Индустрия физического ИИ становится все более прагматичной. Робот, способный ходить, жестикулировать или выполнять тщательно подготовленную ...
Индустрия физического ИИ становится все более прагматичной.
Робот, способный ходить, жестикулировать или выполнять тщательно подготовленную демонстрацию, может привлечь внимание. Но более сложный вопрос заключается в том, сможет ли он работать в течение нескольких месяцев в непредсказуемых условиях — ресторанах, отелях, на заводах, складах, в торговых центрах и других местах — и при этом постоянно совершенствовать свои возможности.
Компания Pudu Technology на WAIC 2026 представила свой ответ, основанный на простой стратегической идее:
Следующий этап развития робототехники будет определяться не телом робота, а интеллектуальной системой, способной учиться на реальном развертывании и передавать опыт различным формам.
Компания называет эту архитектуру «один мозг для множества форм».
Ее базовый модельный слой PuduFM 1.0 предназначен для того, чтобы помочь роботам рассуждать о физических последствиях, связывать навигацию с манипуляциями и учиться на комбинации симуляции и обратной связи из реального мира.
Ее агентная платформа PuduAgent объединяет планирование, память, выполнение, повторно используемые навыки и контроль безопасности в единую систему, которая может координировать различные формы роботов.
На WAIC индустриальный получеловекоподобный робот PUDU D7 стал одним из самых ярких аппаратных примеров этой стратегии.
Компания Pudu вышла на WAIC с огромным парком коммерческих сервисных роботов.
Компания заявляет, что независимое исследование рынка Frost & Sullivan поставило Pudu на первое место в четырех категориях:
Pudu также сообщает, что по всему миру было отгружено более 130 000 роботов. Официальные материалы показывают, что развертывание охватывает более 80 стран и регионов, а в выступлении на WAIC упоминалось покрытие в 85 странах и регионах.
Эти роботы работают в следующих сферах:
Развертывание такого масштаба имеет коммерческий смысл, но аргументация Pudu в пользу физического ИИ идет дальше.
Каждый робот, работающий в реальном месте, сталкивается с физическими изменениями, которые трудно полностью воспроизвести в лаборатории:
Для компании, занимающейся физическим ИИ, эти
процессы взаимодействия могут стать обучающим материалом.
Таким образом, конкурентное преимущество следующего этапа может быть получено за счет сочетания аппаратного распространения с системой, способной превращать операционный опыт в повторно используемый интеллект.
Языковые модели могут учиться на огромных объемах текста, кода, изображений и видео. Перед роботами стоят другие проблемы с данными.
Робот должен не только понимать, что такое объект, но и знать:
Этим навыкам трудно научиться на ограниченном количестве тщательно подготовленных демонстраций.
Роботам нужно получать опыт из реальной работы, но для того, чтобы приступить к реальной работе, они должны обладать определенной зрелостью, которую трудно достичь без реальных данных.
Это создает классическую проблему «курицы и яйца»:
Без大规模 развертывания у компании нет разнообразных данных из физического мира; без разнообразных данных из физического мира трудно довести роботов до уровня, достаточного для массового развертывания.
Коммерческие сервисные роботы предлагают способ разорвать этот цикл.
Компания Pudu Technology в течение многих лет развертывает роботов для доставки, уборки и промышленных задач в обычных коммерческих средах. Изначально эти системы не были универсальными воплощенными агентами, но их развертывание создало крупные каналы для сбора операционных сигналов.
Pudu Technology сообщает, что ее парк роботов в настоящее время ежегодно генерирует:
| Тип данных | Годовой объем данных, сообщаемый компанией |
|---|---|
| Данные навигации в реальном мире | 36,5 миллиона часов |
| Данные манипуляций в реальном мире | 15,8 миллиона часов |
Компания заявляет, что ее операционные данные собираются с помощью «неинвазивного сбора данных» во время нормальной работы.
Их ценность заключается не только в количестве часов. Большая часть этого материала поступает с точки зрения самих роботов и может содержать реальные данные о глубине, масштабе, движении, освещении и условиях взаимодействия.
Такая перволичная перспектива физической среды с трудом поддается замене с помощью интернет-видео.
