Июнь 2026 года ознаменовался беспрецедентным всплеском выпуска моделей воплощенного искусственного интеллекта: было анонсировано 13 новых фундаментальных моделей и мировых моделей за один месяц, что примерно соответствует одной модели каждые 48 часов.
Этот поток указывает на кардинальное изменение в индустрии воплощенного ИИ: фокус смещается от состязаний по аппаратным возможностям к соревнованиям в области программного интеллекта. Компании теперь уделяют больше внимания уникальным техническим решениям, а не просто постепенным улучшениям оборудования.
На конференции Zhiyuan в 2026 году компания BAAI представила два усовершенствования мировых моделей. Модель Wujie Physis-v0.1 специализируется на прогнозировании следующего физического состояния путем сжатия видео, данных RGB-D, трехмерных облаков точек и тактильной обратной связи в единое латентное пространство. В то время как Wujie RoboBrain Orca функционирует как мозг робота, обладая унифицированным представлением, причинно-следственным рассуждением и мультимодальной декодировкой, используя слияние языковых и визуальных представлений в латентном пространстве.
Alibaba выпустила набор Qwen-Robot 16 июня, придерживаясь принципиально иного подхода, нежели грубое масштабирование, которое предпочитают многие конкуренты. Alibaba утверждает, что гетерогенность физического мира не может быть решена только увеличением масштаба, а требует стратегий согласования на уровне самой модели. Qwen-RobotNav адаптирует распределение визуального внимания для мобильного управления, Qwen-RobotManip стандартизирует пространство состояний-действий для манипуляций, а Qwen-RobotWorld использует интерфейсы действий на естественном языке для прогнозирования динамики мира.
CasiaHand представила Brain-Si 0.5, которая является первой в мире моделью человекоподобной ловкой манипуляции с трехуровневой архитектурой. Эта структура включает верхний уровень мозга для планирования мировых моделей VLA, средний уровень базовых моделей для шести основных манипуляционных способностей (включая предварительный захват, общий захват, функциональную операцию, отзывчивую передачу, двуручное взаимодействие и слияние человека и робота), а также нижний уровень физически интерпретируемых моделей.
GalaxyBot выпустила AstraBrain-WBC 0.5 — фундаментную модель мозжечка для управления гуманоидным телом в реальном времени. Она построена на архитектуре причинного Трансформера в стиле GPT и была обучена на приблизительно 2 миллиардах кадров данных о действиях человека, достигнув 80 миллионов параметров. RoboScience раскрыла свою архитектуру Visics с фреймворком VLOA, который разделяет мировую модель и операционную модель посредством представления траектории объекта. Издание Current Robotics опубликовало Curl-0 для ловкой манипуляции всего тела в качестве задачи совместного обучения. BoundlessPower представила мировую модель MWA для длинных последовательностей двунаправленной физической причинности.
Общим моментом во всех этих подходах является смещение акцента с демонстрации того, что могут делать роботы, на объяснение причин, по которым они все еще терпят неудачу в определенных задачах. Каждая команда выявляет различные узкие места — будь то тактильная обратная связь, координация всего тела, передача из симуляции в реальность или долгосрочное планирование — и разрабатывает специфические архитектуры для устранения этих проблем.
