Железные люди устали позировать: Китай ищет гуманоидным роботам место в реальной экономике

Китайский рынок гуманоидных роботов переходит от стадии эффектных демонстраций к попыткам коммерческого внедрения. Основная проблема отрасли сегодня — превратить заученные трюки в способность выполнять полезную работу в реальной среде.

Преимущества масштаба

Китай обходит конкурентов из США за счет объединения трех факторов: доступности компонентов, капитала и широкой базы для тестов. Использование инфраструктуры производства электромобилей позволило локализовать поставки аккумуляторов и сенсоров, что ускорило итерации и снизило стоимость железа. По данным Counterpoint Research, пять китайских компаний обеспечили 86% мировых поставок гуманоидов в первой половине 2026 года.

Финансовая поддержка подтверждает темпы роста: подразделение робототехники XPeng в августе привлекло более 900 млн долларов, достигнув оценки в 6,3 млрд долларов. Компания Galbot в марте получила 2,5 млрд юаней (362 млн долларов), что привело ее рыночную стоимость к отметке около 3 млрд долларов.

Технологический потолок

Несмотря на лидерство в производстве, Китай сталкивается с дефицитом интегрированного софта и продвинутых моделей Vision-Language-Action. В области программного стека доминирует Nvidia, из-за чего многие стартапы остаются зависимыми от чипов Orin, пока отечественные аналоги находятся в разработке.

Другим барьером стал дефицит данных. В отличие от текстовых моделей, физическое взаимодействие нельзя просто "скачать" из интернета. Разработчики вынуждены использовать синтетические данные и симуляции. По мнению сооснователя Antioch Гарри Меллсопа, физический ИИ сейчас находится на уровне GPT-2 — ему не хватает вычислительных мощностей и объема данных для качественного скачка.

Проблема надежности остается критической. Глава Cheetah Mobile и OrionStar Фу Шэн отмечает, что даже 99% успеха означают одну ошибку на сто попыток, что недопустимо для промышленного использования. Коммерческий успех будет зависеть не от громких анонсов, а от повторяющихся заказов и срока окупаемости машин.

Стратегия внедрения

Отрасль разделяется на два подхода. Yuli Zhao из Galbot и Фу Шэн полагают, что сначала роботы должны занять узкие ниши с повторяющимися задачами: складская логистика, ритейл, сельское хозяйство и сортировка. Специализация позволит довести надежность до приемлемого уровня перед переходом к универсальности.

Создание полноценного общего интеллекта (аналога ChatGPT для роботов) потребует модели, способной понимать естественный язык и самостоятельно разбивать сложную задачу на шаги, не опираясь на жесткий алгоритм. Главной неопределенностью остается работа в неструктурированной среде, где любое нестандартное событие может привести к сбою системы.