03.04.2024
1 хв
1268
Штучний інтелект більше не живе лише у вигляді коду на серверах – він отримує фізичне тіло. До 2035 року на нас чекають автономні гуманоїди та розумні рої дронів, здатні навчатися прямо на ходу. Звучить круто, але є величезне “але”: чим складніша і самостійніша машина, тим більше в ній неочевидних вразливостей. У цій статті розбираємо, як ШІ назавжди трансформує робототехніку, які дірки в безпеці це створює та чому хакнути “розумне залізо” майбутнього може виявитися простіше, ніж ми думаємо.
Те, як штучний інтелект впливає на робототехніку сьогодні, можна назвати лише одним словом – трансформація. У статті ми спробували зазирнути в майбутнє і прикинути: як саме ШІ змінить розумні машини до 2035 року? Ми перелопатили купу літератури, поспілкувалися з науковцями і тепер маємо більш-менш чітку картину. Спойлер: нас чекає бум так званих фундаментальних моделей для роботів, навала гуманоїдів та цілі рої дрібних автономних апаратів.
Але не все так просто. Між крутою інновацією в лабораторії та її реальним використанням лежить величезна прірва. Щоб політики могли якось цю прірву закрити, нам критично необхідні відкриті та різноманітні бази даних, спеціальні майданчики для тестувань (регуляторні «пісочниці»), а також нові регіональні робо-хаби. Ну і, звісно, доведеться вкласти чимало грошей та зусиль у те, щоб звичайні люди банально почали довіряти машинам з ШІ.
Давайте спершу визначимося з поняттями. Сфера робототехніки та автономних систем – це все, що стосується створення і використання автоматизованих машин. Це можуть бути роботизовані руки на заводах, безпілотні авто чи дрони. Зазвичай такий пристрій пізнає світ через сенсори: термометри, камери, радари, які фіксують тепло, перешкоди чи вібрацію. Класичний робот складається з п’яти базових речей:
«Тіло» – тобто фізичний каркас.
Механізми (актуатори) – те, що змушує його рухатися.
Батареї або інші системи живлення.
«Мізки» – обчислювальні системи, які обробляють дані.
Органи чуття – сенсори для орієнтації у просторі.
Раніше роботи були доволі незграбними. Їхня гнучкість впиралася у жорсткі правила, прописані програмістом: крок вліво, крок вправо – і машина зависає. Але як тільки в цю гру вступив штучний інтелект, все змінилося. Роботи раптом навчилися самі прокладати маршрути, акуратно брати крихкі предмети і приймати рішення на льоту. ШІ витискає максимум із сенсорів, ідеально обробляючи зібрані дані. Ось лише кілька прикладів того, як це працює на практиці:
Злиття даних (sensor fusion): робот одночасно зчитує інформацію з купи різних датчиків і миттєво складає в голові повну картину того, що відбувається навколо.
Генеративний ШІ: завдяки йому машини нарешті почали нормально реагувати на людську мову, підлаштовуючись під наші соціальні норми. Спілкуватися з ними стало набагато комфортніше.
Комп’ютерний зір та обробка мови (NLP): тепер робот не просто бачить об’єкт чи чує слова, він може розпізнати емоцію або зрозуміти загальний настрій людини.
Гіганти індустрії, такі як OpenAI та Google DeepMind, зараз вкладають шалені ресурси у те, щоб схрестити свої найкрутіші алгоритми з металом і пластиком. В Nvidia взагалі впевнені, що ми стоїмо на порозі революції. А хлопці з Intel прогнозують, що нове нейроморфне «залізо» (чипи, які імітують роботу мозку) зробить роботів не тільки розумнішими, але й значно менш ненажерливими в плані енергії.
Ці прориви дають нам неймовірні можливості, особливо коли йдеться про безпеку. Але давайте будемо відвертими: вони також створюють купу нових ризиків. І політикам доведеться з цим щось робити. Саме про це ми й поговоримо далі, спираючись на літературу та думки експертів.
Якщо дивитися на темпи розвитку алгоритмів, то десь до 2035 року роботи навчаться мислити асоціативно. Грубо кажучи, у них з’явиться аналог нашої людської пам’яті: вони зможуть пов’язувати свій минулий досвід з новими ситуаціями. Машина автономно вчитиметься на власних помилках, збираючи відгуки від навколишнього середовища і прокручуючи в голові симуляції.
