RoboSense и GenRobot.AI объявили о стратегическом партнерстве на конференции WAIC 2026 для решения одной из центральных проблем embodied AI: приобретения достаточно богатых и точных данных реального мира для обучения. Сотрудничество объединит 3D-технологию восприятия RoboSense с инфраструктурой данных GenRobot.AI для создания многовидовых эгоцентрических данных и мультимодальных 3D-датасетов. Data Foundation Model от GenRobot.AI поддерживает точность отслеживания рук менее одного сантиметра и уже развернут более чем в 30 реальных сценариях.
Проблема данных в embodied AI: почему данные реального мира дефицитны
Embodied AI считается следующим рубежом искусственного интеллекта, а его основная цель — научить системы AI воспринимать и взаимодействовать с физическим миром как люди. Однако эта область сталкивается с фундаментальной проблемой: дефицитом данных реального мира для обучения.
В отличие от больших языковых моделей, обученных на интернет-текстах, embodied AI требует данных, которые должны включать:
- Трехмерные представления физических сред: морфология объектов, пространственные отношения, свойства материалов
- Многовидовые эгоцентрические данные: захват движений головы, рук и всего тела с точки зрения оператора
- Синхронизированную мультимодальную информацию: временное выравнивание визуальных, тактильных и кинематических сигналов
- Точные 3D-аннотации: реконструкция позы рук и разметка действий с миллиметровой точностью
Существующие интернет-датасеты не могут удовлетворить эти требования, а стоимость ручного сбора данных реального мира чрезвычайно высока, а эффективность очень низкая. Этот дефицит данных стал ключевым препятствием для перехода embodied AI из лаборатории в промышленные приложения.
Решение RoboSense и GenRobot.AI
На Всемирной конференции по искусственному интеллекту 2026 года RoboSense и GenRobot.AI объявили о стратегическом партнерстве, напрямую нацеленном на вышеупомянутый дефицит данных. Архитектура сотрудничества структурирована следующим образом:
Техническое разделение:
- RoboSense: Предоставляет 3D-технологию лидара для захвата высокоточной трехмерной информации физических сред
- GenRobot.AI: Предоставляет инфраструктуру данных для embodied intelligence, включая захват данных, реконструкцию позы рук, 3D-разметку и стандартизированную доставку мультимодальных датасетов
Начальные направления работы:
- Сбор многовидовых эгоцентрических данных
- Создание датасетов, объединяющих несколько модальностей с трехмерными представлениями сред
- Создание инфраструктуры данных, поддерживающей разработку физических систем AI
Цель этого сотрудничества — предоставить высококачественные обучающие данные для физических систем AI, позволяя им учиться воспринимать и взаимодействовать с реальным миром.
Технологический стек GenRobot.AI: замкнутый цикл от захвата до разметки
Основное конкурентное преимущество GenRobot.AI заключается в его сквозном замкнутом цикле производства данных, охватывающем весь процесс от захвата до доставки:
- Data Foundation Model (DFM): Собственная модель данных компании, служащая основным компонентом замкнутого цикла, поддерживает точность отслеживания рук менее одного сантиметра и реконструирует позы рук с миллиметровой точностью
- Gen DAS оборудование: Синхронно захватывает многовидовые эгоцентрические данные, охватывая движения головы, рук и всего тела
- Gen ADP автоматизированная система: Развернута более чем в 30 реальных сценариях, достигая автоматизированного производственного конвейера данных
Это сочетание технологий позволяет GenRobot.AI предоставлять стандартизированные, высокоточные обучающие датасеты для моделей embodied AI, заполняя отраслевой пробел в данных реальных действий.
Техническое сравнение: синтетические данные vs данные реального мира
| Параметр | Подход синтетических данных | Подход данных реального мира (RoboSense+GenRobot.AI) |
|---|---|---|
| Источник данных | Компьютерно-сгенерированные симуляции | Захват реальных физических сред |
| Точность разметки | Теоретически 100% точная | Отслеживание рук <1 см, реконструкция позы миллиметровая |
| Покрытие сценариев | Ограничено возможностями моделирования | Развернуто в 30+ реальных сценариях |
| Проблема доменного разрыва | Значительный разрыв от симуляции к реальности | Естественно адаптировано к реальному миру, без разрыва |
| Стоимость данных | Высокие начальные затраты на разработку симуляций | Автоматизированный захват снижает предельные затраты |
| Физическая реалистичность | Недостает реальных материалов, освещения | Захватывает реальные физические свойства |
| Типичные применения | Предварительная проверка алгоритмов | Обучение промышленных систем физического AI |
Из таблицы видно, что хотя синтетические данные имеют ценность на ранних этапах разработки алгоритмов, при обучении промышленных систем физического AI данные реального мира имеют незаменимые преимущества в адаптации к реальности, физической реалистичности и покрытии сценариев. Партнерство RoboSense и GenRobot.AI как раз нацелено на этот технический пробел.
Отраслевое влияние: ускорение индустриализации embodied intelligence
Стратегическое партнерство RoboSense и GenRobot.AI оказывает глубокое влияние на индустрию embodied intelligence:
- Снижение барьеров данных: Через стандартизированную инфраструктуру данных снижает затраты на получение данных для разработчиков embodied AI
- Ускорение итерации моделей: Высококачественные, крупномасштабные датасеты реального мира значительно сократят цикл обучения больших моделей embodied AI
- Содействие экосистемной коллаборации: Синергия между 3D-перцепцией и инфраструктурой данных устанавливает ориентир для сотрудничества в цепочке поставок
- Расширение сценариев применения: От текущего фокуса на промышленном производстве к более широким сценариям, включая сервисных и домашних роботов
Для технологических предприятий на развивающихся рынках, таких как Центральная Азия и Россия, прогресс Китая в инфраструктуре данных для embodied AI предоставляет ориентир для местных исследований и разработок. По мере масштабирования и стандартизации датасетов реального мира, embodied intelligence, как ожидается, перейдет от "демонстрационного уровня" к "производственному уровню" в ближайшие 2-3 года, по-настоящему преобразуя ландшафт автоматизации производства и услуг. Больше обновлений индустрии embodied intelligence — на EX1000.COM.
