Данные получены на основе опроса 75 компаний в январе - марте 2026 года. 

«Реальный мир требует разнообразия оборудования, гуманоиды хорошо подходят для перемещения в среде, созданной для людей, тогда как стационарные роботы эффективнее справляются с точными и повторяющимися операциями. Необходимо объединить их в рамках единой системы управления»

Архитектура Mind-0 построена на разделении высокоуровневого и низкоуровневого управления. Верхний уровень отвечает за понимание задач, планирование и принятие решений. Нижний представляет собой набор специализированных контроллеров, которые переводят общие команды в конкретные движения с учётом кинематики и особенностей каждой платформы.

Благодаря этому одна и та же модель понимает, что необходимо сделать, но реализует задачу по-разному на человекоподобном роботе и на стационарном манипуляторе.

Но главная фишка проекта связана с датасетами для обучения. Многие современные робототехнические системы собирают данные через телеоперации, когда человек напрямую управляет роботом и демонстрирует выполнение задачи.

Mind-0 обучалась на эгоцентрических данных (egocentric data/first-person view) и данных о движениях всего тела человека (whole-body data).

Первые — это записи действий с камеры на голове или в очках оператора, показывающие мир так, как его видит сам человек. А вторые — это запись того, как одновременно движутся все основные его части тела при выполнении задачи (motion capture).

Для её решения MindOn разработал систему компенсации исполнения в реальном мире (Real-World Execution Compensation Model).

По словам компании, она использует ограниченный объём данных с реальных роботов для корректировки различий между симуляцией и физическим исполнением задач.

В результате разработчики заявляют о достижении субсантиметровой точности манипуляций гуманоидом Unitree G1.

Компания не раскрывает показатели успешности выполнения задач, статистику отказов или результаты сравнительных испытаний.

Кроме того, остаётся открытым вопрос, насколько «единым» является Mind-0 на практике и какой объём специализированных алгоритмов скрывается внутри контроллеров отдельных роботов.

Тем не менее сама идея общего интеллекта для различных робототехнических платформ может оказаться одним из наиболее перспективных направлений развития воплощения в ближайшие годы.

❓ ПРОБЛЕМА:

✅ В двух словах: робот видит сцену, понимает человеческую речь и сразу совершает действие. И пока всё, что ему нужно, находится перед глазами, система работает.

✅ Но стоит переместить предмету в ящик и закрыть его, а задаче — прозвучать пару минут назад, как наш железный друг превращается в растерянного пенсионера, который забыл, зачем пришёл на кухню.

✅ Дело в том, что в трансформерах память — это контекстное окно, куда пытаются запихнуть всё, что модель видела и слышала. Но есть нюанс: механизм внимания имеет квадратичную сложность по длине последовательности.

✅ Грубо говоря, каждый новый кадр или токен заставляет модель пересчитывать взаимосвязи со всеми предыдущими, и чем дольше робот действует, тем дороже ему обходится каждый следующий шаг. Просто расширять контекст до бесконечности — значит сжигать гигаватты ради воспоминания о том, где лежит отвертка.

❗️РЕШЕНИЕ:

✅ Для преодоления описанного ограничения ребята из Института AIRI и МФТИ предложили архитектуру ELMUR. Вместо того, чтобы бесконечно раздувать контекстное окно, они добавили трансформеру компактную внешнюю память. Длинная последовательность контекста разбивается на сегменты, а после обработки каждого из них модель обновляет внешнее состояние памяти и передает его следующему сегменту.

✅ Благодаря этому трансформер может использовать информацию, полученную очень давно, без квадратичного роста вычислений. Получается что-то вроде долговременной памяти: роботу уже не нужно снова и снова прокручивать всю историю наблюдений, чтобы вспомнить важный факт.

КВАЗИРАЗУМНАЯ СУЩНОСТЬ:

⏺Испытуемым показывали процесс изготовления съедобного робота, подчеркивая, что он действительно состоит из пищевых ингредиентов: желатина, сахара, карбоната кальция и 100-процентного яблочного сока. По сути это нечто среднее между мармеладом и желейным мишкой.

⏺У робота были глаза и крошечные ручки, усиливающие ощущение социального присутствия. Внутри инсталляции расположены пневматические камеры: сжатый воздух заставляет желеобразное тело плавно раскачиваться из стороны в сторону, а скрытый под ним динамик воспроизводит речь.

ЭКСПЕРИМЕНТ:

⏺Затем участники эксперимента смотрели один из двух видеороликов. В первом робот разговаривал спокойным взрослым голосом, отвечая на вопросы человека в роли своеобразного «бога или наставника».

⏺Во втором он общался с помощью младенческих вокализаций, реагируя на жесты человека и игрушки радостью, страхом, гневом и грустью.

⏺После просмотра испытуемые оценивали робота по японской версии шкалы Mind Perception Scale, включающей 18 характеристик восприятия разумности какого-либо существа.

⏺Затем исследователи с помощью факторного анализа выделили два ключевых измерения:

1️⃣агентность (agency) — способность к рациональному мышлению, самоконтролю и принятию решений;

2️⃣переживание (experience) — способность испытывать эмоции, такие как боль, радость или страх.

Как и ожидалось, робот со взрослым голосом воспринимался значительно более рациональным и самостоятельным, а робот с младенческими вокализациями — более эмоциональным и чувствительным.

ГОЛОД И БЕСПОЩАДНОСТЬ ЛЮДЕЙ:

⏺В конце участников попросили представить, что им предлагают съесть этого робота, и оценить, насколько неприятной была бы такая идея и насколько сильное чувство вины они испытали бы.

⏺Оказалось, хотя голос и поведение заметно меняли восприятие «разумности» съедобного робота, это никак не повлияло на желание его съесть и не вызывало чувство вины.