NVIDIA запускает эпоху физического ИИ: роботы учатся действовать в реальном мире

По данным Cybernews, NVIDIA объявляет о новом этапе развития искусственного интеллекта — Physical AI, который направлен на создание систем, способных не только мыслить, но и действовать в физическом мире. В отличие от agentic AI, которая сосредоточена на анализе и планировании, Physical AI предполагает непосредственное взаимодействие с окружающей средой через роботов, транспортные средства и дроны.

NVIDIA объединяет ключевые платформы для реализации Physical AI

Для достижения этой цели компания интегрирует свои наиболее продвинутые технологии, включая Omniverse, Cosmos и Isaac. Эти платформы позволяют создавать виртуальные миры, где машины могут безопасно обучаться перед выходом в реальность.

Omniverse — это платформа для построения и связывания виртуальных миров, основанная на OpenUSD — универсальном формате 3D-описания, разработанном Pixar. С его помощью инженеры могут создавать цифровые двойники фабрик, энергетических станций и городов.

Cosmos отвечает за генерацию и понимание 3D-сред, создавая фотореалистичные миры из текстовых запросов, видео или данных сенсоров. Isaac Sim и Isaac Lab обеспечивают среду для обучения и тестирования роботов, где они развивают поведенческие модели через усиленное и имитационное обучение.

Синтетические данные ускоряют обучение роботов

Одной из ключевых технологий, позволяющих ускорить процесс обучения, является генерация синтетических данных. С помощью Omniverse Replicator и метода domain randomization создаются разнообразные сценарии, включая редкие и опасные ситуации, которые сложно воспроизвести в реальности.

Это позволяет роботам быстрее адаптироваться к изменениям освещения, движения и перспективы. Кроме того, SimReady-активы — 3D-модели, включающие физические и семантические данные — обеспечивают высокую точность симуляции.

Примеры реализации Physical AI

Два проекта демонстрируют возможности Physical AI в реальных условиях. Skild AI разработала универсальную модель, которая может управлять различными типами роботов. Обучение проводилось с использованием Isaac Lab и Cosmos Transfer, что позволило расширить разнообразие данных.

Serve Robotics, в свою очередь, использует Jetson Orin и Isaac Sim для обучения и эксплуатации роботов-доставщиков. В результате было выполнено более 100 000 доставок с 99,8% успешностью. Компания планирует масштабировать проект до 2000 единиц.

Интересно: Каким образом физический ИИ изменит подход к автоматизации, если роботы смогут не только выполнять задачи, но и адаптироваться к ним, основываясь на опыте, накопленном в виртуальных средах?

i

Создано специально для ASECTOR

Концептуальное изображение

Когда искусственный интеллект выходит из экрана

Создание физического ИИ — шаг, который переворачивает привычное представление о том, как машины взаимодействуют с реальным миром. До сих пор искусственный интеллект оставался в рамках цифрового пространства: он анализировал данные, принимал решения, но не действовал. Теперь же речь идет о системах, способных не только думать, но и маневрировать, схватывать, перемещаться — словом, действовать. Это открывает новую главу в истории автоматизации и требует глубокого анализа, как эти изменения отразятся на бизнесе и технологической экосистеме.

Виртуальные миры как тренировочные площадки

Одной из ключевых идей, лежащих в основе Physical AI, является использование виртуальных сред для обучения. Платформы вроде Omniverse, Cosmos и Isaac Sim позволяют создавать цифровые двойники реальных объектов и сред, где роботы могут учиться без риска для себя и окружающих. Это не только симуляция — это масштабная подготовка, в которой машины проходят через миллионы сценариев, включая редкие и критические ситуации.

Такой подход позволяет ускорить процесс обучения, снизить затраты и повысить безопасность. Однако он не лишен ограничений. Например, синтетические данные, зачастую идеализированы — они не всегда отражают хаос и неопределенность реального мира. Если робот обучался только в идеальных условиях, то его поведение в сложной ситуации может быть непредсказуемым.

Кто выигрывает, а кто теряет?

Выигравшие в этой системе — это компании, которые хотят внедрить автоматизацию на ранних этапах, минуя дорогостоящие и рискованные эксперименты в реальности. Например, Serve Robotics, которая уже смогла доставить более 100 000 товаров с высокой точностью, используя виртуальные тренировки. Это снижает издержки и ускоряет выход на рынок.

