Физический ИИ: Почему реальный мир становится главным барьером для искусственного интеллекта

Главное

• Прорыв AlphaFold в предсказании белковых структур устранил один научный барьер, но не отменил физическую реальность: биология, материаловедение и производство требуют экспериментальной проверки.
• Развитие ИИ упирается в фундаментальное различие между когнитивным ИИ (генерация ответов) и физическим ИИ (действия в непредсказуемой среде), где цена ошибки и требования к данным принципиально выше.
• Ключевые ограничения — энергоэффективность ИИ, масштабируемость систем, отсутствие готовых обучающих наборов для реального мира и необходимость встраивать алгоритмы в сертифицированные аппаратные платформы и устройства.

В ноябре 2020 года Google DeepMind объявила, что её система AlphaFold достигла того, что организаторы конкурса CASP назвали решением десятилетней научной проблемы — предсказания трёхмерной структуры белков по аминокислотной последовательности. Спустя пять лет влияние этого прорыва трудно оспорить: база AlphaFold содержит более 200 миллионов предсказанных белковых структур, а миллионы исследователей по всему миру используют эти данные. Однако именно этот успех обнажил фундаментальное ограничение, которое теперь всё чаще обсуждают не только в биологии, но и в робототехнике, автономном транспорте, производстве и государственной политике: искусственный интеллект научился быстро решать задачи на «бумаге», но реальный мир продолжает голосовать последним.

Термин Физический ИИ всё активнее звучит на технологических конференциях вместо привычных разговоров о чат-ботах и больших языковых моделях (LLM). Речь идёт о системах, которые должны не просто генерировать информацию, а воспринимать, прогнозировать и действовать в физической среде. Переход от ответов к действиям меняет не только архитектуры моделей, но и экономику данных, требования к энергоэффективности, критерии безопасности и географию индустриального лидерства. Ниже — анализ того, почему реальный мир становится главным бутылочным горлышком искусственного интеллекта и какие компании, страны и отрасли пытаются его преодолеть.

Что показал AlphaFold о пределах ИИ?

Урок AlphaFold важен не только для биологов. Система решала чётко поставленную вычислительную задачу: по последовательности аминокислот предсказать, как белок свернётся в пространстве. Успех был ошеломляющим, но он не сделал биологию мгновенной. Зная или точно предсказывая структуру белка, исследователь всё равно должен понять его поведение в разных средах, взаимодействие с другими молекулами, токсичность, химическую стабильность, технологичность производства, а затем провести эксперименты, доклинические и клинические испытания.

Исследования, опубликованные в 2026 году, продолжают сочетать предсказания AlphaFold с экспериментальными измерениями. Более того, появляются данные, что добавление свыше 20 000 проприетарных белковых структур, хранящихся у фармацевтических компаний, может улучшить модели по сравнению с системами, обученными только на публичных данных. Это означает, что даже в такой «цифровой» области, как структурная биология, качество предсказаний зависит от доступа к физически полученным экспериментальным данным, а не только от масштабирования вычислений.

AlphaFold устранил одно узкое место и обнажил следующие за ним. Снятие ограничения на бумаге или в кремнии не отменяет физический мир. Этот вывод стал лейтмотивом дискуссий на саммите Sifted 2026 в Лондоне, где обсуждение сместилось от чат-ботов и LLM к системам, способным действовать в реальности.

Чем когнитивный ИИ отличается от физического?

Ник Клегг, бывший исполнительный директор Meta и экс-заместитель премьер-министра Великобритании, ныне партнёр Hiro Capital, прямо поставил вопрос: достаточно ли бесконечно масштабировать современную трансформерную парадигму? По его словам, генеративный ИИ — парадоксальная технология: чрезвычайно универсальная, но «чудовищно неэффективная», требующая огромных капиталов, энергии и данных. Такая концентрация, по мнению Клегга, благоприятствует компаниям, способным разворачивать инфраструктуру в масштабах, которые Европа вряд ли сможет повторить.

Однако главное сомнение Клегга касается взаимодействия ИИ с физическим миром. Он не утверждает, что LLM станут нерелевантны, но сомневается, что масштабирование тех же архитектур неизбежно породит машины, способные понимать и ориентироваться в динамичных, непредсказуемых средах. Существующий генеративный ИИ уже помогает роботам выполнять повторяющиеся задачи, но «физический мир во всей его непредсказуемой красе» — совсем другое дело.

Розалин Моран, генеральный директор Stanhope AI, добавила инженерную перспективу: LLM фундаментально спроектированы для предсказания в языке. Её компания разрабатывает иной тип рассуждающих систем, способных предсказывать, принимать решения и действовать локально, без постоянного обращения к серверной ферме. «Край физического ИИ — это просто другая область», — отметила она.