Деякі дослідники з Meta та Nvidia взагалі вірять у такий собі симбіоз. Ми звикли думати, що ШІ покращує роботів. Але насправді роботи теж покращують ШІ! Так званий «фізичний штучний інтелект» (коли модель може відчувати реальний світ на дотик) багато хто розглядає як реальний крок до створення AGI – сильного ШІ, здатного мислити на рівні людини. Як мінімум, цей фізичний досвід дозволить базовим моделям краще розуміти, як працює наш світ. До речі, агентство ARIA вже фінансує розробку спеціальної тактильної «шкіри» для роботів, щоб ті могли буквально відчувати предмети.
Ось кілька ключових напрямків, за якими варто уважно стежити в найближче десятиліття.
Ви напевно чули про базові моделі – ті самі нейромережі, на яких працюють чат-боти чи генератори картинок. Їх тренують на гігантських обсягах даних. А є ще мультимодальні моделі: вони вміють перетравлювати інформацію з купи різних датчиків одночасно, щоб приймати рішення.
Раніше роботів вчили дуже нудно: збирали вузький набір даних під одну конкретну задачу. Тепер з’явилися роботизовані базові моделі. Їм «згодовують» мало не весь інтернет – відео з тим, як роботи роблять помилки, тексти, зображення простору. Натренована на цьому модель може подивитися на незнайому ситуацію і зрозуміти, що треба зробити для кращого результату. Звучить як фантастика, але ми йдемо до можливостей zero-shot: це коли робот успішно виконує завдання, якому його ніхто ніколи не вчив. З’являються машини, які “розуміють контекст” і діють автономно.
Яскравий приклад – Robotic Transformer 2 від Google DeepMind. Він спокійно керує роботизованою рукою в абсолютно нових умовах (навіть якщо ніколи не бачив нічого подібного в навчальних відео). Або ж свіжий анонс 2025 року від Nvidia – модель Isaac GR00T N1 для гуманоїдів. У ній закладено цікавий принцип: швидке мислення (рефлекси через комп’ютерний зір) та повільне (глибокий аналіз на основі минулого досвіду). Правда, є нюанс: збирати дані для роботів – це страшенно дорого і довго. Тому дехто в індустрії все ще сумнівається, що ці моделі зроблять справжню революцію.
Тестувати робота в реальному світі – задоволення не з дешевих. Тому розробники створюють віртуальні симуляції. Робот потрапляє у фотореалістичне середовище, де всі фізичні закони працюють як у житті. Там він може безпечно падати, помилятися і вчитися.
Ще цікавіша річ – «моделі світу». Це коли штучна нейромережа створює всередині себе власне уявлення про навколишнє середовище (щось схоже на те, як наш мозок обробляє абстракції). Такі системи постійно генерують віртуальний світ у реальному часі, підлаштовуючись під взаємодію з користувачем. Замість того, щоб малювати симуляцію з нуля, ви можете просто вшити туди закони фізики чи форму об’єктів. Компанії на кшталт Meta (зі своїм середовищем Habitat) та Nvidia (платформа Cosmos) влили величезні гроші в такі 3D-симуляції. І це працює! Роботи, натреновані у віртуальній реальності, чудово справляються із завданнями в реальному житті. Але тут є величезне «але»: такі моделі світу зжирають колосальну кількість обчислювальних ресурсів. Поки що вони здатні утримувати 3D-простір стабільним і логічним лише кілька хвилин.
Тут все просто: це двоногі машини, які виглядають і рухаються як ми. Їхня головна фішка в тому, що весь наш світ побудований під людину. Гуманоїду не треба переробляти інфраструктуру – він спокійно відкриє звичайні двері чи підніметься сходами.
Зараз ця сфера переживає справжній бум інвестицій. Китай відкрито заявив, що збирається стати світовим лідером на ринку гуманоїдів вже до 2027 року. Аналітики очікують, що до 2035 року цей ринок роздується до 38 мільярдів доларів. Експерти (наприклад, з організації SCSP) кажуть, що масовий вихід гуманоїдів на вулиці в найближчі десять років стає все більш реальним.