Однако проигравшие тоже очевидны. Традиционные производители оборудования и разработчики программного обеспечения, которые не успевают адаптироваться к новым стандартам, рискуют потерять позиции. Особенно это касается тех, кто не интегрирует 3D-моделирование и синтетические данные в свои процессы.

Физический ИИ и его последствия

Распространение физического ИИ может привести к смещению баланса сил в автоматизированной индустрии. Компании, которые смогут создать универсальные модели, способные адаптироваться к различным средам, получат конкурентное преимущество. Это может снизить порог входа для новых игроков, но одновременно усилить зависимость от платформ, таких как Omniverse и Isaac Sim.

В контексте российского бизнеса важно понимать, что внедрение таких технологий требует не только финансовых вложений, но и доступа к глобальным экосистемам. В условиях текущих ограничений на доступ к иностранным технологическим решениям, локальные игроки могут столкнуться с проблемой масштабирования. Это делает актуальным развитие собственных платформ для виртуального обучения и генерации синтетических данных.

Важный нюанс: Физический ИИ не только ускоряет автоматизацию — он меняет природу взаимодействия между человеком и машиной, делая последние не только инструментами, но и партнерами в решении сложных задач.

Дополнительные факторы, влияющие на рынок

Развитие физического ИИ происходит в условиях динамичных изменений в инфраструктуре и стоимости компонентов. Например, Microsoft запустила первый узел многоцентрового кластера для обучения ИИ, используя оборудование Nvidia и протокол InfiniBand. Это указывает на рост влияния Nvidia в распределённой ИИ-инфраструктуре, где ключевую роль играют вычислительные мощности и эффективность передачи данных [!].

С другой стороны, рост цен на видеокарты NVIDIA из-за дефицита памяти может создать дополнительные сложности. Стоимость GDDR-чипов, используемых в графических чипах, выросла, что может привести к увеличению цен на видеокарты в первой половине 2026 года. Это, в свою очередь, может повлиять на доступность оборудования для компаний, внедряющих физический ИИ [!].

Кроме того, появление квантовых чипов, таких как оптический квантовый чип от китайской компании Chip Hub for Integrated Photonics Xplore, может изменить баланс в области высокопроизводительных вычислений. Устройство демонстрирует производительность, превышающую возможности графических процессоров Nvidia при решении задач искусственного интеллекта [!].

Технологическая база и производственные тренды

Технологическая база для физического ИИ также развивается. Например, TSMC увеличила долю 3-нм техпроцесса в выручке до 23 процентов, что связано с ростом спроса на чипы Nvidia для высокопроизводительных вычислений и ИИ. Это указывает на значительное влияние Nvidia на глобальную производственную экосистему [!].

Компания SK hynix, в свою очередь, разрабатывает стратегию развития памяти, включая HBM5, которая, вероятно, будет использоваться в процессоре Nvidia Feynman. Это подчеркивает стратегическую важность этой технологии для дальнейшего развития ИИ [!].

Масштабирование и интеграция

Nvidia активно масштабирует направление Physical AI, заключая соглашения с такими странами, как Южная Корея, где поставляется более 260 000 GPU последнего поколения. Это позволяет внедрять решения в промышленность, транспорт и телекоммуникации. Платформа Physical AI, разрабатываемая Naver Cloud, связывает цифровую и физическую среду, открывая возможности для автоматизации и оптимизации физических процессов [!].

OpenAI также инвестирует $38 млрд в облако AWS для масштабирования моделей ИИ, получив доступ к десяткам тысяч чипов NVIDIA. Это усиливает позиции Nvidia в обеспечении вычислительных ресурсов для ИИ [!].

Перспективы и выводы

Физический ИИ представляет собой значительный шаг вперед в интеграции искусственного интеллекта в реальный мир. Он открывает возможности для автоматизации, повышения эффективности и снижения рисков. Однако, чтобы успешно внедрить такие решения, компании должны учитывать текущие тренды в стоимости компонентов, доступности технологий и глобальной экосистеме.

Для российского бизнеса особенно важно развивать собственные платформы для виртуального обучения и генерации синтетических данных. Это позволит снизить зависимость от иностранных решений и повысить конкурентоспособность на внутреннем и международном рынках.