Сара Гейтс, вице-президент по глобальным вопросам компании Wayve, предложила, вероятно, наиболее полезную таксономию. По её мнению, дихотомию следует проводить не между типами моделей, а между когнитивным ИИ и Физическим ИИ. Wayve использует несколько подходов, включая языковые и визуально-языковые модели действия. Гейтс описала бортовую систему компании как близкую к «модели действия в мире». Это разделение фиксирует главный переход: от производства ответов к производству действий.

Почему реальность — более жёсткий бенчмарк?

Работа в физическом мире оставляет гораздо меньше пространства для ошибки. Языковая модель может галлюцинировать абзац и оставаться полезной. Программист может отклонить сломанный код. Пользователь может проигнорировать плохой совет. Последствия становятся иными, когда ИИ-система управляет автомобилем, роботом, медицинским устройством или промышленным процессом.

Сара Гейтс из Wayve подчеркнула, что программное обеспечение автономного вождения должно быть интегрировано в физические транспортные средства и соответствовать автомобильным стандартам верификации и валидации. «Это совсем другая игра, когда дело доходит до развёртывания», — сказала она. В автономном вождении точность предсказания не абстрактна: модель должна в реальном времени оценивать расстояние, скорость, намерения других участников движения и дорожные условия.

Зельда Мариет, соосновательница биологической ИИ-компании Bioptimus, подошла к различию со стороны науки. С LLM, по её словам, оценка может сводиться к тому, хорош ли ответ, полезен ли он, правдоподобен ли. Биологические предсказания рано или поздно сталкиваются с конкретными экспериментальными проверками. Если модель утверждает, что ген экспрессируется в определённой локации, «можно решить, корректно это или нет». Мариет добавила, что в мире LLM оценка была «очень расплывчатой», а с Физическим ИИ «внезапно появляется планка... Это сложно, но, с другой стороны, как учёный ты знаешь, что именно нужно увидеть».

Этот принцип хорошо знаком аддитивному производству. ИИ-система может предложить дизайн, технологические параметры или стратегию построения, но результат в итоге встретится с порошком, теплом, гравитацией и допусками. Модель не может бесконечно «галлюцинировать» свойства материала, параметры лазера, неподдерживаемую геометрию, интерпретацию томографии или результат квалификации. Рано или поздно ответ становится физической деталью.

Где взять данные для обучения физического ИИ?

Подъём генеративного ИИ отчасти объясняется существованием огромных массивов оцифрованного человеческого контента. Текст, изображения, программный код и видео уже накопились в интернете в колоссальных объёмах. Для Физического ИИ аналогичных наборов данных часто не существует.

Назмо Муса, управляющий директор Paladin Capital Group, привела пример звука. Люди распознают события, например, звук разбивающегося стекла в соседней комнате. Физической машине может потребоваться та же способность. Но не существует удобно размеченного набора данных интернет-масштаба, содержащего каждый звук, с которым робот может столкнуться в любой среде. Генерация таких данных физически дорога, поэтому платформы симуляции становятся всё более ценными.

Биология сталкивается с аналогичным ограничением. Bioptimus работает с изображениями биопсий высокого разрешения и молекулярными измерениями. Мариет отметила, что доступ к больницам и лабораториям со сложным измерительным оборудованием фундаментально важен для способности компании обучать свои модели. «Мы должны находиться в местах, где вообще возможно построить технологию, прежде чем мы сможем её продать», — пояснила она.

Интернет дал генеративному ИИ обучающий материал. Физический ИИ, возможно, придётся производить собственный. В аддитивном производстве это может означать комбинацию метрологии камеры построения, записей о неудачных сборках, данных по обслуживанию, партий материалов, результатов контроля и постобработки. Ключевой вопрос — кто владеет производственным обучающим набором: производитель машины, MES-провайдер, сервисное бюро, поставщик материалов, метрологическая компания или аэрокосмические и медицинские предприятия. Эти наборы данных могут стать значительно более ценными по мере приближения ИИ к производству.

Как фабрики становятся инфраструктурой обучения?

Китай уже рассматривает реальные производственные среды как часть инфраструктуры для обучения Физического ИИ. Назмо Муса указала на крупные тренировочные полигоны, доступные китайским робототехническим компаниям. Это подтверждается государственной политикой: в июне 2026 года Министерство промышленности и информационных технологий КНР и регулятор госактивов запустили программу, прямо требующую создания реальных тренировочных пространств в промышленности, логистике, обслуживании, здравоохранении и других сферах. Цель — накопление высококачественных данных о физических машинах. В Пекине уже действуют специализированные центры обучения гуманоидных роботов, воссоздающие цеха, магазины, дома и медицинские учреждения.