Долгосрочную модель Pudu можно описать как маховик данных:
Это отличается от традиционной модели, где робот рассматривается как готовое устройство.
В традиционной модели компания продает оборудование с фиксированным набором функций. Выполнение каждой задачи приносит
ценность для клиента, но опыт может ограничиваться только этим устройством и его средой установки.
В модели воплощенного агента каждая отдельная задача также вносит вклад в более широкую систему обучения. Ошибка навигации на складе, сложная ситуация с уборкой в торговом центре или коррекция операции в промышленном сценарии могут помочь оптимизировать будущее поведение всего кластера роботов.
Этот процесс не происходит автоматически.
Необработанные журналы не эквивалентны полезному контексту для модели. Данные должны быть:
Большой кластер роботов создает возможность для создания защитного рва данных. А качество конвейера данных определяет, сможет ли эта возможность превратиться в реальное преимущество в возможностях.
Ошибки в физическом мире имеют высокую цену.
Языковые модели могут генерировать неправильные абзацы и немедленно повторять попытку, в то время как неудачное действие робота может отнять время, повредить оборудование, нарушить бизнес-процессы или даже создать угрозу безопасности.
Поэтому обучение в реальном мире не может быть масштабировано через неограниченные проб и ошибок.
Решение компании Pudu Technology — это двухпространственный эволюционный маховик, объединяющий виртуальную и реальную реальность.
Высокоточный симулятор миров позволяет системе генерировать и тестировать огромное количество траекторий, не подвергая реальных людей или оборудование риску каждый раз при неудаче.
Симулятор может генерировать:
Компания Pudu Tech заявляет, что использует архитектуру диффузионного трансформера (Diffusion Transformer) для генерации разнообразных траекторий в симулированной среде.
Реальная среда предоставляет детали, которые симуляция не может полностью воспроизвести.
Благодаря обратной связи при взаимодействии человека с роботом можно записать:
Два цикла служат разным целям:
Эффективность этого метода зависит от точности симуляции и качества переноса между виртуальной и физической системами. Модель, успешная в симуляции, может потерпеть неудачу в реальном мире из-за шума датчиков, механического износа, несовершенства геометрии, задержек или непредвиденного поведения человека.
Исторически сложилось так, что роботы разных форм разрабатывались как независимые системы.
Роботы-курьеры, уборочное оборудование, промышленные мобильные платформы, манипуляторы, человекоподобные и четвероногие роботы могут использовать разные датчики, сочленения, частоты управления, нагрузки и эксплуатационные ограничения.
Это привело к неэффективной модели:
Одна среда — один процесс обучения.
Когда оборудование меняется, огромный объём работы приходится начинать заново.
Командам нужно перестраивать среду, записывать демонстрационные данные, обучать специализированные стратегии и писать новую логику интеграции. Данные, собранные для одного робота, с трудом используются на другом.
Стратегия «Один мозг — множество форм» от Pudu Tech пытается преодолеть эту модель.
Цель — не унифицировать внешний вид каждого робота, а создать общий интеллектуальный слой, понимающий универсальные физические концепции, при этом специализированные контроллеры каждого робота обрабатывают свои сочленения, датчики и ограничения.
(Здесь находится описание изображения: показана эволюция промышленной парадигмы «Один мозг — множество форм» роботов Pudu. Слева — уровень развития технологий: от специализированных систем управления, систем интеллекта одиночного робота, расширенного интеллекта с большими моделями до унифицированного интеллектуального базиса. Справа — уровень развития форм: от единичного автоматизированного устройства, сервисных роботов для конкретных сценариев, роботов с комбинированными возможностями до многоформенных коллаборативных роботов. Внизу резюмируется: «Один мозг — множество форм» как «один интеллектуальный базис + множество форм роботов». Технологии движутся к единому интеллектуальному мозгу, а формы — к разнообразию корпусов. Их сочетание продвигает роботов от «один робот — один мозг» к «один мозг — множество форм», реализуя переиспользование интеллектуальных способностей между роботами и перенос между сценариями.)
Общие концепции могут включать:
Если архитектура работает так, как задумано, опыт, полученный роботом одной формы, может сократить процесс адаптации для другой формы.
