Лондонська компанія Humanoid офіційно представила KinetIQ Ascend — інноваційний підхід до навчання гуманоїдних роботів, заснований на методі проб і помилок безпосередньо в умовах реального виробництва. Ця технологія, за заявою розробника, здатна підвищити ефективність маніпуляцій до 99,9% при швидкості, порівнянній або вищій за людську.
KinetIQ Ascend є розширенням існуючого фреймворку KinetIQ, який лежить в основі всіх роботів Humanoid. Ключова відмінність нового підходу — використання навчання з підкріпленням (reinforcement learning, RL). На відміну від простого копіювання людських дій, система самостійно повторює завдання, отримує зворотний зв'язок про успіх або помилку та ітеративно покращує свої дії. Humanoid запускає RL не у віртуальній симуляції, а прямо на реальному обладнанні, у цілодобовому режимі та у виробничих сценаріях. Це, за моїми даними, перша опублікована демонстрація наскрізного RL на основі зору для VLA-моделей (vision-language-action), навчених на реальній дворукій гуманоїдній платформі в умовах розгортання.
Чому RL, а не імітація?
До цього моменту Humanoid, як і більшість конкурентів, покладалася на навчання через імітацію людських демонстрацій. Однак, як справедливо зазначають у компанії, модель, що копіює демонстрації, принципово не може перевищити швидкість або якість демонстратора і не вчиться ціні помилки. Для досягнення останніх відсотків надійності та переходу до надлюдської швидкості потрібен принципово інший підхід. KinetIQ Ascend покликаний закрити цей розрив за рахунок безперервної практики на реальних завданнях. Компанія порівнює цей процес із масштабуванням великих мовних моделей: чим довше триває навчання, тим вища успішність.
Humanoid вже протестувала KinetIQ Ascend на трьох виробничих завданнях із вражаючими результатами:
- Захоплення сталевих підшипникових кілець: Після RL-навчання пропускна здатність зросла на 42% — з 291 до 412 кілець на годину.
- Передача предмета людині: Пропускна здатність збільшилася на 85%, середня тривалість епізоду знизилася на 35%, а успішність піднялася з 80% до 98%.
- Дворучний підйом контейнера: Після кількох днів навчання пропускна здатність зросла зі 122 до 279 контейнерів на годину, середня тривалість епізоду скоротилася з 22,9 до 12,8 секунди, а успішність піднялася з 77,6% до 98,9%.
Важливо зазначити, що Humanoid проводила паралельне A/B-порівняння з поточною базовою моделлю, що критично важливо для реальних виробничих середовищ, де результат може змінюватися через освітлення, положення об'єктів та знос обладнання. Компанія також виявила два ключові висновки: покращення найскладнішого етапу операції може підвищити результат усього завдання, а набутий навик переноситься на об'єкти, яких робот не бачив під час RL-навчання.
Промисловий ланцюжок та конкуренція
Humanoid активно будує промисловий ланцюжок у Європі. У компанії працює понад 250 фахівців, а офіси розташовані в Лондоні, Бостоні та Ванкувері. У травні було оголошено про партнерство з Bosch, який стане контрактним виробничим партнером для випуску моделі HMND 01 на європейському ринку. Крім того, Humanoid уклала поетапну обов'язкову угоду з Schaeffler, яка передбачає розгортання від 1000 до 2000 роботів на глобальних виробничих майданчиках партнера до 2032 року.
Анонс KinetIQ Ascend відбувається на тлі прискорення гонки в гуманоїдній робототехніці. Американська Figure залучила понад $1 млрд, Apptronik — понад $935 млн, а Китай з 2024 року спрямував на розвиток галузі не менше $20 млрд. Тим не менш, реальні продажі поки обмежені: минулого року було реалізовано близько 12 000 гуманоїдних роботів, в основному для дослідницьких цілей.
Думка експерта: KinetIQ Ascend — це значний крок вперед, який вирішує ключову проблему сучасної робототехніки: перехід від лабораторних демонстрацій до надійної промислової експлуатації. Здатність вчитися на власних помилках у реальному середовищі, а не в симуляції, дозволяє роботам адаптуватися до непередбачуваних умов. Якщо Humanoid вдасться масштабувати цей підхід, ми станемо свідками не просто еволюції, а справжньої революції в автоматизації виробництва, де роботи будуть не просто інструментами, а повноцінними, самонавчальними членами команди.