Чому китайські стартапи світових моделей шукають власний шлях, а не наздоганяють США

Світові моделі стають одним із центральних напрямів фізичного ШІ — систем, які мають не просто генерувати переконливе відео, а й уявляти, як змінюється середовище та до чого приводять дії. На WAIC 2026 — Всесвітній конференції зі штучного інтелекту в Шанхаї — учасники панелі за участю Muka Robotics, Shengshu Technology, EvoPhys.ai та Chengwei Capital висунули іншу логіку конкуренції: китайським стартапам не обов’язково повторювати американську гонитву за дедалі більшими моделями.

Йдеться не про твердження, що Китай має такий самий доступ до передових обчислювальних ресурсів. Аргумент панелістів інший: у світових моделях дедалі важливішими можуть ставати ефективність навчання, дані взаємодії з реальним світом і швидке тестування на роботах. Масштаб робототехнічної присутності на самій WAIC добре ілюструє контекст: за одним із повідомлень, у заході брали участь понад 200 компаній у сфері втіленого ШІ та робототехніки. 8

Від гонитви за масштабом — до ефективності ітерацій

На панелі порівняння з провідними лабораторіями США назвали менш корисним для галузі, де ще не усталилися ні технічні стандарти, ні комерційні правила гри. Їхня теза: команда з меншими обчислювальними ресурсами все ще може бути конкурентною, якщо дешево збирає корисні фізичні дані, ефективно навчається на різнорідних масивах і швидко перевіряє помилки на реальних машинах.

Як приклад такого підходу в матеріалах про подію згадувався результат Muka Robotics у WorldArena: компанія повідомила про високе місце в рейтингу, використавши 32 GPU. Водночас це заявлений компанією бенчмарк-результат, а не незалежно перевірений доказ загального технологічного лідерства. 3

Різниця тут практична. Відеомодель можна оцінювати за правдоподібністю зображення. Втілену світову модель можна перевіряти за тим, чи спрацює передбачена нею дія робота за реальних фізичних обмежень. Неправильне уявлення про контакт, рух або стан предмета виявиться тоді, коли робот спробує діяти у світі, а не лише змоделювати його на екрані.

Роботи як джерело даних і перевірки

Логіка панелі спирається на замкнений цикл між світовими моделями та втіленим інтелектом:

1. Світові моделі допомагають роботам передбачати зміни довкілля та можливі наслідки дій.
2. Роботи допомагають світовим моделям, генеруючи дані взаємодії, прив’язані до конкретних дій, і даючи прямий зворотний зв’язок: чи справдився прогноз у фізичному світі.
3. Повторні розгортання та перенавчання можуть прискорити цикл збору даних, проєктування моделі й оцінювання результатів.

Масштаб робототехнічної експозиції WAIC пояснює, чому учасники дискусії вважають це важливим для Китаю. Офіційний гід конференції повідомляв про понад 300 роботів у динамічних сценаріях застосування, а інше висвітлення — про понад 200 компаній втіленого ШІ та робототехніки. 108

Це не доводить, що якась країна вже має вирішальну перевагу в даних. Але пояснює стратегічну ідею: велика й різноманітна робототехнічна база створює більше можливостей і для збору даних взаємодії, і для перевірки, чи справді фізичні прогнози моделі корисні.

Щільний ланцюг постачання — це насамперед швидкість

Панелісти також посилалися на координацію обладнання за «шенчженьською» моделлю: постачальники компонентів, інтегратори, виробники роботів і команди розробників можуть бути достатньо близькими — географічно та комерційно — щоб скоротити шлях від виявленої помилки моделі до нового експерименту.

У цій логіці перевага полягає не лише в дешевшому «залізі». Важливо швидко змінити конфігурацію сенсорів, робочий орган робота, процедуру збору даних чи саму платформу, а потім оперативно повернути нові дані в навчання. Для фізичного ШІ це може мати особливе значення, адже якість моделі залежить від машин, сенсорів і середовищ, на яких її навчають і перевіряють.

Проте це стратегічна ставка, а не гарантований шлях до технічної переваги. Швидке постачання й інтеграція прискорюють експерименти, але самі по собі не розв’язують проблеми узагальнення, безпеки, надійності чи комерційної життєздатності.