Компания Pudu Tech заявляет, что благодаря обучению на основе мировой модели и небольшому объёму данных коррекции из реального мира, для адаптации к новой задаче требуется всего около 50 экспертных демонстраций. Это данные, опубликованные компанией. Конкретная эффективность должна оцениваться в зависимости от задачи, формы робота и среды развертывания.
Ключевой момент — переход от запоминания фиксированных последовательностей действий к изучению повторно используемых физических взаимосвязей.
PuduFM 1.0 — это базовый слой модели, поддерживающий данную стратегию.
Pudu позиционирует его как непрерывно развивающуюся воплощённую интеллектуальную модель, призванную решить три основные проблемы:
Архитектура строится вокруг трёх основных технологических элементов.
Модель физической интуиции (PIM, Physical Intuition Model) призвана помочь роботу предсказывать возможные результаты до совершения действия.
Люди постоянно делают такие прогнозы.
Поднимая мокрый стеклянный стакан, человек инстинктивно использует более осторожный хват; перенося высокий предмет, задумывается о равновесии; ступая на скользкий пол, корректирует скорость и усилие.
Традиционные системы восприятия могут распознать стакан или пол, но им всё ещё не хватает моделирования физических последствий.
Pudu заявляет, что PIM использует архитектуру каузального трансформера внимания для моделирования движения объектов и физического взаимодействия в скрытом пространстве.
Она фокусируется не только на плотном предсказании пикселей, но и пытается охарактеризовать следующие динамические факторы:
Текущее положение робота, его поза и предлагаемые действия могут быть оценены до выполнения.
На практике PIM призвана решить проблему, когда роботы видят объект, но не понимают, как запланированное действие повлияет на него.
Второй элемент — мультимодальная система Vision-Language-Action (VLA) (Зрение-Язык-Действие).
Многие ранние архитектуры роботов разделяли следующие функции:
Из-за этого задачи могли давать сбой на стыке модулей.
Робот мог понять команду и добраться до нужного места, но не мог преобразовать это понимание в стабильную последовательность операций.
Слой VLA роботов Pudu призван объединить язык, зрение, движение и манипуляции в едином представлении.
Затем прогностические способности PIM интегрируются в поток действий.
Результирующая последовательность выполнения концептуально выглядит так:
Этот комбинированный подход направлен на сокращение разрыва между «прибытием на место» и «выполнением задачи».
Третий элемент — симулятор миров, управляющий виртуальной стороной обучающего цикла.
Pudu заявляет, что этот симулятор построен с использованием эксплуатационных данных, собранных в многочисленных коммерческих средах.
Он может генерировать как стандартные, так и состязательные траектории, создавая примеры, которые либо дороги, либо крайне редки, либо опасны для повторного сбора в реальном мире.
Мировая модель поддерживает PIM и VLA, предоставляя огромное количество контролируемых физических сценариев.
Весь процесс можно резюмировать следующим образом:
| Этап | Цель |
|---|---|
| Предварительное обучение | Построение обширных общих знаний о зрении, языке, видео и физике |
| Симуляционное усиление | Массовая практика принятия решений и действий в виртуальной среде |
| Тонкая настройка в реальном мире | Коррекция модели посредством физического развертывания и обратной связи от человека |
Система работает не по принципу «сначала симуляция, потом развертывание».
Pudu описывает это как непрерывный цикл: реальные данные улучшают симуляционную среду, а симуляция помогает модели подготовиться к следующему набору физических задач.
Pudu D7 был впервые показан офлайн на Всемирной конференции по искусственному интеллекту 2026 года.
Pudu позиционирует D7 как промышленного получеловекоподобного робота, подходящего для производственной, розничной и логистической среды.
Его колёсная нижняя часть предназначена для стабильного и эффективного передвижения, в то время как верхняя часть обеспечивает две руки для манипуляций.
Эта форма отражает прагматичный компромисс.
В сценариях, требующих подъёма по лестнице и человекоподобного передвижения, полноразмерные двуногие человекоподобные роботы могут быть более применимы. Однако на ровных поверхностях, типичных для складов, магазинов и заводов, колёсное решение может обеспечить лучшую эффективность и стабильность.
Согласно официальным материалам Pudu на Всемирной конференции по искусственному интеллекту 2026 года, D7 поддерживает полезную нагрузку до 14 кг и рассчитан на длительную промышленную эксплуатацию.
