ЖУРНАЛ СТА №2/2026

траты на развёртывание систем, поз- воляя проверять поведение роботов в симуляции перед вводом в про- изводство. Такие системы эффектив- ны при контролируемой вариатив- ности, например, при комплектовке гибких деталей или адаптивной ло- гистике, и становятся жизнеспособ- ными в средних или нерепетитив- ных сериях, где роботы на основе правил теряют преимущество. ● Роботы на основе контекста, новей- шее направление, используют фунда- ментальные модели робототехники на основе обучения с нулевым при- мером для автономного восприятия, рассуждений и действий в новых сце- нариях. Они способны интерпретиро- вать высокоуровневые команды и реагировать на сложные ситуации реального мира без предварительно- го обучения под конкретную задачу. Фундаментальные модели форми- руют когнитивное ядро, позволяя контекстным роботам, включая гума- ноидов, гибко выполнять разнооб- разные задачи в разных условиях без перепрограммирования. Три типа систем – на основе правил, обучения и контекста – формируют слоистую стратегию автоматизации. Их границынередко размыты, и один робот может использовать гибридный подход. Например, в коллаборативной сбороч- ной ячейке робот может следовать логи- ке на основе правил для точного выпол- нения операций, одновременно контро- лируя среду через системы восприятия. При отклонениях, например, при отсут- ствии детали или вмешательстве в про- цесс человека, система переключается на контекстное рассуждение, интерпре- тирует ситуацию и автономно решает проблему, после чего возвращается к ис- полнению по правилам. Интеллектуальная робототехника меняет правила игры Технологические достижения откры- вают ранее недоступные применения роботов, однако ключевая трансформа- ция заключается не только в новых технических возможностях, но и в эко- номической целесообразности их внед- рения. Как показано на рис. 2, будущее ин- теллектуальной робототехники опре- деляется упрощённым развёртывани- ем систем и более интуитивным взаи- модействием человека и машины. Это сокращает сроки внедрения и повыша- ет масштабируемость. С расширением возможностей физи- ческого ИИ и снижением требований к специализированным навыкам и ин- дивидуальной настройке под конкрет- ные задачи автоматизация становится экономически оправданной для гораз- до более широкого спектра операций. Такой сдвиг не только открывает но- вые сценарии применения, но и прин- ципиально меняет экономику автома- тизации в целом. Нерешённые ограничения в развитии робототехники Несмотря на быстрый прогресс, ряд задач остаётся нерешённым. Среди них: нехватка данных, развитие 3D-про- странственного интеллекта и обеспече- ние универсальной ловкости роботов. ● Нехватка данных. Большие языко- вые модели (LLM) получили широкое распространение благодаря возмож- ности собирать огромные объёмы данных из Интернета. Эти модели «переварили» множество веб-сайтов и книг, что обеспечило им эффектив- ность обучения. Физический ИИ так- же требует больших объёмов каче- ственных данных, однако специали- зированные наборы данных для ро- бототехники остаются ограниченны- ми и дорогостоящими, так как их не- обходимо собирать в реальных усло- виях производств. Эта проблема по- степенно решается за счёт прогресса в области синтетических данных. Фо- тореалистичная визуализация и ме- тодики «domain randomization» (тех- ника в машинном обучении, которая позволяет генерировать синтетиче- ские данные, имитирующие вариа- тивность реальных сред) позволяют моделировать различные условия освещения, текстуры и формы объ- ектов в виртуальной среде, обучая роботов распознавать и захватывать предметы в разнообразных реаль- ных ситуациях. В сочетании с уси- лиями по разработке открытого про- граммного обеспечения и ускорен- ным внедрением реальных роботи- зированных производств такие под- ходы постепенно сокращают разрыв в данных и значительно повышают эффективность обучения. Например, компании вроде Sanctuary AI начали с телеуправления – оператор управ- ляет одним или несколькими робо- тами, одновременно собирая данные. В дальнейшем эти данные исполь- зуются для обучения тех же роботов автономной работе. Технологии от Nvidia и других производителей поз- СТА 2/2026 31 www.cta.ru ОБ ЗОРЫ В будущем Эффективно в предсказуемых задачах или в контролируемых сценариях с известными объектами Область автоматизации Процесс внедрения Временные затраты Сегодня Масштабируемость Человеко-машинное взаимодействие Непредсказуемые сценарии и неизвестные объекты (например, случайный захват из контейнера) Технологически осуществимо Экономически целесообразно Высокие трудозатраты на программирование и обучение Средние/длительные сроки внедрения в промышленность (несколько месяцев/недель на программирование и реализацию) Ограниченная масштабируемость между схожими конфигурациями или сценариями применения Человек может адаптировать робота через интерфейсы или направляя его действия Требует относительно меньших инженерных усилий благодаря обучению и самообучению (до 70% экономии усилий) Ускоренное внедрение с использованием few-shot/zero-shot обучения (до 50% сокращение времени) Гибко масштабируется для выполнения различных задач, в разных средах и на разных типах роботов Обеспечивает интуитивное управление с помощью естественного языка жестов или голосовых команд Рис. 2. От автоматизации к автономии: как изменится промышленность с развитием Physical AI