Чому такий поспіх? По-перше, світ старіє, людей не вистачає, і нам критично потрібні робочі руки. По-друге, завдяки мультимодальним моделям і дешевим симуляціям, таких роботів стало набагато простіше тестувати. Їх можна навчати, використовуючи бази даних рухів живих людей. Той самий GR00T N1 від Nvidia вчиться і на синтетичних даних, і просто копіюючи рухи реальних людей. Втім, питання успіху все ще відкрите. Виробники мріють ставити гуманоїдів на заводи і в лікарні, але бізнес може сказати: «Навіщо нам цей складний двоногий термінатор, якщо з цим завданням дешевше впорається робот на колесах чи робо-пес?».
Це дуже крутий і відносно новий напрямок. Ідея в тому, щоб зробити багато дрібних роботів, які діятимуть як єдина зграя (як мурахи чи бджоли). У них немає якогось одного головного комп’ютера. Вони спілкуються між собою, підлаштовуються під ситуацію і разом стають набагато розумнішими, ніж кожен окремо. Якщо кілька роботів зламаються – рій цього навіть не помітить.
Зазвичай це маленькі або навіть нано-роботи, набиті сенсорами. Один щось побачив – миттєво передав іншим, і зграя приймає рішення. Найпросунутіші з них навіть мають на борту крихітні графічні процесори (GPU), щоб швидко обробляти важкі дані прямо на ходу. ШІ тут відіграє ключову роль: він прописує правила поведінки рою. А машинне навчання дозволяє їм адаптуватися просто під час виконання завдання. Вчені навіть аналізують відео реальних зграй комах, щоб зрозуміти їхні алгоритми і перенести їх у машини.
Де це можна використати? Та де завгодно. Рої можуть запилювати поля замість бджіл, друкувати 3D-будівлі, ліквідовувати розливи хімікатів або доставляти ліки прямо в уражену клітину організму. Проблема лише в тому, що перенести це з лабораторії в реальний, хаотичний світ – поки що надто дорого і складно.
Давайте начистоту: найбільший біль сучасних розробників роботів – це дані. Великі мовні моделі (LLM) навчилися круто писати тексти, бо прочитали весь інтернет. А от де взяти стільки ж відео про те, як правильно ходити чи брати склянку? Таких наборів даних просто не існує. До того ж, кожен робот рухається по-своєму, і навколишнє середовище завжди різне. Створити універсальну модель, яка враховувала б цей хаос, неймовірно важко.
Є підозра, що для повноцінної роботи розумним машинам знадобляться такі дані, яких ми ще навіть не вміємо збирати. Наприклад, пропріоцепція (відчуття положення власного тіла у просторі) або складні тактильні відчуття. Як перетворити дотик на токени (умовні одиниці даних, як пікселі чи букви) для ШІ? Це та ще задачка. Через це універсальні моделі намагаються не прив’язувати до якоїсь однієї форми робота.
Друга глобальна проблема – це залізо та монополії. Деталі для роботів – це не стандартні гвинтики з будівельного магазину, їх часто роблять на замовлення під конкретну модель. Тому масштабувати виробництво вкрай важко. А ще на цьому ринку правлять монополісти. Уявіть собі: японська компанія Harmonic Drive Systems контролює 80% усього світового ринку високоточних шестерень для суглобів роботів. А ще є тотальна залежність від Китаю у питанні рідкісноземельних металів, які критично потрібні для потужних акумуляторів (і як би США не намагалися це змінити, ситуація поки стабільна).
І третє, найважливіше – безпека. Оскільки роботи все частіше будуть тертися поруч із людьми, вони мають бути безпечними на 100%. Це потрібно не тільки щоб уникнути травм, але й для того, щоб люди взагалі їм довіряли. Якщо LLM видасть вам галюцинацію у тексті – ви просто посмієтеся. Але якщо масивний залізний робот помилиться у розрахунках – наслідки можуть бути фатальними. Особливо це стосується “крайніх випадків” (наприклад, як автономному авто реагувати на дитину в карнавальному костюмі посеред дороги?). Ми, люди, набагато гірше пробачаємо помилки машинам, ніж живим водіям. Тому сенсори мають працювати безвідмовно, а алгоритми – блискавично адаптуватися до хаосу реального світу, який сильно відрізняється від стерильної лабораторії.
Головна суперсила роботів з ШІ – вони можуть годинами робити нудну, важку або небезпечну роботу, постійно покращуючи власні навички. Вони можуть спілкуватися з клієнтами в сервісних центрах, асистувати хірургам під час надскладних операцій або автономно збирати врожай і обприскувати поля. Але найбільше вони розкриваються там, де людям бути небезпечно.