Стратегическое значение D7 не только в самом корпусе.
Он представлен как одна из множества воплощённых форм, которые могут использовать общий интеллектуальный стек PuduFM и Pudu Agent.
Это делает его пробным камнем для проверки переносимости опыта.
Опишите идею одной фразой, и We0 AI создаст сайт-витрину, страницы и CMS, а после запуска поможет привлечь клиентов и трафик.
Одна полная генерация проекта для бесплатной регистрации
Лучше всего попробовать один полный поток генерации и быстро увидеть первый черновик проекта.
В существующей линейке сервисных, уборочных и промышленных роботов Pudu он расширяет их возможности в сторону более универсальной операционной системы.
Ценность базовой модели робота становится более очевидной, если она может поддерживать несколько типов машин.
Продуктовая линейка Pudu охватывает четыре основные категории:
Эти категории включают специализированных мобильных роботов, получеловекоподобных роботов, человекоподобных роботов и четвероногих систем.
Архитектура «Один мозг — множество форм» делит систему на три уровня:
Физический агент = Воплощённая форма + Система + Навыки
Воплощённая форма — это физическая машина:
Датчики
Колёсная или шагающая конструкция
Механическая рука
Сустав
Грузоподъёмность
Аккумулятор
Конечный исполнитель
Механические предохранительные ограничители
Различные формы оптимизированы под разные задачи.
Система отвечает за координацию непрерывной работы робота:
Pudu возлагает эту роль на платформу общего управления интеллектуальными агентами Pudu.
Навыки — это многократно используемые модули способностей, например:
Базовая модель Pudu обеспечивает общую физическую интеллектуальную основу для этих способностей, а платформа общего управления интеллектуальными агентами Pudu превращает их в рабочие процессы.
Если базовая модель Pudu — это общий физический мозг, то платформа общего управления интеллектуальными агентами Pudu — это уровень, управляющий её применением.
Pudu определяет платформу общего управления интеллектуальными агентами как универсальную платформу воплощённых интеллектуальных агентов, ориентированную на физический мир.
Она включает три основные части:
(Изображение: стенд роботов Pudu на выставке WAIC 2026, мужчина представляет посетителям технологическую концепцию физического агента «один мозг, множество форм». На большом экране на заднем плане представлена технологическая архитектура: PuduAgent OS, PuduFM, PuduAgent Skills, PuduAgent Safety и др. Стенд современный, оборудован несколькими дисплеями и стойками, на месте присутствуют сотрудники и посетители. Данное изображение соответствует содержанию документа, описывающего технологическую архитектуру PuduAgent, и наглядно демонстрирует соответствующие технологические концепции.)
Уровень операционной системы включает три основных компонента.
Ядро агента отвечает за интерпретацию текущей среды и задачи, а также за планирование плана действий робота.
В его обязанности входит:
Память агента записывает полезную информацию в ходе выполнения задачи.
Для физических роботов память не ограничивается сохранением текста.
Ей необходимо сохранять:
Персистентная память помогает роботу избегать повторных ошибок и сохранять ориентацию на цель в ходе длительной работы.
Исполнитель отвечает за преобразование
решений высокого уровня в выполнение в реальном времени.
Планирование может осуществляться на относительно абстрактном уровне, но двигатели и датчики требуют непрерывной работы и малой задержки управления.
Исполнитель служит мостом между уровнем планирования и специфической для конкретного робота системой выполнения.
Навыки PuduAgent абстрагируют общие способности в стандартизированную библиотеку.
Без этого уровня для каждой формы робота, возможно, потребовалась бы отдельная реализация функционально схожих возможностей.
Стандартизированный навык может описывать намерение и интерфейс определённого действия, одновременно позволяя каждому объекту выполнять его в соответствии со своим аппаратным обеспечением.
Примеры включают:
Это не означает, что каждый робот работает под управлением абсолютно идентичного единого низкоуровневого контроллера.
Логика работы механической руки человекоподобного робота и мобильной платформы доставки по-прежнему различна. Многократно используемым слоем являются определение задачи, интерфейс планирования, контракт безопасности и физический опыт, полученный в результате обучения.
