Взгляд на индустрию робототехники: конвергентная эволюция автоматизации, искусственного интеллекта и Web3

Автор оригинала: Jacob Zhao

Этот независимый исследовательский отчет подготовлен при поддержке IOSG Ventures. Мы особо благодарим Hans (RoboCup Asia-Pacific), Nichanan Kesonpat (1kx), Robert Koschig (1kx), Amanda Young (Collab+Currency), Jonathan Victor (Ansa Research), Lex Sokolin (Generative Ventures), Jay Yu (Pantera Capital) и Jeffrey Hu (Hashkey Capital) за ценные рекомендации. В процессе работы также были запрошены мнения и отзывы команд таких проектов, как OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network и CodecFlow. Статья стремится к объективности и точности, однако некоторые выводы основаны на субъективных оценках, поэтому избежать расхождений невозможно. Благодарим читателей за понимание.

1. Ландшафт робототехники: от промышленной автоматизации к гуманоидному интеллекту

В традиционной отрасли робототехники сформировалась полноценная многоуровневая система, выстроенная снизу вверх и охватывающая четыре ключевых сегмента: ключевые компоненты — промежуточная система управления — производство готовых роботов — интеграция приложений. У ключевых компонентов (контроллеров, сервоприводов, редукторов, датчиков, аккумуляторов и т. д.) самые высокие технологические барьеры; они определяют производительность и минимальную себестоимость всей машины. Система управления — это «мозг и мозжечок» робота, отвечающие за планирование решений и управление движением. Производство готовых роботов отражает способность интегрировать цепочку поставок. Системная интеграция и приложения становятся новым источником ключевой ценности.

В зависимости от сфер применения и форм-фактора мировая робототехника развивается по пути «промышленная автоматизация → интеллект для конкретных задач → универсальный интеллект», формируя пять основных категорий: промышленные роботы, мобильные роботы, сервисные роботы, специализированные роботы и гуманоидные роботы.

· Промышленные роботы: на сегодняшний день это единственный полностью зрелый сегмент. Роботы широко используются в производственных процессах, включая сварку, сборку, покраску и перемещение грузов. В отрасли сформировалась стандартизированная система поставок, валовая маржа стабильна, а окупаемость инвестиций предсказуема. Быстрее всего растет подкатегория коботов (коллаборативных роботов), ориентированная на взаимодействие человека и робота и простоту внедрения. Ключевые компании: ABB, Fanuc, Yaskawa, KUKA, Universal Robots, Techman, Aubo.

· Мобильные роботы: к ним относятся AGV (автоматически управляемые транспортные средства) и AMR (автономные мобильные роботы). Они широко применяются в складской логистике, обработке заказов в электронной коммерции и перемещении грузов на производстве, став самой зрелой категорией в сегменте B2B. Среди ведущих компаний: Amazon Robotics, Geek+ (Geek+), Quicktron (Quicktron), Locus Robotics.

· Сервисные роботы: предназначены для таких отраслей, как клининг, общественное питание, гостиничный бизнес и образование; это наиболее быстрорастущий сегмент потребительского рынка. Уборочные роботы уже развиваются по логике рынка потребительской электроники, а коммерциализация медицинских роботов и роботов-доставщиков ускоряется. Кроме того, появляется группа более универсальных рабочих роботов (например, двурукая система Dyna): они гибче узкоспециализированных устройств, но пока не достигли универсальности гуманоидных роботов. Среди ведущих компаний: Ecovacs, Stone Technology, Pudu Technology, Qihan Technology, iRobot, Dyna и другие.

· Специализированные роботы: в основном предназначены для сфер здравоохранения, обороны, строительства, морских работ и аэрокосмической отрасли. Объем этого сегмента ограничен, но он отличается высокой прибыльностью и значительными барьерами для входа. Он сильно зависит от государственных и корпоративных заказов и развивается в рамках вертикальных ниш. Типичные проекты: Intuitive Surgical, Boston Dynamics, ANYbotics, NASA Valkyrie и другие.

· Гуманоидные роботы: рассматриваются как будущая «универсальная платформа труда». Среди ведущих компаний — Tesla (Optimus), Figure AI (Figure 01), Sanctuary AI (Phoenix), Agility Robotics (Digit), Apptronik (Apollo), 1X Robotics, Neura Robotics, Unitree, UBTECH, Zymergen и другие.

На данный момент гуманоидные роботы — самое заметное перспективное направление. Их ключевая ценность заключается в возможности адаптироваться к существующим общественным пространствам благодаря человекоподобной конструкции. Их считают важным шагом на пути к созданию «универсальной платформы труда». В отличие от промышленных роботов, нацеленных на максимальную эффективность, гуманоидные роботы ориентированы на универсальную адаптивность и перенос навыков между задачами, что позволяет им работать на заводах, в домах и общественных пространствах без изменения окружающей среды.

Сегодня большинство гуманоидных роботов все еще находятся на стадии демонстрации технологий, в ходе которой проверяются динамическое равновесие, ходьба и манипуляционные способности. Хотя некоторые проекты начали ограниченное внедрение на заводах с высокой степенью контроля (например, Figure × BMW и Agility Digit), а ожидается, что с 2026 года к ранним коммерческим поставкам приступят и другие производители (например, 1X), это по-прежнему ограниченное применение в «узких сценариях и для отдельных задач», а не полноценное внедрение универсальной рабочей силы. В целом до масштабирования и коммерциализации еще несколько лет. Ключевые препятствия включают сложности управления, такие как координация множества степеней свободы и поддержание динамического равновесия в реальном времени; ограничения энергопотребления и времени автономной работы, обусловленные плотностью энергии аккумуляторов и эффективностью приводов; нестабильность цепочек восприятия и принятия решений, а также сложность их обобщения в открытой среде; существенный дефицит данных, затрудняющий обучение универсальных политик; нерешенную проблему переноса навыков между различными корпусами роботов; наконец, цепочка поставок аппаратных компонентов и кривая затрат (особенно за пределами Китая) по-прежнему создают реальные барьеры и дополнительно усложняют масштабное внедрение по низкой цене.