В августе 2026 года автор посетил ферму 3D-печати Huafast в Шэньчжэне, где 5600 машин Bambu Lab входят в производственную сеть примерно из 15 000 настольных принтеров. Поражало не количество устройств, а всё, что их окружало: труд, материалы, обслуживание, утилизация, маршрутизация заказов и задача поддержания продуктивности тысяч относительно недорогих машин. Один из увиденных принтеров наработал около 7800 часов печати. Теперь представьте информацию, генерируемую не одним устройством, а тысячами, непрерывно работающими с разными материалами, геометриями, отказами, ремонтами и производственными заданиями.

Ценный набор данных — это то, что происходит за миллионы машино-часов, когда аддитивное производство становится серийным. Это не означает, что Huafast уже обучает такую модель. Но сам масштаб производства создаёт информационный актив. Фабрики могут стать частью инфраструктуры, на которой обучается Физический ИИ.

Почему трансформеры упираются в энергоэффективность?

Доминирующая сегодня архитектура — трансформеры — лежит в основе большинства больших языковых моделей (LLM). Однако её дальнейшее масштабирование упирается в физические пределы: энергоэффективность ИИ и масштабируемость систем становятся ограничителями не менее важными, чем качество алгоритмов.

Ник Клегг назвал генеративный ИИ «чудовищно неэффективным». Обучение и эксплуатация современных моделей требуют дата-центров с гигаваттным энергопотреблением, специализированных ускорителей и систем охлаждения. Такая концентрация капитала и энергии благоприятствует лишь нескольким игрокам, способным инвестировать десятки миллиардов долларов. Европа, по его мнению, вряд ли сможет конкурировать в этой гонке инфраструктур.

Клегг также описал трансформерную парадигму как «созревшую для прорыва». Один из нерешённых вопросов — именно взаимодействие ИИ с физическим миром. Модель, обученная предсказывать следующий токен в тексте, не обязательно обретает понимание физики, причинности или динамики. Физический ИИ требует иных подходов: локальных вычислений, сенсорного восприятия, встраиваемых систем.

Stanhope AI делает ставку на «краевой» ИИ: системы, которые предсказывают, решают и действуют локально, без постоянного возврата к серверной ферме. Это снижает задержки, энергопотребление и зависимость от облачной инфраструктуры. Для роботов, дронов и автономных транспортных средств именно такие архитектуры могут стать единственно практичными.

Кто выиграет в гонке физического ИИ?

Переход к Физическому ИИ меняет не только технологическую, но и экономическую географию. Канишка Нараян, министр искусственного интеллекта Великобритании, отметил, что правительство смещает внимание с программных моделей на оборудование и внедрение в реальном мире. С его точки зрения, необходим «коллективный разговор о географии строительства» — где именно будут создаваться физические системы и имеет ли это смысл для всех глобальных игроков. Страны за пределами очевидных лидеров (США и Китая) могут выиграть как «надёжные партнёры». Нараян выделил «технодемократии» Европы и Индии.

Зейнеп Явуз-Уилсон из General Catalyst утверждала, что внимание слишком долго фокусировалось на самой технологии, тогда как больший экономический вызов — диффузия. «Это не ИИ как технологическая задача, — сказала она, — а ИИ как задача управления изменениями». Для Физического ИИ эта проблема усугубляется. Успешной индустриальной ИИ-компании могут потребоваться алгоритмы, аппаратное обеспечение, специализированные наборы данных, симуляция, производственные партнёрства, сертификация, валидация безопасности, дистрибуция и клиенты, готовые позволить системе взаимодействовать с реальными процессами.

Это создаёт возможности за пределами Кремниевой долины. Промышленные экосистемы, лаборатории, автомобильные цепочки поставок, больницы и производственная экспертиза становятся важнее, когда ИИ должен взаимодействовать с материей, а не с пикселями. Но те же требования усложняют развёртывание. ИИ, возможно, приближается к переходу: его первым великим преимуществом было то, что программное обеспечение могло двигаться быстрее реальности. Следующая задача — признать, что реальность имеет последнее слово.

Какие уроки даёт аддитивное производство?

Аддитивное производство — удобная модель для понимания барьеров Физического ИИ. В 3D-печати алгоритм может генерировать топологически оптимизированную геометрию, но деталь должна выдержать тепловые напряжения, усадку, пористость и требования к допускам. Точность предсказаний в физической среде здесь напрямую связана с результатом контроля качества.

