Пока одни модели соревнуются в красоте ответов на вопросы, другие учатся поднимать коробки в реальном мире, где всё идёт не по сценарию. Именно там, в warehouses и сортировочных центрах, проверяется, чего на самом деле стоит физический интеллект.

И пример JD Logistics показывает, что путь к этому будущему оказался куда менее зрелищным, чем обещают демонстрации человекоподобных роботов.

История знает два поучительных провала. В девяностых аэропорт Денвера попытался полностью автоматизировать доставку багажа подземными тележками, но система дала сбой, открытие отложили на шестнадцать месяцев, а расходы на пустующий терминал превышали миллион долларов.

Спустя почти тридцать лет похожее произошло на заводе Tesla, где сложный робот не мог справиться с мягкой прокладкой, пока не выяснилось, что она вообще не нужна.

Общий урок прост: передовая технология, встроенная в неперестроенную систему, становится обузой, а не ускорением.

Именно поэтому нынешний ажиотаж вокруг физического ИИ вызывает вопросы. Финансирование растёт в разы, но большинство роботов демонстрируют навыки в идеальных условиях. Настоящая пропасть обнаруживается там, где счёт идёт на сотни миллионов операций в день, а разнообразие объектов и ситуаций не поддаётся перечислению.

JD Logistics выбрала путь, который трудно назвать эффектным, но именно он даёт результат. Компания не стала строить роботов, которым нужно переделать весь мир под себя.

Вместо этого она создала систему, где мозг и тело работают вместе: центральная модель планирует заказы, маршруты и ресурсы, а целая семья машин выполняет хранение, перемещение, сортировку и доставку. Эти машины получили имена в честь волков, подчёркивая не индивидуальную мощь, а стайную согласованность.

Что здесь действительно важно, так это отказ от красивых жестов в пользу скучной арифметики. Роботы для складов проектировались с оглядкой на окупаемость: если срок возврата инвестиций удаётся сократить до двух лет вместо трёх, это уже победа.

Для старых помещений, которые невозможно перестроить, придумали машину, которая сама строит карту и начинает работать через две недели, не требуя менять стеллажи.

Для сортировки неправильных по форме посылок — мягких, деформированных, нестандартных — создали манипулятор, который подбирает захват под каждый предмет и учится утрамбовывать груз так, как это делал бы опытный человек.

Отдельная история — данные. Пока одни компании тратят огромные суммы на сбор информации о том, как ведут себя предметы в реальности, JD Logistics получает эти сведения как побочный продукт своей ежедневной работы.

Миллионы заказов, тысячи складов, бесчисленные вариации упаковок — всё это становится топливом для обучения. И компания решила открыть часть этих данных для исследователей, превращая внутреннее преимущество в общий ресурс.

Вывод, который напрашивается сам собой, звучит почти буднично. Настоящий прорыв физического ИИ произойдёт не на сцене с эффектными роликами, а в тот момент, когда робот проработает миллионы часов подряд, когда доля вмешательства человека упадёт почти до нуля, а стоимость каждой операции снизится на несколько копеек.

Пока другие показывают параметры и презентации, JD Logistics считает, сколько ещё можно сэкономить и как перенести удачное решение на следующий склад. Возможно, именно эта неброская ответственность перед реальностью и определит, кто выиграет следующее десятилетие.