Ожидается, что будущая коммерциализация пройдет в три этапа: в краткосрочной перспективе основное внимание будет уделяться Demo-as-a-Service — пилотным проектам и субсидиям; в среднесрочной перспективе отрасль перейдет к модели Robotics-as-a-Service (RaaS) и созданию экосистемы задач и навыков; в долгосрочной перспективе ключевую роль будут играть Labor Cloud и интеллектуальные сервисы по подписке, а ценностное предложение сместится от производства оборудования к программному обеспечению и сервисным сетям. В целом гуманоидная робототехника переживает важный переход от демонстраций к самообучению. Способность преодолеть тройной барьер управления, стоимости и алгоритмов определит, смогут ли роботы по-настоящему достичь воплощенного интеллекта.

II. ИИ × робототехника: рассвет эры воплощенного интеллекта

Традиционная автоматизация в основном опирается на предварительное программирование и конвейерное управление (например, архитектуру DSOP «восприятие — планирование — управление»), которые надежно работают только в структурированной среде. Однако реальный мир сложнее и динамичнее. Новое поколение воплощенного интеллекта использует другую парадигму: большие модели и унифицированное обучение представлений наделяют роботов способностью «понимать — предсказывать — действовать» в разных сценариях. Воплощенный интеллект подчеркивает динамическую взаимосвязь тела (оборудования) + мозга (модели) + среды (взаимодействия), где робот выступает носителем, а интеллект — ядром.

Генеративный ИИ существует в языковом мире интеллекта и отлично справляется с пониманием символов и семантики; воплощенный интеллект относится к интеллекту реального мира и овладевает восприятием и действиями. Они соотносятся с «мозгом» и «телом» и представляют две параллельные линии развития ИИ. По уровню интеллекта воплощенный интеллект стоит выше генеративного ИИ, но его зрелость значительно ниже. Большие языковые модели (LLM) используют обширный интернет-корпус, создавая четкий замкнутый цикл «данные → вычисления → внедрение». Для интеллекта роботов требуются данные от первого лица, мультимодальные данные и данные, связанные с действиями, включая траектории телеуправления, видео от первого лица, пространственные карты и последовательности операций. Такие данные изначально отсутствуют: их необходимо генерировать посредством реального взаимодействия или высокоточной симуляции, поэтому они более редкие и дорогие. Хотя симуляция и синтетические данные могут помочь, они не заменят реальный опыт взаимодействия датчиков и движения. Именно поэтому компании вроде Tesla и Figure должны создавать собственные центры сбора данных телеуправления, а в Юго-Восточной Азии появляются сторонние центры разметки данных. Коротко говоря: LLM учатся на имеющихся данных, а роботам приходится «создавать» данные, взаимодействуя с физическим миром. В следующие 5–10 лет эти направления глубоко интегрируются в моделях Vision-Language-Action и архитектурах Embodied Agent: LLM будут отвечать за высокоуровневое познание и планирование, а роботы — за выполнение задач в реальном мире. Так сформируется двунаправленный цикл между данными и действиями, который вместе будет продвигать ИИ от «языкового интеллекта» к по-настоящему универсальному интеллекту (AGI).

Технологический стек воплощенного интеллекта можно представить как многоуровневую интеллектуальную систему, выстроенную снизу вверх: VLA (объединение данных восприятия), RL/IL/SSL (интеллектуальное обучение), Sim2Real (перенос в реальность), World Model (когнитивное моделирование), а также мультиагентное взаимодействие и рассуждения с использованием памяти (Swarm & Reasoning). VLA и RL/IL/SSL выступают «двигателем» воплощенного интеллекта и определяют его внедрение и коммерциализацию; Sim2Real и World Model — ключевые технологии, связывающие виртуальное обучение с выполнением задач в реальном мире; мультиагентное взаимодействие и рассуждения с использованием памяти представляют собой более высокий уровень коллективного и метакогнитивного развития.

Понимание восприятия: модель Vision–Language–Action

Модель VLA объединяет три канала — Vision–Language–Action, позволяя роботу понимать намерения, выраженные на человеческом языке, и преобразовывать их в конкретные действия. Процесс выполнения включает семантический разбор, распознавание цели (поиск целевых объектов на основе визуальных данных), планирование маршрута и выполнение действий. Так формируется замкнутый цикл «понимание смысла — восприятие мира — выполнение задач», который стал ключевым прорывом в области воплощенного интеллекта. Передовые проекты, такие как Google RT-X, Meta Ego-Exo и Figure Helix, демонстрируют перспективные направления: кросс-модальное понимание, иммерсивное восприятие и управление на основе языка.

Универсальная архитектура модели Vision-Language-Action

Сегодня VLA все еще находится на раннем этапе развития и сталкивается с четырьмя ключевыми препятствиями:

1) Неоднозначность семантики и слабое обобщение задач: моделям сложно понимать неоднозначные и открытые инструкции;

2) Нестабильное согласование визуальных данных и действий: ошибки восприятия усиливаются при планировании маршрута и выполнении задач;

3) Дефицит нестандартизированных мультимодальных данных: высокие затраты на сбор и разметку затрудняют создание масштабируемого маховика данных;

4) Временные и пространственные сложности длительных задач: выполнение задач в течение долгого времени приводит к недостатку возможностей планирования и запоминания. С другой стороны, слишком большой пространственный охват требует от модели рассуждать о том, что находится «за пределами ее поля зрения». Сегодня VLA не хватает стабильной модели мира и способности рассуждать о пространстве.

