в среде, которая не станет ждать его.

Цифровой мир снисходителен так, что люди редко это замечают. Чат-боту, давшему плохой ответ, можно задать вопрос заново; модель, провалившая тест по программированию, может попробовать ещё раз. Роборука, неверно оценившая захват, уже уронила деталь. Чжан ставит в центр неопределённость и необратимость: реальный мир полон ситуаций, которых не было в обучающих данных, и за неверное движение часто приходится платить сразу.

Из-за этого инженерия усложняется на каждом уровне. Восприятие должно выдерживать плохой свет и беспорядок. Предсказание должно работать достаточно быстро, чтобы быть полезным до того, как что-то упадёт. Действие должно быть безопасным, когда система не уверена. А обучение не может останавливаться на этапе внедрения, потому что заводы, лаборатории и городская инфраструктура вокруг машины постоянно меняются.

Этот исследовательский разговор уже заметен в китайском робототехническом сообществе. Конференция по обучению роботов CoRL открывается 9 ноября в Остине, штат Техас, и, как отмечает Leiphone, число принятых там докладов выросло примерно в четыре с половиной раза за шесть выпусков, причём китайские университеты быстро поднимаются рядом с признанными американскими группами. Обучение роботов превратилось из ниши в одно из самых оживлённых пересечений ИИ и аппаратного обеспечения.

Коммерческий стимул не слабее. Китайские компании уже поставляют человекоподобных роботов и роботов-собак по ценам, которые ещё несколько лет назад казались бы неправдоподобными, а инвесторы вкладывают деньги в мировые модели — системы, которые учатся тому, как развиваются физические сцены, — чтобы дать машинам более дешёвое место для репетиций, прежде чем они коснутся чего-то реального. Симуляция привлекательна именно потому, что провал в ней ничего не стоит.

Чжан не утверждает, что работа с экраном завершена. Он говорит, что лёгкой частью публичной истории ИИ была та, которой никогда не приходится ничего трогать. Перенести интеллект на заводы, в лаборатории и городские системы — значит принять иной контракт: машина должна действовать в условиях неопределённости, а мир не предложит кнопку перезагрузки. Для отрасли, потратившей десять лет на оптимизацию текста, это по-настоящему новый тип задачи.