Воплощенный ИИ (Embodied AI) стал самой громкой гонкой в области робототехники в 2026 году. На выставке WAIC в прошлом месяце демонстрации человекоподобных роботов, которые танцуют и дерутся, уступили место показам роботов, работающих на реальных производственных линиях, выполняя задачи по сборке, сортировке и подбору деталей на полномасштабных копиях фабрик.
Инвесторы активно следили за этим направлением: в первой половине 2026 года более 300 сделок в сфере воплощенного ИИ и смежных цепочек поставок в Китае превысили 90 миллиардов юаней. Кроме того, количество сотрудников, занятых в ролях, связанных с воплощенным ИИ, увеличилось в четыре раза всего за первые четыре месяца.
Однако за всей этой активностью скрывается общая проблема — данные. Модели, чья вычислительная мощность ограничена, и алгоритмы, чьи возможности ограничены, теперь сталкиваются с тем, что именно данные ограничивают потенциал развития. Роботы не могут автоматически усваивать накопленный интернет-контент, такой как текст, изображения и видео. Им необходим иной массив информации: понимание трения между материалами, сил, возникающих при работе с разными весами, а также причинно-следственная связь между захватом и объектом — вся тонкая физика, которую веб-сайты не предоставляют.
По мнению отраслевых экспертов, глобальный запас высококачественных данных для манипуляций составляет всего несколько сотен тысяч часов, тогда как для поддержки универсального робота, вероятно, потребуется десятки миллионов часов.
Телеоперация позволяет собирать данные высокой точности, но это дорогостоящий процесс. Видеосъемка от первого лица масштабируется дешево, однако ей не хватает детализации по суставам, силам и траекториям. Чистая симуляция же терпит неудачу при переносе из виртуальной среды в реальный мир. Основатель и генеральный директор WUWENAI, Лю Шэнсян, который ранее руководил проектами по данным и тестированию автономного вождения в Baidu, рассматривает эти методы не как альтернативы, а как единый конвейер.
Система включает многомодальные комплексы сбора данных в реальных условиях для постоянного получения данных о физическом взаимодействии. Параллельно генеративная мировая модель расширяет сценарии и крайние случаи в симуляции, а оба элемента непрерывно используются для обучения и дальнейшего производства данных. WUWENAI называет это «замкнутой системой слияния виртуального и реального данных», которая построена на трех составляющих: Фабрике Данных, Мировой Модели и Мировом Симуляторе, который обеспечивает обучение, оценку и обратную связь в больших масштабах.
Лю считает, что компания выходит за рамки просто платформы для снабжения данными. Как только высокоточный мировой симулятор сможет надежно воспроизводить реальную физику, робот сможет выполнить маневр уровня AlphaGo, провести миллионы недорогих циклов проб и ошибок в симуляции и перейти от имитационного обучения к обучению с подкреплением. WUWENAI начала поставлять этот стек Real2Sim2Real за несколько месяцев до недавнего приобретения SceniX компанией World Labs.
Лю подчеркивает параллель как сигнал для отрасли: мировые модели становятся инфраструктурой только тогда, когда они интегрированы с реальными данными, робототехнической симуляцией, масштабированным обучением и обратной связью из реального мира. Одних только видео и генерация 3D недостаточно.
Ставка компании носит структурный, а не продуктовый характер. Модели воплощенного ИИ ограничены не столько количеством параметров, сколько объемом потребляемых ими данных, и индустрия данных трансформируется от простого сбора сырых данных к созданию оркестрированной инфраструктуры. Следующее испытание для китайского стартапа WUWENAI заключается в том, сможет ли он стать компанией мирового класса в области физического ИИ-инфраструктуры на фоне таких гигантов, как World Labs, Tesla с Optimus и Google DeepMind, которые развивают свои собственные стеки параллельно. Дорога прокладывается в любом случае, и WUWENAI решила взять на себя задачу укладчика асфальта.