В совокупности эти проблемы ограничивают способность VLA обобщать знания между сценариями и масштабировать внедрение.

Интеллектуальное обучение: обучение с самоконтролем (SSL), обучение через подражание (IL) и обучение с подкреплением (RL)

· Обучение с самоконтролем: автоматическое извлечение семантических признаков из данных восприятия, помогающее роботам «понимать мир». По сути, оно учит машины наблюдать и формировать представления.

· Обучение через подражание: быстрое освоение базовых навыков посредством копирования человеческих демонстраций или примеров экспертов. По сути, оно учит машины выполнять задачи подобно людям.

· Обучение с подкреплением: благодаря механизму «вознаграждения и наказания» роботы оптимизируют стратегии действий посредством непрерывных проб и ошибок. По сути, оно учит машины совершенствоваться методом проб и ошибок.

В воплощенном ИИ обучение с самоконтролем (SSL) помогает роботам прогнозировать изменения состояний и физические законы на основе данных восприятия, чтобы понимать причинно-следственную структуру мира; обучение с подкреплением (RL) служит основным двигателем интеллекта и помогает роботам осваивать сложные действия — ходьбу, захват объектов и обход препятствий — благодаря взаимодействию со средой, вознаграждениям и оптимизации методом проб и ошибок; обучение через подражание (IL) ускоряет этот процесс благодаря человеческим демонстрациям и позволяет роботам быстро усваивать исходные модели действий. Сегодня основное направление — сочетание всех трех методов в иерархической системе обучения: SSL формирует базовые представления, IL задает человеческие ориентиры, а RL оптимизирует стратегии и помогает уравновесить эффективность и стабильность. Вместе они образуют основной механизм воплощенного интеллекта — от понимания до действия.

Перенос в реальность: Sim2Real — переход от симуляции к реальному миру

Sim2Real (Simulation to Reality) позволяет роботам обучаться в виртуальной среде, а затем переносить полученные навыки в реальный мир. Для этого используются высокоточные симуляционные среды (например, NVIDIA Isaac Sim & Omniverse, DeepMind MuJoCo), позволяющие генерировать большие объемы интерактивных данных и значительно сокращать расходы на обучение и износ оборудования. Ключевая задача — преодолеть «разрыв между симуляцией и реальностью». Основные методы включают:

· Рандомизация домена: случайное изменение в симуляции таких параметров, как освещение, трение и шум, для улучшения обобщающей способности модели;

· Калибровка физического соответствия: использование данных реальных датчиков для калибровки симуляционного движка и повышения физической реалистичности;

· Адаптивная тонкая настройка: быстрое переобучение в реальной среде для обеспечения стабильного переноса.

Sim2Real — ключевой элемент внедрения воплощенного интеллекта, позволяющий моделям ИИ обучаться циклу «восприятие — принятие решений — управление» в безопасном и недорогом виртуальном мире. Симуляционное обучение в рамках Sim2Real уже стало зрелым (например, NVIDIA Isaac Sim и MuJoCo), однако перенос в реальный мир по-прежнему ограничивают разрыв между симуляцией и реальностью, высокие затраты на вычисления и разметку, а также недостаточная обобщаемость и безопасность в открытой среде. Тем не менее Simulation-as-a-Service (SimaaS) становится самой легкой, но стратегически важной инфраструктурой эпохи воплощенного интеллекта. Бизнес-модель включает Platform as a Service (PaaS), Data as a Service (DaaS) и Validation as a Service (VaaS).

Когнитивное моделирование: World Model — «внутренний мир» робота

World Model — это «внутренний мозг» воплощенного интеллекта, позволяющий роботам моделировать среду и последствия действий для прогнозирования и вывода заключений. Изучая динамические законы окружающей среды, модель создает предсказуемое внутреннее представление. Благодаря этому агент может заранее «проигрывать» результаты действий и превращаться из пассивного исполнителя в активного рассуждающего агента. Среди известных проектов — DeepMind Dreamer, Google Gemini + RT-2, Tesla FSD V12, NVIDIA WorldSim и другие. Типичные технические подходы включают:

· Моделирование скрытой динамики: сжатие многомерных данных восприятия в пространство скрытых состояний;

· Планирование на основе воображения: виртуальные пробы и ошибки, а также прогнозирование маршрута внутри модели.

· Обучение с подкреплением на основе модели (Model-based RL): использование модели мира вместо реальной среды для снижения затрат на обучение.

World Model находится на переднем крае теоретических исследований воплощенного интеллекта и представляет собой ключевой путь перехода роботов от «реактивного» к «прогнозирующему» интеллекту. Однако развитию этой технологии по-прежнему мешают сложность моделирования, нестабильность долгосрочных прогнозов и отсутствие единого стандарта.

Коллективный интеллект и рассуждения с использованием памяти: от индивидуальных действий к совместному познанию

Мультиагентное взаимодействие (Multi-Agent Systems) и память с рассуждениями (Memory & Reasoning) представляют два важных направления развития воплощенного интеллекта — от «индивидуального» к «коллективному» и «когнитивному» интеллекту. Вместе они обеспечивают совместное обучение и долгосрочную адаптивность интеллектуальной системы.

