❗️В Xiaomi предложили поменять парадигму обучения разом. А вместе с ней и сверхдорогую экономику:

1️⃣Собираем относительно небольшой объём реальных данных.

2️⃣ Затем используем фундаментальную модель понимания физического мира (world foundation model) как фабрику контента для роботов.

3️⃣ Производим практически неограниченное количество новых, согласованных и разнообразных демонстраций.

4️⃣ Проверяем жизнеспособность и масштабируемость подхода.

Если всё сработает, то на смену лабам с роботами, камерами и «тренерами» придут очередные вычислительные кластеры с генеративными моделями. И будут вырублены ещё гектары леса, потрачены тонны воды и гигаватты электричества!

⏺Многокамерное зрение. Для людей кружка остаётся той же самой кружкой независимо от того, смотрим мы на неё сверху или сбоку — это называется константностью восприятия. У робота же картина часто строится со многих камер, что искажает трёхмерную геометрию окружающего мира.

Поэтому U0 генерирует сразу полный набор синхронизированных изображений одной и той же сцены, сохраняя согласованность положения объектов, рук робота, теней и перспективы между всеми ракурсами. И для обучения это просто топ!

⏺ Режим embodied transfer — метод генерации синтетических робототехнических данных, при котором сохраняется воплощённое взаимодействие (embodied interaction) между роботом и объектом, а окружающая среда целенаправленно изменяется для получения новых обучающих демонстраций.

Предположим, робот научился складывать полотенце на белом столе. Раньше, чтобы проверить его в других условиях, пришлось бы снова устраивать съёмки. Теперь достаточно попросить модель:

«Оставь движения робота прежними, но перенеси всё действие на кухню, выключи дневной свет, добавь комнатные растения, а полотенце сделай синим».

Робот при этом продолжает выполнять ту же задачу, а исследователь получает совершенно новую демонстрацию.

Проверка на практике:

Специалисты Xiaomi использовали синтетические данные, созданные U0, чтобы дообучить существующую робототехническую модель pi₀.₅.

👍 Результат оказался весьма убедительным: успешность выполнения задач в условиях, отличающихся от обучающих (OOD) выросла с 36,9% до 63,2%.

🧠 Не менее важна и инженерная сторона работы: для ускорения генерации изображений в U0 используется схема FlashAR+, которая сокращает время создания изображения 1024×1024 примерно с 451 до 5,4 секунды, обеспечивая ускорение до 82,9 раза.

Кажется, даже сами процессоры GPU наконец смогли перевести дух!

«Готовы ли вы лечь под нож полуавтономного хирургического робота?»

Из положительных сторон роботизации хирургии пациенты выделяют:

✅ более высокую точность;
✅ меньшее влияние человеческой усталости;
✅ снижение вероятности ошибок;
✅ возможность проводить сложные операции в небольших региональных больницах, где сегодня не хватает специалистов.

❗️На самом деле, это простой советский...

... демонстрация транспортного режима, а не какая-то специальная функция самоупаковки.

👤 Робот получает команду от оператора, затем складывает ноги, максимально уменьшает свою высоту и помещается внутрь транспортного кофра. После чего оператор закрывает крышку.

Почему это вообще возможно
У LUNA?

🟢сравнительно короткие голени;
🟢очень большой диапазон сгибания тазобедренных суставов;
🟢колени складываются почти полностью;
🟢руки можно прижать вдоль корпуса.

В результате высота гуманоида уменьшается примерно почти вдвое.

Для сравнения: UBTECH во время выхода на Гонконгскую биржу в 2023 году привлекла всего около $130 млн. 

Почему Unitree оценивают как серьёзный бизнес?

1️⃣ В 2025 году выручка компании выросла примерно в 4,3 раза — до 1,699 млрд юаней. Чистая прибыль составила 278 млн юаней.

2️⃣ Валовая маржа достигла необычных для производителя оборудования 60,1%. Этому помогли собственные приводы, редукторы, контроллеры и другие компоненты, масштабирование производства и более высокая маржинальность зарубежных продаж.

2️⃣ В 2025 году гуманоиды впервые обошли робособак и принесли Unitree около 868 млн юаней — 51,8% основной выручки.

4️⃣ Компания поставила покупателям более 5500 гуманоидов, а произвела свыше 6500 (32,4% мировых поставок).

От производителя роботов — к экосистеме

🟢 Из привлечённых денег около 2,02 млрд юаней Unitree собирается потратить на собственные модели воплощенного ИИ (embodied AI). Ещё 1,11 млрд пойдёт на новые робототехнические платформы, 445 млн — на разработку продуктов и 624 млн — на производственную базу.