По мере того, как роботы работают дольше и с меньшим непосредственным контролем, безопасность становится всё более важной.
Перед выполнением действия системе может потребоваться оценить:
Безопасность PuduAgent выступает в качестве защитного барьера для прогнозирования потенциальных рисков и корректировки или блокировки действий при необходимости.
Это критически важно для коммерческого развёртывания.
Робот не создаёт ценности, выполнив один впечатляющий демонстрационный показ. Его ценность заключается в надёжном выполнении повторяющейся работы при поддержании уровня отказов, вмешательства человека и аварий в приемлемых пределах.
На первый взгляд, рынок роботов может показаться соревнованием аппаратного обеспечения:
Эти факторы по-прежнему важны.
Но послание Pudu на WAIC указывает на то, что следующий этап конкуренции будет также включать четыре менее очевидных актива.
Компании, владеющие роботами в больших масштабах, могут наблюдать более широкий спектр сред и граничных случаев.
Неструктурированные журналы не приводят автоматически к улучшению моделей. Качество данных, конфиденциальность, разметка и оценка определяют, будет ли опыт полезен.
Когда опыт, полученный одним телом или задачей, сокращает объём работы для другого тела или задачи, обучающаяся система становится более масштабируемой.
Одной только базовой модели недостаточно. Роботу необходимы память, выполнение, навыки, безопасность, диспетчеризация и операционный контроль.
Компании, которые эффективно интегрируют эти уровни, возможно, смогут превратить каждое развёртывание во входные данные для продукта следующего поколения.
Бизнес-модель Pudu надёжно поддерживается масштабными коммерческими развёртываниями и новым финансированием.
В апреле 2026 года компания объявила о получении финансирования в размере почти 150 миллионов долларов США, в результате чего её оценка превысила 1,5 миллиарда долларов США, а общий объём привлечённого финансирования превысил 300 миллионов долларов США.
На тот момент, согласно предыдущему отчёту Frost & Sullivan, Pudu Technology поставила более 120 000 роботов, занимая 23% мирового рынка коммерческих сервисных роботов.
Во время PuduFM и выставки WAIC компания объявила, что количество поставленных роботов превысило 130 000 единиц.
Эти средства могут быть направлены на исследования и разработки в следующих областях:
Размер финансирования и объём поставок не гарантируют успеха общей архитектуры физического агента,
но они действительно дают Pudu два ключевых ресурса: большую базу развёрнутых устройств и возможность инвестировать в системы, необходимые для обучения на их основе.
Техническое направление «один мозг, множество форм» воодушевляет, но по-прежнему требует решения нескольких ключевых проблем.
Результаты обучения робота-уборщика могут, возможно, улучшить общую навигацию или распознавание препятствий, но вряд ли напрямую научат руку человекоподобного робота манипулировать деформируемыми объектами.
Качество переноса опыта необходимо оценивать отдельно в зависимости от типа навыка, сценария применения и форм-фактора.
Крупномасштабные группы роботов генерируют огромные объёмы повторяющихся, зашумлённых, неполных или смещённых данных.
Ключевой показатель качества данных — не общая продолжительность, а то, сколько проверенных и разнообразных обучающих сигналов может быть получено из этой продолжительности.
Роботы, работающие в общественных и коммерческих помещениях, могут собирать конфиденциальную визуальную, пространственную или операционную информацию.
Управление данными должно охватывать авторизацию, сроки хранения, контроль доступа, анонимизацию, соблюдение региональных нормативных требований и кибербезопасность.
Модели мира могут расширить рамки обучения, но разрыв между симуляцией и реальностью остаётся ключевой проблемой робототехники.
Все модели должны проверяться на реальном оборудовании в реальных условиях эксплуатации.
По мере увеличения сложности и продолжительности задач, выполняемых роботами, количество потенциальных путей отказов растёт экспоненциально.
Система безопасности должна включать детерминированное управление, аппаратную защиту, мониторинг в реальном времени, откат при сбоях и механизмы вмешательства человека, а не полагаться исключительно на рассуждения на уровне модели.
Клиентов в конечном итоге интересует общая операционная ценность:
Технически продвинутые роботы должны на реальных задачах демонстрировать экономическую эффективность, превосходящую простые автоматизированные решения.