Мультиагентное взаимодействие (Swarm / Cooperative RL):

Это совместное принятие решений и распределение задач несколькими агентами в общей среде с помощью распределенного обучения с подкреплением или обучения с подкреплением с кооперацией. У этого направления прочная исследовательская база: например, эксперимент OpenAI Hide-and-Seek показал спонтанное сотрудничество нескольких агентов и появление стратегий. Алгоритмы DeepMind QMIX и MADDPG предлагают совместную архитектуру с централизованным обучением и децентрализованным выполнением. Такие методы уже применяются и проверяются в задачах планирования работы складских роботов, инспекции и управления группами устройств.

Память и рассуждения:

Это направление ориентировано на наделение интеллектуальных агентов долгосрочной памятью, пониманием ситуации и способностью к причинно-следственным рассуждениям. Эти возможности необходимы для переноса навыков между задачами и самостоятельного планирования. Среди типичных исследований — Gato от DeepMind, воплощенный мультизадачный агент, объединяющий восприятие, язык и управление; серия DeepMind Dreamer, основанная на планировании с помощью воображения и модели мира; а также открытые воплощенные агенты вроде Voyager, которые непрерывно обучаются благодаря внешней памяти и саморазвитию. Эти системы закладывают основу для способности роботов «помнить прошлое и делать выводы о будущем».

Мировая индустрия воплощенного интеллекта: сосуществование сотрудничества и конкуренции

Сегодня мировая индустрия робототехники переживает период «сотрудничество определяет развитие, конкуренция его усиливает». Эффективность китайской цепочки поставок, возможности США в области ИИ, точность японских компонентов и промышленные стандарты Европы вместе формируют долгосрочную структуру мирового рынка робототехники.

· США сохраняют ведущие позиции в разработке передовых моделей ИИ и программного обеспечения (DeepMind, OpenAI, NVIDIA), однако это преимущество не распространилось на аппаратное обеспечение роботов. Китайские производители имеют более серьезные преимущества в скорости итераций и эффективности в реальных условиях. США стимулируют возвращение производства в страну с помощью закона CHIPS и Закона о снижении инфляции (IRA).

· Китай сформировал лидирующие позиции в сфере компонентов, автоматизированных фабрик и гуманоидных роботов благодаря массовому производству, вертикальной интеграции и государственной поддержке. Китайские компании преуспевают в области оборудования и цепочек поставок; такие компании, как Ubtech и UBTech, уже наладили массовое производство и развиваются в направлении интеллектуального принятия решений. Однако в алгоритмах и симуляционном обучении Китай все еще значительно уступает США.

· Япония уже долгое время занимает доминирующее положение в производстве высокоточных компонентов и технологиях управления движением. Ее промышленная система развита, но интеграция моделей ИИ все еще находится на ранней стадии, а темпы инноваций остаются относительно стабильными.

· Южная Корея выделяется популяризацией потребительских роботов. В этом направлении лидируют такие компании, как LG и NAVER Labs, а экосистема сервисных роботов в стране зрелая и хорошо развита.

· Европа обладает развитой инженерной системой и стандартами безопасности. Такие компании, как 1X Robotics, активно занимаются исследованиями и разработками, однако часть производственных процессов перенесена за рубеж, а инновации все чаще ориентированы на сотрудничество и стандартизацию.

III. Робототехника × ИИ × Web3: нарративное видение и практический путь

К 2025 году в индустрии Web3 формируется новый нарратив вокруг интеграции робототехники и ИИ. Хотя Web3 рассматривается как базовый протокол децентрализованной машинной экономики, ценность и осуществимость его интеграции на разных уровнях заметно различаются:

· Производство оборудования и сервисный уровень: этот капиталоемкий сегмент отличается слабыми циклами работы с данными. Сейчас Web3 играет лишь вспомогательную роль в смежных областях, таких как финансирование цепочек поставок и лизинг оборудования;

· Уровень симуляции и программной экосистемы: здесь наблюдается высокая степень совместимости. Данные симуляции и задачи обучения можно неизменно записывать в блокчейн, а интеллектуальные сущности и модули навыков — токенизировать с помощью NFT или Agent Tokens;

· Уровень платформы: децентрализованные сети труда и взаимодействия обладают наибольшим потенциалом. Благодаря объединенным механизмам идентификации, стимулирования и управления Web3 может постепенно создать надежный «рынок машинного труда» и заложить институциональную основу будущей машинной экономики.

В долгосрочной перспективе уровень взаимодействия и платформ — самое ценное направление применения Web3 в интеграции робототехники и ИИ. По мере того как роботы осваивают восприятие, язык и обучение, они превращаются в интеллектуальные сущности, способные самостоятельно принимать решения, взаимодействовать и создавать экономическую ценность. Эти «интеллектуальные работники» полноценно участвуют в экономической системе, однако для этого им предстоит преодолеть четыре ключевых барьера: идентичность, доверие, стимулирование и управление.

· На уровне идентичности машинам необходима проверяемая и отслеживаемая цифровая идентичность. Благодаря Machine DID каждый робот, датчик или дрон может получить уникальное верифицируемое «удостоверение личности» в блокчейне. Оно связывает владельца устройства, историю его действий и объем разрешений, обеспечивая безопасное взаимодействие и распределение ответственности.

· На уровне доверия важно сделать «труд роботов» проверяемым, измеримым и поддающимся количественной оценке. Смарт-контракты, оракулы и механизмы аудита в сочетании с Physical Proof of Work (PoPW), Trusted Execution Environment (TEE) и Zero-Knowledge Proof (ZKP) позволяют обеспечить подлинность и отслеживаемость выполнения задач, наделяя действия машин экономической ценностью.

