В Китае формируется новая волна ИИ-стартапов, сосредоточенных на так называемых мировых моделях — системах, которые должны понимать и предсказывать процессы в физическом мире. Если языковые модели учатся работать с текстом, а генераторы видео — с визуальными последовательностями, то мировая модель претендует на большее: она должна учитывать пространство, время, действие, причинность и последствия решений.

За первые семь месяцев 2026 года в Китае появилось 23 новых стартапа, для которых мировые модели стали центральным направлением. Это уже больше, чем за весь 2025 год, когда было создано около 20 таких компаний. При этом 18 из 23 проектов смогли быстро привлечь инвестиции, а часть получила оценки, обычно характерные для гораздо более зрелого бизнеса.

Главная причина интереса инвесторов проста: мировые модели рассматриваются как возможный следующий фундаментальный слой ИИ после LLM. Языковая модель помогает машине работать с человеческим знанием, а мировая модель должна дать ей способность ориентироваться в реальной среде — например, управлять роботом, моделировать склад, прогнозировать поведение объектов, проводить виртуальные эксперименты или безопасно обучать автономные системы.

Однако общий термин скрывает несколько принципиально разных стратегий.

Первая группа стартапов строит универсальные базовые модели физического мира. Их цель — создать аналог базовой языковой модели, но для действий, движения и физических законов. Такие компании делают ставку на прогноз следующего состояния среды: что произойдёт с объектами, если робот переместит руку, автомобиль повернёт, а человек откроет дверь.

Вторая группа развивается вокруг 4D-реконструкции и пространственного интеллекта. Здесь задача состоит в создании цифровых двойников реального мира: не статичных трёхмерных сцен, а среды, которая меняется во времени и учитывает физические взаимодействия. Это особенно востребовано для робототехники, складской автоматизации, автономного транспорта, медицины и промышленной симуляции.

Третье направление связано с причинным ИИ. Его сторонники считают, что модели, основанные только на статистических закономерностях, могут предсказывать события, но не обязательно понимают их причины. Поэтому они пытаются научить ИИ различать простое совпадение и реальную причинно-следственную связь. Для роботов и автономных систем это критично: машина должна не только заметить, что объект упал, но и понимать, какое действие или условие привело к этому.

Самый практичный слой рынка — робототехника и embodied AI. Здесь мировая модель рассматривается как «мозг» физической машины. Роботу недостаточно распознать чашку или коробку: он должен оценить форму, вес, положение, возможные препятствия, результат захвата, вероятность ошибки и способ её исправления. Поэтому новые компании пытаются объединить восприятие, планирование, память, обучение с подкреплением и управление действиями в единую систему.

Особо выделяются команды, работающие с роботами для домашней среды, складов, ритейла и производства. Их логика заключается в том, что первые коммерческие применения появятся не в абстрактном «универсальном гуманоиде», а в повторяющихся задачах с понятной экономикой: сортировке, упаковке, пополнении запасов, сборке заказов, манипуляции предметами и контроле качества.

Параллельно развивается более узкое, но потенциально очень ценное направление — мировые модели для науки. Такие системы применяются в динамическом моделировании молекул, поиске материалов, химии, фармацевтике и энергетике. Здесь не обязательно создавать универсальную модель всего мира: достаточно научиться с высокой точностью симулировать конкретный класс процессов. Если это удаётся, ИИ может существенно сократить стоимость и время научных экспериментов.

Характерная особенность китайского рынка — сочетание академических команд и опытных индустриальных руководителей. Среди основателей есть молодые исследователи из Пекина и Цинхуа, профессора, специалисты по компьютерному зрению и обучению с подкреплением, а также бывшие руководители Alibaba, Cainiao, Huawei, Li Auto и робототехнических компаний. Получается необычная смесь: фундаментальные исследования быстро превращаются в стартапы, а специалисты с операционным опытом пытаются сразу найти сценарии масштабного внедрения.

Большие технологические и робототехнические компании в этой гонке участвуют не только через собственные лаборатории, но и через инвестиции. Для них это способ получить доступ к новым моделям, датчикам, данным и роботизированным платформам. Для стартапов — источник капитала, пилотных площадок, реальных данных и возможности проверить модель не в демонстрации, а в рабочем процессе.

Но нынешний ажиотаж не гарантирует, что все проекты окажутся жизнеспособными. Мировые модели пока остаются технологически неопределённой областью. Неясно, смогут ли они действительно переносить знания между разными средами, устойчиво работать при неполных данных, понимать физическую причинность и безопасно действовать в реальном мире. Также нет ответа, какая архитектура победит: VLA-модели, прямые модели «видео—действие», 4D-среды, причинные движки или специализированные отраслевые системы.

Тем не менее важнейший сдвиг уже произошёл. В 2026 году мировые модели перестали быть исключительно темой академических дискуссий. Вокруг них создаются компании, собираются команды, формируются экосистемы данных и роботов, а капитал вкладывает в ранние раунды суммы, которые раньше были характерны для поздних стадий. Конкуренция теперь идёт не за красивое определение «мировой модели», а за способность построить работающую систему, найти реальные данные и доказать ценность технологии в физическом мире.