Когда роботы работают в масштабе, наиболее ценным результатом, возможно, является не количество выполненных заказов на доставку, убранных маршрутов или транспортных заданий,
а физический опыт, многократно воспроизводимый в рамках этих задач.
Стратегия Pudu выстраивает четырёхуровневую взаимосвязанную систему:
Эта архитектура, благодаря механизму взаимодействия «облако – граница – устройство», обеспечивает непрерывную эволюцию коллективного интеллекта роботов.
PUDU D7 интегрирует эту стратегию в более универсальную промышленную роботизированную платформу, однако её главная ставка делается на архитектурном уровне.
Pudu стремится превратить портфель продуктов в экосистему обучения.
Долгосрочная конкуренция будет выиграна не роботами, выполняющими самые впечатляющие изолированные действия, а системами, способными безопасно учиться на наибольшем количестве ценных физических взаимодействий, переносить результаты обучения между машинами и обеспечивать надёжную экономическую ценность в реальных условиях.
PuduFM 1.0 — это фундаментальная модель воплощённого интеллекта от Pudu Robotics. Она объединяет модель физической интуиции, мультимодальную систему согласования зрения, языка и действий, а также замкнутый цикл обучения «от симуляции к реальности», поддерживая навигацию, манипуляции и физические рассуждения для роботов различных форм-факторов.
PuduAgent — это универсальная платформа воплощённого интеллекта от Pudu для управления роботами в физическом мире. Она включает операционный уровень с функциями планирования, памяти и выполнения, многократно используемый набор навыков и модуль контроля безопасности.
Это означает, что различные типы роботов используют единую интеллектуальную основу, а не разрабатываются как полностью изолированные системы. Каждое шасси сохраняет специализированное аппаратное управление, в то время как более высокие уровни физического понимания, планирования, памяти и навыков могут быть повторно использованы.
Компания Pudu заявляет, что поставила по всему миру более 130 000 роботов. Согласно официальным данным, её услуги охватывают более 80 стран и регионов, а в выступлении на WAIC 2026 упоминалось 85 стран и регионов.
PUDU D7 — это промышленный полугуманоидный робот с колёсной мобильной платформой и двумя манипуляторами. Pudu позиционирует его для выполнения промышленных, розничных и логистических задач, а также как один из аппаратных носителей архитектур PuduFM и PuduAgent.
Модель физической интуиции (PIM) предназначена для прогнозирования физических результатов запланированных действий робота. Компания Pudu заявляет, что эта модель моделирует в латентном пространстве такие динамические характеристики, как движение, трение, деформация, баланс и риск столкновения, до выполнения действия.
Симуляционные системы могут генерировать огромное количество обычных и состязательных траекторий без риска для реального оборудования или персонала. Реальная эксплуатация, в свою очередь, предоставляет обратную связь, помогающую калибровать симулятор и корректировать модель.
Pudu ссылается на отчёты Frost & Sullivan, согласно которым компания занимает первое место в нескольких категориях коммерческих сервисных роботов. В данной статье рейтинг представлен исключительно как цитируемые выводы исследования, полный набор рыночных данных не был независимо верифицирован.
Стратегия, представленная Pudu Robotics на WAIC 2026, выходит за рамки отдельного продукта. Развёрнутый коммерческий парк роботов предоставляет опыт реального мира, в то время как симуляционные системы увеличивают количество и разнообразие тренировочных сценариев.
PuduFM 1.0 предназначен для обеспечения общей способности к физическому рассуждению для роботов разных форм-факторов. PuduAgent добавляет функции планирования, памяти, выполнения, многократно используемые навыки и контроль безопасности. PUDU D7 демонстрирует, как этот технологический стек может быть применён к полугуманоидной промышленной платформе.
Стратегия по-прежнему сталкивается с проблемами, связанными с качеством данных, переносом между форм-факторами, достоверностью симуляции, конфиденциальностью, безопасностью и коммерческой отдачей, однако её основная идея уже ясна.
Конкурентное преимущество роботов следующего поколения, возможно, будет заключаться не только в создании более мощных машин, но и в построении общей интеллектуальной системы, способной непрерывно учиться на работе каждого робота.
Начните с одной фразы и получите полноценный сайт за считанные минуты.