Ось три реальні кейси:
На заводах. Виробництво – це беззаперечний лідер. По складах їздять автономні візки, маніпулятори збирають деталі, а колаборативні роботи (коботи) абсолютно безпечно працюють пліч-о-пліч із живими людьми. Це вирішує проблему браку кадрів і наближає нас до концепції “заводів майбутнього”. Хто тут рулить? Китай. Далі йдуть Японія, США, Південна Корея та Німеччина (за даними на 2023 рік, ця п’ятірка тримає 79% світового ринку інсталяцій).
Автономний транспорт. Розумні машини обвішані сенсорами, які сканують дорогу. Щоб навчити їх реагувати на екстремальні ситуації (як-от раптова хуртовина), розробники використовують синтетичні, згенеровані ШІ дані. Машинне навчання допомагає будувати ідеальні маршрути без заторів, економлячи паливо. Роботаксі від Waymo вже їздять у США та Китаї, а Wayve активно тестує свої авто в Європі. Не забуваємо і про дрони (БПЛА), які сьогодні роблять все: від розвідки і рятувальних операцій до доставки піци і моніторингу будівництва.
Дослідження космосу. Там, де людині не вижити, роботи почуваються чудово. Марсохід NASA Perseverance з 2021 року катається Червоною планетою на автопілоті, самостійно оминаючи каміння. Скоро NASA відправить невеликих роботів малювати автономні карти Місяця. А для глибокого космосу потрібні компактні апарати, які вміють приймати рішення самі, адже сигнал до Землі йде надто довго. Щоб це реалізувати, NASA зараз використовує базові моделі Meta – вони дають шикарний комп’ютерний зір, але при цьому не вимагають гігантських обчислювальних потужностей на борту.
В оборонці для роботів роботи непочатий край. Військові вже використовують їх для “нудних, брудних, небезпечних або когнітивно важких” завдань. Головна мета – зберегти життя солдатів. Що вже робиться або планується:
Автономні машини для розвідки і безпечного перетину водойм.
Дрони-помічники, які прикриватимуть екіпажі винищувачів.
Роботи-хіміки для швидкого аналізу небезпечних речовин прямо на місці.
Системи телеприсутності (коли оператор з бункера керує роботом-аватаром у зоні бойових дій).
Автоматизація військової логістики – щоб швидко розвантажувати припаси навіть у хаосі порту.
ШІ значно покращить навігацію та розвідку на морі і в небі. Армія прямо каже, що хоче отримати технологічну перевагу за рахунок роботів. Це дозволить діяти швидше, масованіше і з меншим ризиком для людей. До майбутнього арсеналу можуть увійти системи доставки припасів, круті антидрон-установки та автономні конвої для логістики. Зрозуміло одне: маючи під рукою армію залізних помічників, командування набагато охочіше йтиме на ризиковані тактичні операції.
Звучить гарно, але є сувора реальність: маючи одні з найкращих наукових центрів у світі, держава зараз плентається аж на 24-му місці за рівнем реального впровадження робототехніки. Виробники сидять на голці імпорту. Корпуси ми ще робимо самі, а от двигуни, складні сенсори і мікросхеми доводиться завозити з Азії (звісно ж, з Китаю) та США. Це створює величезну діру в безпеці ланцюгів постачання. Так, уряд прийняв “Стратегію розумних машин 2035”, а на початку 2026 року анонсував Програму впровадження робототехніки на 52 мільйони фунтів стерлінгів. Але глобальної стратегії, як перетворити ідею з лабораторії на масовий продукт власного виробництва, досі немає.
Ще один головний біль – закони. Станом на 2026 рік немає чітких правил щодо відповідальності. Якщо розумний робот накоїть біди до 2035 року, хто сяде в тюрму? Виробник заліза, програміст чи власник?
Ну і пряма військова загроза. Технології ШІ і дронів стрімко розповзаються світом і потрапляють до рук терористів або приватних армій. Тому союзникам доведеться створювати сумісні бойові системи для спільних операцій. Крім того, будь-якого робота можна хакнути. Оскільки в ланцюжку постачання чорт ногу зламає, майже неможливо перевірити, звідки приїхала кожна мікросхема. А це відкриває двері для “внутрішньої загрози” – коли автопілот вантажівки раптом створює смертельну аварію, або дрон свідомо врізається у натовп. Аналітики з Recorded Future попереджають: щойно індустрія виросте, її накриє потужна хвиля цілеспрямованого кібершпигунства.
