WUWENAI делает ставку на замкнутый цикл Real-to-Sim-to-Real для обучения роботов

Для embodied AI — физического искусственного интеллекта, который должен воспринимать окружающий мир и действовать в нём, — главным ограничением становятся не только вычислительные мощности, но и данные. Роботу нужны не просто изображения или видеоролики, а синхронизированные сведения о наблюдениях, действиях, контактах, движении объектов и результате каждой попытки.

Именно на этом дефиците сосредоточила свою стратегию WUWENAI. Её основатель и генеральный директор Лю Шэнсян ранее отвечал за данные и тестирование систем автономного вождения в Baidu. Компания представляет свой подход как замкнутую систему Real-to-Sim-to-Real: данные собираются в физическом мире, превращаются в обучаемую модель мира, затем используются для масштабной симуляции и снова возвращаются в реальную среду для проверки и сбора новых примеров. 8

Как устроен замкнутый контур WUWENAI

1. Data Factory: привязка к физической реальности

На первом этапе мультимодальные комплексы фиксируют взаимодействия робота с предметами. Они синхронно собирают визуальные данные, информацию о движении, контактах, состоянии объектов, действиях робота и итогах выполнения задачи.

Замысел состоит в том, чтобы сохранить физические причинно-следственные связи, которых обычно не хватает обычным интернет-видео и полностью синтетическим сценам. Для управления роботом важно не только, как выглядит движение, но и почему предмет сдвинулся, где возникло сопротивление и что привело к успеху или сбою.

WUWENAI также представила платформу физических AI-данных Wuyin. По заявлению компании, она включает более 1 000 ТБ данных и 10 000 часов открытых высококачественных датасетов. 12

2. Generative World Model: расширение ограниченного опыта

Мировая модель учится тому, как меняется сцена, когда embodied-агент совершает определённое действие. После обучения она может создавать варианты уже известных задач: новые траектории, положения объектов, внешние помехи, неудачные попытки и другие контрфактические сценарии.

Проще говоря, модель должна отвечать на вопрос: «Что, вероятно, произойдёт, если робот сделает иначе?» В техническом смысле мировая модель формирует компактное представление сцены и её изменения во времени. 5

Это позволяет использовать небольшой, но физически заземлённый набор взаимодействий как основу для гораздо большего числа обучающих примеров. Однако реалистичная картинка сама по себе ещё не гарантирует правильной физики: для робота критичны контакты, трение, деформации и последствия ошибок.

3. World Simulator: обучение и проверка без постоянного доступа к железу

Мировая модель становится управляемым симулятором. В нём политики робота можно запускать быстрее и дешевле, чем на физических устройствах, сравнивать результаты, находить слабые места и выбирать сценарии, которые необходимо дополнительно проверить в реальном мире.

Исследования интерактивных симуляторов, управляемых действиями агента, показывают, что оценки политики внутри симуляции могут коррелировать с результатами в физической среде. Но это всё ещё активная область исследований, а не решённая технологическая задача. 3

Откуда должны взяться «миллионы часов» данных

Ключевой тезис Лю Шэнсяна не означает, что WUWENAI собирается физически записать миллионы часов работы роботов. Идея в другом: относительно небольшой массив реальных взаимодействий используется как «семенной» корпус, из которого модель генерирует множество управляемых траекторий.

Затем наиболее важные ошибки и редкие случаи возвращаются в физический контур. Новые реальные наблюдения корректируют симулятор и помогают ограничивать накопление расхождений между виртуальным и настоящим мирами. Виртуальная часть даёт масштаб, а физическая — проверку и заземление. Такой цикл соответствует развивающимся подходам к обучению роботов с подкреплением в связке с генеративными мировыми моделями. 4

Почему телеприсутствие, видео людей и чистая симуляция не решают задачу по отдельности

У каждого традиционного метода сбора данных есть сильные стороны, но также и существенные ограничения:

• Телеприсутствие даёт размеченные действия робота, однако требует времени, оборудования и операторов. Такие демонстрации чаще отражают успешное поведение и плохо покрывают редкие ошибки, опасные ситуации и альтернативные варианты действий.
• Видео от первого лица позволяют быстро наращивать объём данных, но обычно не содержат действий робота, калиброванной геометрии, сигналов силы и контакта. Поэтому они служат слабой основой для обучения манипуляциям.
• Чистая симуляция дёшева и разнообразна, но может неверно моделировать геометрию, динамику контактов, шум сенсоров, поведение объектов и особенности человеческой среды. Это и есть классический разрыв sim-to-real — проблема переноса навыка из симуляции в реальность. Динамическое согласование цифрового двойника с реальными наблюдениями должно помочь этот разрыв сократить. 2

По замыслу WUWENAI, Real-to-Sim-to-Real не отменяет физический сбор данных, а делает его более адресным: в реальном мире проверяются прежде всего те случаи, где симулятор или политика проявили слабость.

Переход от имитации к обучению с подкреплением

Демонстрации обычно запускают имитационное обучение: модель учится повторять действия человека или заранее заданной политики. Это принцип «делай так, как показал демонстратор».

Если же симулятор достаточно надёжен и понимает связь между действием и будущим состоянием сцены, политика может пробовать альтернативные действия, получать награды за результат, оптимизировать длинные последовательности и учиться восстанавливаться после неудачи. Это уже обучение с подкреплением.

Недавние исследования показывают возможность дообучать vision-language-action-политики — модели, связывающие зрение, язык и действия, — в мировых моделях с помощью виртуальных прогонов. Но определяющими ограничениями остаются качество функции награды и точность самой модели мира. 1

Конкуренция: скорее общая архитектура, чем гонка отдельных функций

Подход WUWENAI вписывается в более широкий технологический тренд. World Labs также описывает движок SceniX как систему R2S2R, которая превращает одну физическую задачу во множество управляемых и повторно используемых виртуальных миров для обучения и тестирования политик. 7

Google DeepMind уже давно связывает обученные модели динамики с масштабируемым обучением с подкреплением. 3 У Tesla Optimus есть серьёзные преимущества в аппаратных итерациях, производстве и экосистеме данных и вычислений. Однако открытых данных недостаточно, чтобы утверждать, что WUWENAI технически опережает Tesla или DeepMind.

Поэтому конкуренция идёт не столько между отдельными функциями, сколько между инфраструктурными контурами: кто лучше соберёт физически достоверные данные, построит симуляцию, проверит перенос навыков и превратит результаты эксплуатации в новые обучающие примеры.

Почему китайский рынок создаёт благоприятные условия

В Китае находится крупнейшая в мире установленная база промышленных роботов. Страна также активно развивает гуманоидную робототехнику и локализует отдельные элементы цепочки поставок. 6 Официальные заявления описывают embodied AI как отрасль, переходящую от небольших пилотных партий к более широкому внедрению. 9

Это формирует потенциально крупную внутреннюю базу фабрик, роботов, задач и реальных сценариев эксплуатации. Для компании, строящей инфраструктуру данных, такой рынок может стать источником физических взаимодействий и площадкой для продажи общих инструментов производителям разных роботов.

Главная оговорка

Заявления о статусе WUWENAI как «мирового лидера» и о том, что компания опережает конкурентов на месяцы, пока остаются утверждениями самой компании и медиа, а не результатами независимых сопоставимых бенчмарков.

Настоящая проверка будет заключаться в другом: сможет ли симулятор достаточно точно предсказывать контактные, нестандартные и долгосрочные исходы, чтобы политики, обученные внутри него, стабильно работали на разных роботах, с разными объектами и в разных условиях. Если да, Real-to-Sim-to-Real действительно может превратить дефицит физических данных в масштабируемую инфраструктуру. Если нет, виртуальный контур рискует лишь быстро воспроизводить ошибки, которые были заложены в его исходных данных.