Китай будує не лише роботів, а й «фабрики даних» для їхнього інтелекту

Всесвітня конференція роботів 2026 року в Пекіні показала, куди рухається китайська індустрія гуманоїдних роботів: від складання дедалі досконаліших машин — до створення інфраструктури даних, яка має навчити їхній умовний «мозок».

За даними, наведеними на конференції, у Китаї вже працюють або будуються щонайменше 90 центрів збору та навчання даних для гуманоїдних роботів. Це свідчить про зміну інвестиційних пріоритетів. Водночас захід продемонстрував і розрив між промисловим масштабом виробництва даних та доказами того, що ці дані справді створюють інтелект, здатний переносити навички між різними роботами, завданнями й робочими середовищами. 13

Новий стратегічний ресурс — дані про фізичну взаємодію

Для корисного гуманоїдного робота недостатньо зображень або текстів. Навчання фізичного інтелекту потребує інформації про те, що людина бачить, як рухається її тіло, як предмети реагують на дії та як завдання розгортається в часі.

Тому цінними складовими моделей «втіленого» ШІ стають відео від першої особи, дані про положення тіла, глибину сцени, дотики та внутрішній стан самого робота.

Компанія Lightwheel AI втілила цю ідею в проєкті EgoSuite-Open100K — наборі даних про людську активність від першої особи, який у перспективі має сягнути 100 000 годин. Він охоплює понад 15 000 завдань і реальних сцен збору даних. Використовуються камери на голові та зап’ястях, а також інформація про положення кистей і всього тіла, семантичні мітки та глибину. Перші 10 000 годин доступні через Hugging Face; проєкт також передбачає поширення через AtomGit. 1 12

Перевага такого підходу очевидна: демонстрації людей дають змогу охопити широкий спектр побутових рухів і маніпуляцій без необхідності записувати кожен приклад на дорогому фізичному роботі. Проте людський досвід не є автоматично еквівалентним роботизованому.

Людина природно компенсує втрату рівноваги, тертя та контакт із поверхнею. Робот же має сприймати й контролювати ці фізичні ефекти за допомогою власних сенсорів і механіки.

Шість підходів до збору даних і головний компроміс

Тянь Фен із Дослідницького інституту інтелектуальних індустрій SenseTime описав шість паралельних підходів до збору даних. Серед них — телеоперація, захоплення рухів, синтетичні дані та збір інформації безпосередньо на реальних виробничих лініях. 13

Кожен метод охоплює окрему частину проблеми:

• Телеоперація дає змогу зберігати специфічні для робота дії та фізичний зворотний зв’язок, але потребує роботизованого обладнання, операторів і контрольованої інфраструктури.
• Захоплення рухів дає змогу масштабно записувати людську кінематику, однак не обов’язково фіксує сили та обмеження, з якими зіткнеться робот.
• Синтетичні дані ефективно генерують рідкісні сценарії, але змодельована поведінка все одно має працювати у фізичному світі.
• Збір на виробничій лінії найближчий до комерційного застосування, оскільки фіксує конкретні завдання, помилки та обмеження середовища.
• Запис дій людини від першої особи забезпечує ширше охоплення та нижчу вартість, але може не містити таких важливих для робота параметрів, як крутний момент у суглобах і сила контакту.

Різниця у вартості може бути суттєвою: збір даних із людиною без фізичного робота коштує приблизно в п’ять разів дешевше, ніж запис демонстрацій на роботизованій платформі. Компроміс полягає в тому, що такі дані можуть відображати спосіб виконання завдання найманими збирачами, а не досвідченими працівниками. 13

Це не означає, що людські дані слід відкидати. Радше їх варто розглядати як один із шарів ширшої навчальної системи — разом із телеоперацією, даними про стан робота, симуляціями та зворотним зв’язком із реальних розгортань.

Ланцюжок постачання стає ланцюжком збору даних

Конференція також показала: роботизована інфраструктура — це вже не лише двигуни, акумулятори та корпуси. До неї входить обладнання для запису демонстрацій і сенсомоторної поведінки: системи зйомки від першої особи, ручні інтерфейси, рукавички, тактильні сенсори, камери, мікроконтролери, пам’ять і аналогові компоненти. Усе це стає частиною єдиного конвеєра даних. 13

Такий підхід може здешевити збір великих масивів демонстрацій. Але водночас він загострює проблему стандартів. Дані, зібрані за допомогою різних сенсорів, процедур калібрування, просторів дій, програмних платформ і правил розмітки, можуть погано поєднуватися між собою.