· На уровне стимулирования Web3 обеспечивает автоматические расчеты и передачу ценности между машинами благодаря системе стимулов на основе токенов, абстракции аккаунтов и каналам состояний. Роботы могут выполнять такие задачи, как сдача вычислительных мощностей в аренду и обмен данными, с помощью микроплатежей, а выполнение задач гарантируется механизмами стейкинга и штрафов. Смарт-контракты и оракулы позволяют создать децентрализованный «рынок взаимодействия машин» без ручного распределения задач.

· На уровне управления Web3 предлагает прозрачную программируемую систему управления, необходимую машинам для длительной автономной работы: DAO позволяют совместно принимать решения о параметрах системы, а мультиподписи и механизмы репутации помогают поддерживать безопасность и порядок. В долгосрочной перспективе это приведет машинное общество к этапу «алгоритмического управления»: люди будут устанавливать цели и границы, а машины — поддерживать систему стимулов и баланса с помощью контрактов.

Главное видение интеграции Web3 и робототехники: сеть оценки в реальном мире — «движок вывода заключений в реальном мире», состоящий из распределенных роботов, которые непрерывно проверяют и оценивают возможности моделей в разнообразных и сложных физических условиях; а также рынок труда роботов, на котором роботы по всему миру выполняют проверяемые задачи, получают доход через расчеты в блокчейне и реинвестируют его в вычислительные мощности или модернизацию оборудования.

С практической точки зрения интеграция воплощенного интеллекта с Web3 все еще находится на раннем этапе исследований, а децентрализованные экономики машинного интеллекта пока больше сосредоточены на нарративе и развитии сообществ. Практические направления интеграции с ощутимым потенциалом в основном охватывают три области:

(1) Краудсорсинг данных и расширение возможностей — Web3 стимулирует участников загружать данные из реального мира с помощью вознаграждений в блокчейне и механизмов отслеживания;

(2) Участие глобального длинного хвоста — трансграничные микроплатежи и механизмы микроинцентивов эффективно сокращают расходы на сбор и распространение данных;

(3) Финансиализация и совместные инновации — модель DAO может способствовать токенизации робототехнических активов, секьюритизации доходов и созданию механизмов расчетов между роботами.

В целом в краткосрочной перспективе основное внимание будет уделяться сбору данных и уровням стимулирования; в среднесрочной перспективе ожидаются прорывы в направлениях «платежи в стейблкоинах + агрегация данных длинного хвоста», токенизации активов RaaS и расчетов; в долгосрочной перспективе, если гуманоидные роботы достигнут масштабного распространения, Web3 может стать институциональной основой владения машинами, распределения доходов и управления, способствуя формированию по-настоящему децентрализованной машинной экономики.

IV. Карта экосистемы роботов Web3 и примечательные проекты

В соответствии с тремя критериями — «проверяемый прогресс, открытость технологий, значимость для отрасли» — наиболее показательные проекты Web3 × Robotics распределены по пятиуровневой архитектуре: уровень моделей и интеллекта, уровень машинной экономики, уровень сбора данных, уровень инфраструктуры восприятия и симуляции, уровень доходов от робототехнических активов. Чтобы сохранить объективность, мы исключили проекты, которые явно пытаются «оседлать хайп» или не располагают достаточным объемом информации. Будем признательны читателям за сообщения о возможных упущениях.

Уровень моделей и интеллекта

Openmind — создание Android для роботов

· OpenMind — операционная система с открытым исходным кодом (Robot OS), предназначенная для воплощенного интеллекта и управления роботами. Ее цель — создать первую в мире децентрализованную операционную среду для роботов и платформу разработки. В основе проекта лежат два ключевых компонента:

· OM1: модульная среда выполнения ИИ-агентов с открытым исходным кодом (AI Runtime Layer) на базе ROS2. Она используется для оркестрации конвейеров восприятия, планирования и действий для цифровых и физических роботов;

· FABRIC: Fabric Coordination Layer — распределенный уровень координации, связывающий облачные вычислительные мощности, модели и физических роботов и позволяющий разработчикам управлять роботами и обучать их в единой среде.

Главная задача OpenMind — стать интеллектуальным промежуточным уровнем между LLM (большими языковыми моделями) и миром роботов, позволяя языковому интеллекту по-настоящему превращаться в воплощенный интеллект и создать многоуровневую интеллектуальную систему от понимания (язык → действие) до согласования (блокчейн → правила). Многоуровневая система OpenMind формирует полный цикл взаимодействия: люди передают отзывы и разметку через приложение OpenMind App (данные RLHF); сеть Fabric отвечает за проверку идентичности, распределение задач и координацию расчетов; роботы OM1 выполняют задачи и следуют «Конституции роботов» в блокчейне, проходя аудит действий и получая оплату. Так создается децентрализованная сеть взаимодействия роботов: обратная связь от людей → совместное выполнение задач → расчеты в блокчейне.

Прогресс проекта и практическая оценка

OpenMind находится на раннем этапе, когда «технология уже реализуема, но коммерческого внедрения еще нет». Основная система OM1 Runtime опубликована на GitHub с открытым исходным кодом, работает на нескольких платформах и поддерживает мультимодальный ввод. Благодаря шине данных на естественном языке (NLDB) система преобразует язык в понимание задач и действия. Решение отличается высокой оригинальностью, но пока остается экспериментальным. Для сети Fabric и расчетов в блокчейне разработаны только интерфейсы.

С точки зрения экосистемы, проект сотрудничает с разработчиками открытого оборудования, включая Unitree, Ubtech и TurtleBot, а также с такими университетами и организациями, как Stanford, Oxford и Seoul Robotics. Основные направления сотрудничества — образование и исследовательская проверка; промышленного внедрения пока нет. Приложение выпущено в тестовой версии, однако функции стимулирования и распределения задач все еще находятся на ранней стадии.