Архітектура — друга половина цієї тези

Прикладом архітектурного підходу, який обговорювали в цьому контексті, є робота Shengshu Technology над world-action моделями. У дослідженні MotuBrain відео та дії об’єднано в спільну генеративну постановку: моделювання політики, світове моделювання, генерація відео, зворотна динаміка й спільне прогнозування відео та дій постають як різні режими виведення однієї моделі. 32

Shengshu заявляє, що MotuBrain спільно моделює розуміння, прогнозування та дію, аби краще використовувати різнорідні дані й посилити перенесення навичок між завданнями. 33 Практично це спроба зменшити розрив між системою, яка спостерігає світ, передбачає його розвиток і обирає дію.

Значення цього підходу не в тому, що одна опублікована архітектура вже визначила всю галузь. Він радше показує, чому дизайн моделі може створювати важіль: якщо одна система повторно використовує інформацію для відео, дій і фізичного прогнозування, корисні можливості не обов’язково зростатимуть у прямій пропорції до обсягу обчислень.

Альтернатива: починати з фізики

EvoPhys.ai на панелі представили як підхід до того самого вузького місця з іншого боку: вивчати фізичні закономірності на базових взаємодіях, а не покладатися передусім на величезні ретельно відібрані відеокорпуси. Задум полягає в тому, щоб модель була краще прив’язана до сил, контакту, руху та наслідків дій.

Схожа активність була помітна й на WAIC. TrendForce повідомляв, що Moore Threads продемонструвала повне навчання EvoPhys-World Пекінського університету — описаної як 5D-світова модель — на вітчизняній обчислювальній інфраструктурі. 9 Це підтверджує активну роботу в цьому технічному напрямі, але не є незалежним підтвердженням ширших заяв про порівняльну продуктивність, ефективність даних чи національне лідерство.

Чому це назвали можливістю «розміром із Тайшань»

Метафора гори Тайшань передає дві сторони одного аргументу.

Можливість

Якщо світові моделі стануть базовим шаром для роботів, автономних систем і симуляцій, ранні команди можуть вплинути на важливі стандарти: які дані збирати, як вимірювати фізичне мислення, які типи роботів підтримувати та які застосування приносять реальну цінність. Відсутність усталеного світового лідера чи готової продуктової моделі залишає простір для тих, хто стартує першим.

Тягар

Та сама відсутність шаблону підвищує ризики виконання. Стартапам доводиться робити дорогі ставки на пайплайни даних, апаратні платформи, архітектури, методи оцінювання, клієнтів і бізнес-моделі ще до того, як ринок покаже, які рішення переживуть першу хвилю. А перевірка у фізичному світі часто повільніша й дорожча за оцінювання суто програмної моделі.

Тому аргумент панелі не слід читати як заяву, що Китай уже виграв перегони світових моделей. Це теза про характер конкуренції: у молодій сфері, де моделі мають вчитися на фізичному світі й діяти в ньому, поряд із обчислювальними ресурсами стратегічними чинниками можуть стати швидкість ітерацій, якість даних та архітектура.

За чим стежити далі

Цю тезу перевірятимуть не конференційні заяви, а результати у чотирьох напрямах:

• Незалежні оцінювання: вимірювання фізичного прогнозування та роботи реальних роботів у різних середовищах, а не поодинокі демонстрації.
• Ефективність використання даних: чи зможуть моделі помітно покращуватися на обсягах даних взаємодії, які реально зібрати й розмітити.
• Перенесення між різними роботами: чи здатна модель, навчена на одному роботі, наборі сенсорів або завданні, працювати на інших без масштабного перенавчання.
• Економіка впровадження: чи роблять світові моделі роботів достатньо безпечнішими, надійнішими або дешевшими для тривалого комерційного використання.

Наразі джерела підтверджують активну участь робототехнічного сектору у WAIC та опубліковану Shengshu постановку world-action моделі. Вони не дають незалежного підтвердження конкретних порівнянь обчислювальних ресурсів, заявленої кількості компаній, що можуть постачати дані, чи загальногалузевого китайського лідерства. Отже, ці твердження варто сприймати як амбітну стратегічну гіпотезу, переконливість якої залежатиме від відтворюваних результатів у реальному світі. 8103233