У результаті виникають так звані «острівні дані» — корисні записи, замкнені в апаратно-програмному комплексі, який їх створив. Відкритий набір даних може зменшити цю проблему, але сама відкритість не гарантує повторного використання. Потрібні спільні схеми даних, метадані калібрування, узгоджені правила синхронізації, інтерфейси та протоколи оцінювання. Лише тоді великий обсяг інформації зможе перетворитися на спільну технологічну спроможність. 13

Чи працює у робототехніці закон масштабування ШІ?

Залишається відкритим питання, чи переноситься на робототехніку знайома за великими моделями закономірність: більше даних і більші моделі дають дедалі потужніші системи.

У звіті GEN-0 за листопад 2025 року компанія Generalist AI дала обнадійливу, але обмежену відповідь. У її експериментах менші моделі погано засвоювали дедалі різноманітніші сенсомоторні дані — явище компанія назвала «окостенінням» моделі. За більших масштабів якість продовжувала зростати, а приблизно на рівні 7 мільярдів параметрів звіт зафіксував можливий перехід до іншого режиму навчання. 36

Це важливе свідчення, але ще не універсальний закон для всієї робототехніки. Результати належать одній компанії та залежать від її моделей, даних і методики оцінювання.

До того ж робот має додаткове обмеження, якого текстові моделі не мають у такій самій формі: політика керування повинна діяти через конкретне тіло, у конкретному середовищі та за реальних фізичних обмежень.

Тож практичне питання полягає не лише в тому, чи достатньо велика модель. Важливо, чи містять дані потрібні фізичні сигнали та чи переноситься набута навичка між різними роботами й реальними завданнями.

Велика кількість роботів ще не означає великий попит

Масштаб китайського виробництва дає країні перевагу в розгортанні роботів для експериментів і збору даних. Але кількість поставлених машин може вводити в оману, якщо більшість із них досі демонструє можливості, а не створює стабільну економічну цінність.

За даними Interact Analysis, у 2025 році світове виробництво гуманоїдних роботів перевищило 20 000 одиниць, але лише близько 10% із них використовувалися в реальних прикладних сценаріях. Більшість призначалася для досліджень, збору даних або розваг. Китай став головним рушієм як пропозиції, так і перших етапів впровадження гуманоїдних роботів. 21

Цей контекст важливий для розуміння буму центрів роботи з даними. Державна підтримка, гуртові закупівлі та програми викупу даних можуть швидко збільшити кількість роботів, майданчиків і записаних годин. Вони здатні допомогти сформувати екосистему навчання, але самі по собі не доводять, що клієнти платитимуть за роботів, які стабільно знижують витрати, підвищують продуктивність або виконують роботу, недоступну людям.

Справжнє вузьке місце — узгодження всіх елементів

Пекінська конференція не довела, що Китай уже створив універсальний «мозок» для втіленого інтелекту. Вона показала, що індустрія збирає необхідні компоненти у незвично великому масштабі:

1. Широкі дані з людських демонстрацій і різноманітних середовищ.
2. Фізично достовірні дані з телеоперації, роботизованих сенсорів і реальних виробничих завдань.
3. Сумісну інфраструктуру, яка дає змогу переносити записи між різними роботами та програмними стеками.
4. Моделі, здатні масштабуватися й переносити навички, а не просто запам’ятовувати демонстрації.
5. Зворотний зв’язок із розгортань, який фіксує помилки, відновлення після них і втручання оператора.
6. Комерційний дохід, що фінансує подальший збір даних без постійної залежності від субсидій.

Екосистема, яку пропонує Lightwheel, також орієнтується на такий цикл: відкриті стандарти даних, збір інформації під конкретні критерії оцінювання та спільне проєктування даних і моделей. 1

Тому найточніший висновок звучить скромніше, ніж теза «Китай створив роботизований мозок». Китай будує фабрики, інструменти й набори даних, покликані зробити такий мозок можливим. Чи приведуть ці інвестиції до появи справді універсальних гуманоїдів, залежатиме від якості даних, їхньої фізичної достовірності, сумісності між апаратними платформами та доказів того, що роботи створюють стійку цінність за межами демонстрацій і дослідницьких лабораторій.