Лондонська компанія Humanoid представила KinetIQ Ascend — революційний підхід до навчання гуманоїдних роботів, заснований на методі проб і помилок безпосередньо на реальних виробничих завданнях. Розробник стверджує, що ця технологія здатна підвищити точність маніпуляцій до 99,9% при швидкості, порівнянній з людською або вищою за неї.
KinetIQ Ascend розширює існуючий фреймворк KinetIQ. На відміну від традиційного імітаційного навчання, де робот просто копіює дії людини, новий метод використовує навчання з підкріпленням (RL). Система самостійно повторює завдання, отримує сигнал про успіх або помилку і на основі цього безперервно оптимізує свою поведінку. Ключова відмінність — RL запускається не в симуляції, а цілодобово на реальному обладнанні та у виробничих сценаріях. Humanoid заявляє, що це перша опублікована демонстрація наскрізного RL на основі зору для VLA-моделей, навчених на реальній дворукій гуманоїдній платформі в умовах розгортання.
Чому ставка на RL — це зміна парадигми
Раніше Humanoid, як і багато конкурентів, покладалася на імітацію людських демонстрацій. Однак, як справедливо зазначають у компанії, «модель, що копіює демонстрації, не може перевищити швидкість або якість демонстратора і не вчиться ціні помилки». Останні відсотки надійності та перехід до надлюдської швидкості вимагають іншого підходу. KinetIQ Ascend закриває цю прогалину за рахунок безперервної практики на реальних завданнях. Це нагадує масштабування великих мовних моделей: чим довше навчання, тим вища успішність.
Тестування KinetIQ Ascend на трьох виробничих завданнях продемонструвало вражаючі результати:
- Укладання підшипникових кілець: Після RL-навчання пропускна здатність зросла на 42% — до 412 кілець на годину проти 291 у базової моделі.
- Передача предмета людині: Пропускна здатність збільшилася на 85%, середня тривалість епізоду знизилася на 35%, а успішність піднялася з 80% до 98%.
- Підйом контейнера двома руками: Після кількох днів навчання пропускна здатність зросла з 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%.
Компанія також зазначила, що покращення найскладнішого етапу операції може підвищити результат усього завдання, а навик переноситься на об'єкти, яких робот не бачив під час RL-навчання. При цьому приріст вимірювався через паралельне A/B-порівняння з поточною базовою моделлю, що критично важливо для реальних виробничих середовищ, де результат може змінюватися через освітлення, положення об'єктів або знос обладнання.
Промислова експансія та гонка гігантів
Humanoid активно будує промисловий ланцюжок у Європі. У компанії працює понад 250 інженерів і дослідників. Нещодавно було оголошено про партнерство з Bosch, який стане контрактним виробничим партнером для випуску роботів HMND 01 на європейському ринку. Крім того, підписано поетапну зобов'язальну 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. Figure залучила понад $1 млрд при оцінці $39 млрд, Apptronik закрила раунд на $935 млн, а Китай з 2024 року спрямував на розвиток галузі не менше $20 млрд. Однак реальні продажі поки обмежені — минулого року було реалізовано близько 12 000 гуманоїдних роботів, в основному для дослідницьких цілей.
Думка експерта: KinetIQ Ascend — це саме той крок, який відокремлює лабораторні експерименти від промислового впровадження. Перехід від імітації до самостійного навчання на реальних помилках — єдиний шлях до створення справді автономних роботів, здатних працювати в непередбачуваному середовищі. Якщо Humanoid вдасться масштабувати цей підхід, ми станемо свідками початку нової ери в автоматизації виробництва.