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.