Производственный ИИ требует комбинации метрологии камеры построения, историй неудачных сборок, журналов обслуживания, паспортов материалов, данных неразрушающего контроля и постобработки. Главный вопрос — кто владеет этими данными. Производитель машины, MES-провайдер, сервисное бюро, поставщик материалов, метрологическая компания или конечный заказчик из аэрокосмоса и медицины? По мере приближения ИИ к производству эти наборы данных могут оказаться стратегическим активом.

Опыт Huafast показывает, что масштаб сам по себе генерирует информационный ресурс. Тысячи принтеров, миллионы машино-часов, непрерывные данные о материалах, отказах и ремонтах — это сырьё для обучения моделей, способных предсказывать качество печати, оптимизировать параметры и предотвращать дефекты. Но даже здесь модель не может игнорировать физику: прогноз пористости должен подтверждаться томографией, прогноз прочности — разрушающими испытаниями.

Этот же принцип распространяется шире: робототехника нуждается в сенсорных данных о взаимодействии с объектами; автономный транспорт — в миллионах километров реальных и симулированных поездок; медицинские ИИ — в биопсиях и клинических исходах. Физический мир не предоставляет готовых размеченных датасетов. Их приходится создавать, часто с нуля.

Главное из статьи

• Как прорыв AlphaFold демонстрирует текущие ограничения ИИ в реальном мире? AlphaFold решил задачу предсказания белковых структур, но не устранил необходимость экспериментальной проверки поведения белков, их токсичности, взаимодействий и производственной пригодности. Даже в структурной биологии качество моделей зависит от доступа к проприетарным экспериментальным данным, а не только от масштабирования вычислений.
• Почему современные модели ИИ недостаточно эффективны для взаимодействия с физической средой? Трансформеры и LLM спроектированы для предсказания в языке, требуют огромных вычислительных ресурсов и энергии, плохо работают в условиях реального времени и не обладают врождённым пониманием физики, причинности и динамики. Их масштабирование не гарантирует способности действовать в непредсказуемой среде.
• В чём принципиальное различие между когнитивным и физическим искусственным интеллектом? Когнитивный ИИ генерирует ответы и оценивается по полезности и правдоподобие. Физический ИИ должен воспринимать, прогнозировать и действовать, а его результаты проверяются физической реальностью: аварией, браком, клиническим исходом. Это радикально повышает требования к данным, безопасности и аппаратной интеграции.
• Какие компании разрабатывают решения для преодоления барьера физического ИИ? Wayve развивает автономное вождение на основе «моделей действия в мире», Stanhope AI — локальные предсказывающие системы для роботов, Bioptimus — биологические модели на экспериментальных данных, Hiro Capital инвестирует в новые архитектуры. Китайские компании и государственные программы создают тренировочные полигоны для гуманоидных роботов, а Huafast демонстрирует, как производственный масштаб может генерировать обучающие данные.

Заключение

Искусственный интеллект подошёл к переходу, который по значимости не уступает появлению LLM. Первая эпоха ИИ была основана на способности программного обеспечения опережать реальность: текст, изображения и код генерировались быстрее, чем их можно было проверить. Физический ИИ переворачивает эту логику. Теперь реальность становится не фоном, а главным бенчмарком, поставщиком данных и конечным арбитром.

Барьеры, описанные выше, — не временные технические трудности, а фундаментальные ограничения. Они требуют не просто новых моделей, а новых подходов к сбору данных, сертификации, аппаратной интеграции и экономическому распределению ценности. Энергоэффективность ИИ и масштабируемость систем перестают быть абстрактными метриками: они определяют, сможет ли робот работать автономно без облака, сможет ли фабрика окупить сенсорную инфраструктуру, сможет ли больница доверять предсказанию модели.

История AlphaFold учит: снятие одного узкого места не устраняет физический мир, а лишь перемещает бутылочное горлышко дальше. Для Физического ИИ этот цикл будет повторяться многократно — от данных к железу, от железа к сертификации, от сертификации к экономике внедрения. Выиграют те, кто перестанет рассматривать реальный мир как шум, мешающий обучению моделей, и начнёт видеть в нём главный источник знаний и ограничений.

Комментарий Первого Слоя

Российским промышленным предприятиям при внедрении физического ИИ стоит срочно наращивать компетенции по работе с проприетарными производственными данными — публичные зарубежные датасеты не учитывают особенности износа оборудования в условиях морозов или дефицита импортных расходников. Это создаст конкурентное преимущество для локальных решений в робототехнике и автоматизации, особенно в нефтегазовой отрасли и ВПК, где требования к сертификации и адаптации к экстремальным средам критичны для импортозамещения.

Источник: 3dprintingindustry.com