С точки зрения бизнес-модели, OpenMind создал трехуровневую экосистему OM1 (система с открытым исходным кодом) + Fabric (протокол расчетов) + Skill Marketplace (уровень стимулирования). Сейчас проект не получает доход и полагается на финансирование на ранней стадии в размере около 20 млн $ (Pantera, Coinbase Ventures, DCG). В целом технология передовая, однако коммерциализация и экосистема все еще находятся на начальном этапе. Если Fabric удастся успешно внедрить, проект может стать «Android эпохи воплощенного интеллекта», но его развитие займет много времени, сопряжено с высокими рисками и сильно зависит от аппаратного обеспечения.

CodecFlow — движок выполнения задач для робототехники

CodecFlow — это протокол децентрализованного уровня выполнения (Fabric) на базе сети Solana. Он создан для предоставления агентам ИИ и робототехническим системам среды выполнения по запросу, позволяя каждому интеллектуальному агенту получить «мгновенную машину». Проект состоит из трех основных модулей:

· Fabric: уровень агрегации вычислительных мощностей из разных облаков (Weaver + Shuttle + Gauge), способный за несколько секунд создавать защищенные виртуальные машины, GPU-контейнеры или узлы управления роботами для задач ИИ;

· optr SDK: среда выполнения агентов (интерфейс Python) для создания «Оператора», способного работать на компьютере, в симуляции или с реальными роботами;

· Стимулы в токенах: уровень стимулов и платежей в блокчейне, соединяющий поставщиков вычислительных мощностей, разработчиков агентов и пользователей задач автоматизации и формирующий децентрализованный рынок вычислений и задач.

Цель CodecFlow — создать «децентрализованную базовую среду выполнения для операторов ИИ и роботов», в которой любой интеллектуальный агент сможет безопасно работать в любой среде (Windows / Linux / ROS / MuJoCo / контроллер робота). Это позволит создать универсальную архитектуру выполнения задач: распределение вычислений (Fabric) → системный уровень (System Layer) → восприятие и действие (VLA Operator).

Прогресс проекта и оценка практического применения

Выпущена ранняя версия среды Fabric (Go) и optr SDK (Python), позволяющая запускать изолированные вычислительные экземпляры в веб-среде или командной строке. Ожидается, что Operator Marketplace будет запущен к концу 2025 года. Он позиционируется как децентрализованный уровень выполнения задач для вычислений ИИ и в первую очередь ориентирован на разработчиков ИИ, исследовательские команды в области робототехники и компании по автоматизации.

Уровень машинной экономики

BitRobot — открытая робототехническая лаборатория мира

BitRobot — это децентрализованная исследовательская сеть и сеть взаимодействия, ориентированная на воплощенный ИИ и разработку робототехники. Проект совместно основан FrodoBots Labs и Protocol Labs. Его основное видение — создать открытую архитектуру на основе «субсетей + стимулов + проверяемой работы роботов (VRW)». Ключевые элементы:

· Определение и проверка реального вклада каждой робототехнической задачи с помощью стандарта VRW (Verifiable Robotic Work);

· Предоставление роботам идентичности в блокчейне и экономической ответственности с помощью ENT (Embodied Node Token);

· Организация трансграничного взаимодействия между исследователями, вычислительными мощностями, устройствами и операторами посредством субсетей;

· Создание «управления взаимодействием людей и роботов» с помощью Senate + Gandalf AI для принятия решений о стимулах и управления исследованиями.

После публикации технического документа в 2025 году BitRobot запустил несколько подсетей (например, SN/01 ET Fugi, SN/05 SeeSaw от Virtuals Protocol), которые обеспечивают децентрализованное дистанционное управление и сбор данных из реального мира. Также проект запустил 5 млн $ Grand Challenges Fund, чтобы стимулировать глобальную разработку моделей с помощью исследовательских конкурсов.

peaq — экономика вещей

peaq — это блокчейн первого уровня, созданный для машинной экономики. Он предоставляет миллионам роботов и устройств базовые возможности: идентификацию машин, кошельки в блокчейне, контроль доступа и синхронизацию времени с точностью до наносекунды (Universal Machine Time). Robotics SDK позволяет разработчикам с минимальным объемом кода сделать роботов «готовыми к участию в экономике», обеспечивая совместимость и взаимодействие между производителями и системами.

На сегодняшний день peaq запустил первую в мире токенизированную роботизированную ферму, поддерживающую более 60 робототехнических приложений в реальном мире. Фреймворк токенизации помогает робототехническим компаниям привлекать средства для капиталоемкого оборудования и расширяет участие — от традиционных моделей B2B/B2C до более широкого сообщества. Благодаря протокольному пулу стимулов, пополняемому за счет комиссий сети, peaq может субсидировать подключение новых устройств и поддерживать разработчиков, создавая экономический маховик для ускорения развития робототехники и проектов физического ИИ.

Уровень данных

Этот уровень призван решить проблему нехватки высококачественных данных из реального мира и их высокой стоимости при обучении воплощенного интеллекта. Данные взаимодействия людей и роботов собираются и генерируются разными способами: посредством телеуправления (PrismaX, BitRobot Network), видео от первого лица и захвата движений (Mecka, BitRobot Network, Sapien, Vader, NRN), а также симуляции и синтетических данных (BitRobot Network). Это обеспечивает масштабируемую и универсальную основу для обучения робототехнических моделей.

