В апреле 2026 года американская компания Generalist AI, основанная бывшим исследователем Google DeepMind, представила свою новую модель GEN-1. Этот шаг стал значительным скачком вперед: модель повысила среднюю успешность выполнения различных физических задач с 64% до впечатляющих 99%.

Ключевое отличие GEN-1 от предшественников — в подходе к обучению. Ранее многие модели, демонстрировавшие успешность выше 90%, полагались на огромные объемы дорогостоящих данных, собранных с помощью телеметрии (дистанционного управления). Generalist AI пошла другим путем. Для базового обучения модели использовались данные, собранные с помощью недорогих носимых устройств, которые фиксировали действия людей в повседневной жизни. Благодаря этому робот еще до первого контакта с реальным миром получает глубокое понимание физических процессов, что резко снижает потребность в «родных» данных с самого робота.

Результаты говорят сами за себя:

  • Скорость: GEN-1 собирает коробку за 12,1 секунды, тогда как предыдущим лучшим моделям требовалось около 34 секунд. В задаче по упаковке телефона в корпус он работает в 2,8 раза быстрее.
  • Эффективность: Для настройки под конкретную задачу модели требуется всего около 1 часа реальных роботизированных данных.

Компания отмечает, что GEN-1 демонстрирует высокую стабильность, что является ключевым фактором для внедрения в промышленности, где от роботов требуется надежная и повторяемая работа в различных условиях.

NVIDIA ENPIRE: роботы, которые учатся сами

Почти одновременно с этим исследователи из NVIDIA, Карнеги-Меллонского университета и Калифорнийского университета в Беркли представили фреймворк ENPIRE. Это система, в которой ИИ-агенты (кодирующие агенты) полностью берут на себя процесс обучения роботов, работая как автономная исследовательская лаборатория.

Вместо того чтобы полагаться на постоянное вмешательство человека, агенты ENPIRE сами:

  • Читают научные статьи и выдвигают гипотезы.
  • Пишут и переписывают код для тренировок.
  • Проводят эксперименты на реальных роботах, анализируют ошибки и вносят улучшения.

В ходе испытаний флот из восьми роботов, управляемых ИИ-агентами, достиг 99% успеха в выполнении сложных задач, таких как:

  • Вставка штифтов в разъемы.
  • Установка GPU в материнские платы.
  • Обрезание стяжек (кабельных хомутов).

Примечательно, что команда из восьми агентов справилась с задачей за 2 часа, в то время как одному агенту на это потребовалось почти 5 часов. Более того, в некоторых задачах ИИ-агенты показали результаты лучше, чем традиционные методы обучения с участием человека-эксперта.