Воплощённый искусственный интеллект — то есть ИИ, работающий через физических роботов, — постепенно выходит за пределы лабораторий и заводских цехов. Если в структурированной среде предприятия роботам проще ориентироваться, то городской ландшафт становится для них гораздо более сложным испытанием. Здесь есть пешеходы, автомобили, мусор, животные, погодные условия, непредсказуемые препятствия и множество ситуаций, которые невозможно полностью предусмотреть заранее.

Именно поэтому городские сервисы становятся важным полигоном для развития воплощённого ИИ. Робот, который убирает улицы, обслуживает парк или работает в общественном пространстве, должен не только видеть объекты, но и понимать контекст.

Например, ему недостаточно заметить на дороге чёрный пакет: нужно определить, можно ли его безопасно убрать, что находится внутри, не мешает ли он людям и как отреагировать, если механизм уборки не справляется.

В отличие от беспилотного автомобиля, которому часто достаточно объехать препятствие, сервисный робот обязан физически взаимодействовать с окружающей средой и завершать поставленную задачу.

Главная сложность заключается в сочетании нескольких факторов: качества данных, работы моделей, надёжности самого робота и реального сценария использования. Роботу необходимо работать круглосуточно, выдерживать дождь, жару, пыль и вибрации, сохранять устойчивость связи и принимать решения в условиях постоянной неопределённости.

Поэтому недостаточно создать сильную нейросетевую модель — требуется целая инженерная система, объединяющая сбор данных, обучение, управление устройством, обновление программного обеспечения и удалённое обслуживание.

Одним из примеров такого подхода стала платформа Kusa Robo Platform, созданная китайской компанией Kusa Technology. Она объединяет специализированную операционную систему для роботов, фабрику данных и мультимодальную модель, которая обрабатывает информацию от камер, лидаров, инерциальных датчиков и других источников.

Цель платформы — не просто научить робота распознавать объекты, а обеспечить его стабильную работу в городской среде и ускорить обучение на новых случаях.

Особую роль играет накопление данных из реальных ситуаций. Если робот встречается с необычным объектом или останавливается из-за нештатной ситуации, он сохраняет информацию с датчиков, после чего данные обезличиваются, размечаются и используются для дообучения моделей. Так формируется «петля данных»: чем больше роботов работает в городе, тем больше нестандартных сценариев система видит и тем лучше может к ним адаптироваться.

Однако ключевое преимущество здесь заключается не только в самом объёме данных, но и в их связи с конкретной средой. Тонкая удочка в парке, временно оставленные школьный рюкзак и канцелярские принадлежности, необычно расположенный провод или строительный мусор — всё это примеры так называемых «длиннохвостых» ситуаций.

Они встречаются нечасто, но именно из-за них робот может ошибиться. Такие случаи почти невозможно полностью смоделировать в лаборатории: их приходится собирать и изучать непосредственно в реальной городской жизни.

Для работы в подобных условиях роботы должны синхронизировать данные, поступающие с разной скоростью. Камера, лидар и инерциальный датчик обновляют информацию с разной частотой, поэтому модели необходимо не просто объединять их по времени, а строить целостную картину происходящего. Перспективным направлением становится прогнозирование: робот должен понимать не только текущее состояние среды, но и предугадывать, что может произойти через несколько секунд.

При этом индустрия всё ещё далека от окончательной зрелости. Даже успешные проекты сталкиваются с вопросами масштабного производства, устойчивости к экстремальной погоде, адаптации к новым городам и безопасного взаимодействия с людьми. Переход от нескольких десятков машин к тысячам — это не простое увеличение объёма выпуска, а новый этап инженерных и организационных задач.

Тем не менее городские сервисные роботы показывают, куда движется воплощённый ИИ. Будущее таких технологий зависит не от одной впечатляющей модели, а от способности соединить алгоритмы, данные, физическую механику и надёжную эксплуатацию в единую систему.

Если этот подход окажется жизнеспособным, роботы смогут стать не эффектной демонстрацией технологий, а постоянными помощниками, делающими городскую инфраструктуру более эффективной, устойчивой и удобной для людей.