Важно отметить, что Web3 не специализируется на «производстве данных»: по уровню аппаратного обеспечения, алгоритмов и эффективности сбора данных крупные игроки Web2 значительно превосходят любые проекты DePIN. Реальная ценность Web3 заключается в изменении принципов распределения данных и механизмов стимулирования. На основе модели «сеть платежей в стейблкоинах + краудсорсинг» система обеспечивает недорогие микроплатежи, отслеживание вклада и автоматическое распределение доходов благодаря открытому механизму стимулов и регистрации происхождения данных в блокчейне. Тем не менее открытый краудсорсинг по-прежнему сталкивается с проблемами качества данных и формирования устойчивого спроса: качество данных неоднородно, эффективная проверка отсутствует, а спрос нестабилен.

PrismaX

PrismaX — это децентрализованная сеть телеуправления и экономики данных для воплощенного ИИ. Проект стремится создать «глобальный рынок труда роботов», где люди-операторы, робототехнические устройства и модели ИИ совместно развиваются благодаря системе стимулов в блокчейне. У проекта два основных компонента:

· Стек телеуправления — система дистанционного управления (браузерный интерфейс/интерфейс VR + SDK), подключающая роботизированные манипуляторы и сервисных роботов по всему миру для управления человеком в реальном времени и сбора данных;

· Eval Engine — движок оценки и проверки данных (семантическое оценивание CLIP + DINOv2 + оптический поток), присваивающий оценку качества каждой траектории выполнения операции и проводящий расчеты в блокчейне.

Благодаря децентрализованному механизму стимулирования PrismaX преобразует действия людей-операторов в данные для машинного обучения и создает полный цикл: дистанционное управление → сбор данных → обучение модели → расчеты в блокчейне. Так формируется замкнутая экономика, в которой «человеческий труд становится активом в виде данных».

Прогресс проекта и оценка практического применения: PrismaX запустил тестовую версию в 08.2025 (gateway.prismax.ai). Пользователи могут дистанционно управлять роботизированным манипулятором, проводить эксперименты по захвату объектов и генерировать обучающие данные. Eval Engine уже работает внутри системы. В целом PrismaX демонстрирует высокий уровень технической реализации и четкую специализацию, выступая важным посредником, связывающим «действия человека × модель ИИ × расчеты в блокчейне». В долгосрочной перспективе проект может стать «децентрализованным протоколом труда и данных для эпохи воплощенного интеллекта», однако в краткосрочной перспективе ему еще предстоит решить проблемы масштабирования.

BitRobot Network

BitRobot Network обеспечивает сбор данных из разных источников — видео, телеуправления и симуляции — с помощью своих подсетей. SN/01 ET Fugi позволяет пользователям дистанционно управлять роботами и выполнять задачи, собирая навигационные данные и данные восприятия во взаимодействии, напоминающем «Pokémon Go в реальном мире». Эта механика привела к созданию набора данных FrodoBots-2 тыс. — одного из крупнейших открытых наборов данных о навигации роботов с участием людей, который используют такие организации, как UC Berkeley RAIL и Google DeepMind. SN/05 SeeSaw (Virtual Protocol) собирает большие объемы видео от первого лица в реальных условиях с помощью iPhone и краудсорсинга. Другие анонсированные подсети, например RoboCap и Rayvo, ориентированы на сбор видео от первого лица с помощью недорогих физических устройств.

Mecka

Mecka — компания по сбору данных для робототехники, которая использует игровые механики мобильного сбора данных и специализированные аппаратные устройства для краудсорсингового сбора видео от первого лица, данных о движениях человека и демонстраций выполнения задач. Собранная информация используется для создания масштабных мультимодальных наборов данных и обучения моделей воплощенного интеллекта.

Sapien

Sapien — краудсорсинговая платформа, построенная вокруг идеи «движения человека как основы интеллекта роботов». Она собирает данные о движениях тела, позах и взаимодействиях человека с помощью носимых устройств и мобильных приложений, чтобы обучать модели воплощенного интеллекта. Проект стремится создать крупнейшую в мире сеть данных о движениях человека, превратив естественное поведение людей в базовый источник данных для обучения и обобщения навыков роботами.

Vader

Vader использует свое приложение MMO для реального мира EgoPlay, чтобы собирать видео от первого лица с демонстрациями выполнения задач. Пользователи записывают повседневные действия от первого лица и получают вознаграждения в $VADER. Конвейер обработки данных ORN преобразует исходные видео от первого лица в структурированные наборы данных с защитой конфиденциальности, включая метки действий и семантические описания, которые можно напрямую использовать для обучения политик гуманоидных роботов.

NRN Agents

Игровая платформа данных воплощенного ИИ для обучения с подкреплением, которая собирает демонстрационные данные людей посредством управления роботами через браузер и симуляционных соревнований. NRN генерирует длиннохвостые траектории поведения с помощью «игровых» задач для обучения через подражание и с подкреплением, предоставляя расширяемый базовый элемент данных для обучения политик переноса из симуляции в реальный мир.

Сравнение проектов уровня сбора данных для воплощенного интеллекта

Восприятие и симуляция (промежуточное ПО и симуляция)

Уровень восприятия и симуляции предоставляет базовую инфраструктуру, которая связывает физический мир с интеллектуальным принятием решений роботами. Она включает такие возможности, как определение местоположения, связь, пространственное моделирование и симуляционное обучение. Этот уровень выступает «промежуточной структурой», необходимой для создания масштабных систем воплощенного интеллекта. Сегодня область все еще находится на раннем этапе исследований: проекты используют разные подходы к высокоточной локализации, вычислениям в общем пространстве, стандартизации протоколов и распределенной симуляции. Единого стандарта и совместимой экосистемы пока нет.

