Китайская компания QuantGroup завершила четыре раунда верификации технологий воплощённого интеллекта

Репортаж от Wedoany，Компания QuantGroup недавно завершила четыре раунда верификации технологий воплощённого интеллекта на кухнях ресторанов, охватывающие такие задачи, как гибкое приготовление сэндвичей, автономная сортировка пакетов для покупок, поиск соли в нескольких ящиках для приправы стейков и межоборудовательное взаимодействие при приготовлении чая с молоком. Все проверки проводились в реальных динамических рабочих условиях, а не в лабораторной среде. Коммерческое позиционирование QuantGroup — поставщик моделей мира для открытых жизненных сценариев, охватывающих различные сценарии и объекты, без привязки к оборудованию и без фиксации сценариев, с целью предоставления универсального уровня AI-возможностей для роботов разных производителей.

Министерство промышленности и информатизации КНР совместно с Государственным комитетом по делам государственного имущества и администрирования в июне выпустили «Уведомление о совместном проведении специальных действий по практическому обучению человекоподобных роботов и воплощённого интеллекта в реальных сценариях на 2026 год», требующее участия 10 провинций и городов, а также всех центральных предприятий. Сценарии охватывают три основные области: промышленность, обслуживание и специальные задачи, включая производство, контроль и анализ, складскую логистику, общественное питание и розничную торговлю, медицинское обслуживание и реабилитацию и другие реальные сценарии. Политика требует «минимального вмешательства, повторного использования старого оборудования», категорически запрещается адаптировать среду под роботов; роботы должны доказать, что могут нормально работать в существующих условиях. Каждая провинция и город должны представить не менее 20 ключевых сценариев, каждое центральное предприятие — не менее 10, а отчёты о верификации должны быть предоставлены до конца ноября. Эта политика ускорила переход отрасли от выставочных залов к реальным сценариям.

В отрасли существует мнение, что способность роботов быстро адаптироваться к новым сценариям является ключом к достижению масштабирования. Логика QuantGroup заключается в продвижении роботов от «автоматизации действий» к «автономной работе на уровне задач», то есть после понимания цели задачи робот самостоятельно выполняет полный цикл восприятия, принятия решений и действий. Её базовая модель физического мира не зависит от аппаратной платформы или конкретного сценария, предоставляя универсальную способность, позволяющую роботам понимать физический мир и принимать решения в реальном времени. Как только эта способность будет отлажена, её можно будет вызывать как API на разных аппаратных платформах, а предельные затраты на добавление каждого нового сценария будут близки к нулю.

Рынок капитала подтвердил эту логику. Physical Intelligence (PI) в ноябре 2024 года привлекла 400 миллионов долларов при оценке в 2,4 миллиарда долларов, среди инвесторов — Безос, OpenAI, Sequoia Capital и Khosla Ventures. Компания не производит оборудование, а занимается только универсальными AI-моделями. Её оценка выросла с 400 миллионов до 2,4 миллиарда долларов за 8 месяцев. Skild AI, основанная бывшими исследователями Meta AI, также не занимается оборудованием. В июле 2024 года её оценка на раунде A составила 1,5 миллиарда долларов, менее чем через год на раунде B — 4,7 миллиарда долларов, а затем SoftBank и Nvidia возглавили раунд C с оценкой в 14 миллиардов долларов. Годовая выручка компании составляет 30 миллионов долларов.

Позиционирование QuantGroup в области физического AI сравнивают с позицией Anthropic в области больших языковых моделей, позволяя разным аппаратным платформам вызывать один и тот же уровень AI-возможностей. Её четыре раунда верификации технологий были реализованы на кухнях ресторанов. Например, в задаче приготовления сэндвичей робот должен справляться с захватом мягких продуктов, нанесением соуса и укладкой; при сортировке пакетов для покупок нет заранее заданного процесса, робот должен в реальном времени распознавать и классифицировать предметы; в задаче посола стейков робот должен самостоятельно искать в нескольких ящиках и выполнять приправу.

Приготовление чая с молоком проверяет координацию системы: робот должен взаимодействовать с автоматом для чая, миксером, упаковщиком и другим оборудованием. После четырёх раундов верификации следующая цель QuantGroup — повторное использование в разных сценариях. Её технический путь — разделение программного и аппаратного обеспечения: базовая модель физического мира не привязана к какому-либо оборудованию и может работать на аппаратных платформах разных производителей. Эта идея является предпосылкой для масштабирования модели RaaS (робот как услуга): модель как технологический актив может постоянно вызываться и приносить доход.

Технический задел QuantGroup начался с областей автоматического машинного обучения и обработки естественного языка (NLP), расширяя возможности принятия решений из цифрового мира в физический. Барьер накопления данных обусловлен многоканальной системой сбора, включающей внедрение в коммерческие сценарии B2B, развёртывание интеллектуальных устройств для потребителей (C2C), сбор данных через замену пользователей и совместное использование данных в рамках совместного создания сценариев. Четыре параллельных пути направлены на превращение сбора данных из точечного в системный. Компания выбрала общественное питание в качестве первого ключевого сценария верификации, используя сложность для стимулирования итерации технологической системы.

На уровне политики национальная специальная акция требует предоставления отчётов о верификации до конца ноября, что делает «продажу возможностей» более соответствующей направлению отрасли, чем «продажа оборудования», и это становится переломным моментом. Долгосрочный путь QuantGroup включает первоначальное накопление за счёт внедрения в сценарии и продажи данных, затем предоставление вызовов моделей и дополнительных услуг производителям интеллектуального оборудования, а затем выход на рынок вычислительных мощностей, формируя структуру доходов из базовой модели и вычислительных мощностей. Предпосылка этого пути — способность базовой модели физического мира поддерживать повторное использование в разных сценариях, а ключ — постоянное усиление накопленных преимуществ.