🟢 Железо без навыков — дорогой способ эффектно постоять в офисе. Поэтому в декабре 2025 года компания представила UniStore — своеого рода App Store для роботов, а в мае 2026-го полностью открыла платформу.

Пользователь может подключить робота через мобильное приложение и загрузить готовое движение или поведенческую программу. В программе танцы, шуточные движения и кунг-фу. Навык «помыть посуду и ничего не разбить» в топ продаж ещё не вышел. Потому что его нет 🤷🏻‍♂️

Разработчики, в свою очередь, могут публиковать собственные модели и наборы действий.

🟢 Параллельно Unitree развивает открытые SDK для G1, H1, H2, R1 и четвероногих платформ, инструменты обучения с подкреплением, симуляции в Isaac Gym и MuJoCo, а также перенос политик управления из симулятора на реального робота.

🟢 Отдельная часть экосистемы — открытая архитектура UnifoLM-WMA-0, объединяющая модель мира и генерацию действий для разных типов роботов.

В 2026 году компания также начала публиковать UnifoLM-WBT-Dataset — пополняемый набор реальных данных полнотелесной телеперации G1. В него входят манипуляции с предметами, работа с техникой, уборка и другие задачи, где роботу приходится одновременно координировать корпус и конечности.

🟢 Ещё один важный элемент — H2 Plus, создаваемый вместе с NVIDIA. Платформа объединяет тело Unitree H2, тактильные пяти­палые руки Sharpa, вычислитель Jetson Thor и инструменты Isaac GR00T — от телеперации и обучения до симуляции и запуска модели на роботе. Поставки заявлены на конец 2026 года.

Вместо традиционного сценария «робот встал — инженер открыл 17 терминалов — началась археология по логам» система сама сообщает:

⏺ пропали сообщения лидара;
⏺ изображения с камеры перестали обновляться;
⏺ один из узлов аварийно завершился;
⏺ вот подозрительный топик;
⏺ вот вероятная причина;
⏺ а вот что стоит проверить дальше.

Как проверяли эффективность?

В контролируемом исследовании 28 разработчиков с помощью RosHD успешно справились с 92,85% диагностических заданий. При использовании базовой справочной поддержки — только с 17,86%.

Впрочем, стоит немного приглушить аварийную сигнализацию хайпа. Все неисправности создавались в Gazebo на TurtleBot3 и были заранее определены. Так что не факт, что RosHD безошибочно найдёт плавающую проблему DDS, дрейф калибровки, перегрев контроллера или рассинхронизацию временных меток на реальном промышленном роботе.

Да и истинную причину намеренно внесённого сбоя ранняя версия определяла лишь в 18% прогонов. Пока система заметно лучше отвечает на вопрос «где искать», чем указывает, «кто виноват».

🧠 А делать-то что? Ответ — новая архитектура AAAI (Aging-Aware Autonomous Intelligence). Да, название больше похоже на крик ужаса или аббревиатуру для Анонимных Алкоголиков с Искусственным Интеллектом? Но нет, это всего лишь попытка придать машине христианское смирение перед фактом, что её аккумулятор уже не торт, сенсоры дрейфуют, а процессор тихо деградирует под напором времени и температур.

👍 Что предлагает AAAI? По сути, прикрутить к роботу постоянный медицинский осмотр и связать его напрямую с планировщиком задач.

Состояние каждого критического компонента — от батареи до вычислителя — описывается непрерывным показателем здоровья от 1 («здоров как бык») до 0 («всё, вызывайте эвакуатор»).

Для расчёта этих показателей используются физические модели деградации: типа электрохимии старения аккумуляторов или накопления ошибок в памяти от радиации, Причём смотреть надо на всё вместе. Высокая температура одновременно убивает и батарею, и процессор — и если не учитывать их совместную агонию, можно пропустить момент, когда робот сыграет в ящик.

❤️ Показатель здоровья напрямую влияет на поведение. Всего существует три возраста робототехники:

1️⃣ Полная функциональность. В штатном режиме (здоровье близко к 1) робот использует самые крутые нейросетевые модели, обрабатывает данные с высоким разрешением и строит наполеоновские планы.

2️⃣ Экономия ресурсов с сохранением основных возможностей. По мере деградации робот переходит в режим экономии: модельки попроще, горизонт планирования покороче, задачи — только те, где соотношение «польза/затраты» максимально.

2️⃣ Управляемое сворачивание. Второстепенные подсистемы отключаются, частота связи падает, а оставшийся ресурс направляется на поддержание минимального функционального ядра. В общем, робот не героически гибнет с разряженной батареей посреди Марса, а тихо уходит на покой, предварительно закончив самое важное.