Промежуточное ПО и пространственная инфраструктура (Middleware & Spatial Infra)

Ключевые возможности роботов — навигация, локализация, связь и пространственное моделирование — образуют важнейший мост между физическим миром и интеллектуальным принятием решений. Хотя более широкие проекты DePIN (Silencio, WeatherXM, DIMO) начинают упоминать «роботов», следующие проекты наиболее непосредственно связаны с воплощенным интеллектом.

RoboStack — облачный стек для управления роботами

RoboStack — это облачное промежуточное программное обеспечение для роботов, которое обеспечивает планирование в реальном времени, удаленное управление и кроссплатформенную совместимость задач роботов с помощью протокола контекста роботов (RCP). Оно также предлагает облачное моделирование, оркестрацию рабочих процессов и возможности доступа для агентов.

GEODNET — децентрализованная сеть GNSS

GEODNET — это глобальная децентрализованная сеть GNSS, обеспечивающая высокоточную RTK-позиционирование с точностью до сантиметров. Благодаря распределенным базовым станциям и стимулам в блокчейне она создает геопространственный слой в реальном времени для дронов, автономного вождения и робототехники.

Auki — Posemesh для пространственных вычислений

Auki создала децентрализованную сеть пространственных вычислений Posemesh, которая строит трехмерные карты окружающей среды в реальном времени с помощью краудсорсинговых датчиков и вычислительных узлов, предоставляя общую пространственную привязку для AR, навигации роботов и взаимодействия нескольких устройств. Она служит ключевой инфраструктурой, соединяющей виртуальное пространство с реальными сценариями и способствующей сближению AR × робототехники.

Tashi Network — сеть взаимодействия роботов в реальном времени

Децентрализованная сеть реального времени, обеспечивающая достижение консенсуса менее чем за 30 мс, обмен данными датчиков с низкой задержкой и синхронизацию состояний нескольких роботов. Ее SDK MeshNet поддерживает общий SLAM, коллективное взаимодействие и надежное обновление карт, создавая высокопроизводительный слой взаимодействия в реальном времени для воплощенного ИИ.

Staex — децентрализованная сеть связи и телеметрии

Этот децентрализованный уровень связи, созданный на базе исследовательского подразделения Deutsche Telekom, обеспечивает защищенную коммуникацию, надежную телеметрию и маршрутизацию между устройствами и облаком, позволяя паркам роботов надежно обмениваться данными и взаимодействовать между различными операционными сторонами.

Системы моделирования и обучения (распределенное моделирование и обучение)

Gradient — на пути к открытому интеллекту

Gradient — лаборатория ИИ, стремящаяся создать «Открытый интеллект» с помощью децентрализованной инфраструктуры для распределенного обучения, инференса, верификации и моделирования. В ее текущий технологический стек входят Parallax (распределенный инференс), Echo (распределенное обучение с подкреплением и обучение нескольких агентов) и Gradient Cloud (решения в области ИИ для предприятий). В сфере робототехники платформа Mirage предлагает возможности распределенного моделирования, динамических интерактивных сред и масштабного параллельного обучения для подготовки воплощенного интеллекта, ускоряя внедрение моделей мира и универсальных политик. Mirage изучает возможности сотрудничества с движком Newton от NVIDIA.

Уровень доходности роботизированных активов (RobotFi / RWAiFi)

Этот уровень сосредоточен на ключевом шаге превращения роботов из «производственного инструмента» в «финансовый актив», создавая финансовую инфраструктуру машинной экономики посредством токенизации активов, распределения доходов и децентрализованного управления. Среди показательных проектов:

XmaquinaDAO — DAO физического ИИ

XMAQUINA — децентрализованная экосистема, предоставляющая пользователям со всего мира канал с высокой ликвидностью для участия в ведущих компаниях, работающих над человекоподобными роботами и воплощенным ИИ, и выводящая в блокчейн возможности, ранее доступные только венчурным фондам. Ее токен DEUS выступает одновременно в качестве индексного актива ликвидности и механизма управления, используемого для координации распределения средств казначейства и развития экосистемы. С помощью DAO Portal и Machine Economy лончпада сообщество может участвовать в блокчейне посредством токенизации машинных активов и структурированного участия, совместно владея перспективными проектами в области физического ИИ и поддерживая их.

GAIB — экономический уровень для инфраструктуры ИИ

GAIB стремится создать единый экономический уровень для материальной инфраструктуры ИИ, такой как GPU и роботы, связывая децентрализованный капитал с реальными инфраструктурными активами ИИ и создавая проверяемую, компонуемую интеллектуальную экономическую систему, генерирующую доход.

В сфере робототехники GAIB не стремится «продавать токены роботов», а нацелен на преобразование «реализованного денежного потока → компонуемые ончейн-активы, приносящие доход» за счет секьюритизации роботизированного оборудования и операционных контрактов (RaaS, сбор данных, телеуправление и т. д.) в блокчейне. Эта система охватывает финансирование оборудования (лизинг / залог), операционные денежные потоки (RaaS / услуги по работе с данными) и потоки доходов от данных (лицензирование / контракты), делая активы роботов и их денежные потоки измеримыми, поддающимися оценке и пригодными для торговли.

GAIB использует AID / sAID как механизм расчетов и получения доходов, обеспечивая устойчивую доходность посредством структурированных механизмов управления рисками (сверхобеспечение, резервы и страхование). В долгосрочной перспективе проект планирует интеграцию с рынками деривативов и ликвидности DeFi, создавая финансовый цикл от «активов роботов» до «компонуемых активов, приносящих доход». Цель проекта — стать экономической опорой эпохи ИИ.

Карта экосистемы робототехники Web3: https://fairy-build-97286531.figma.site/

5. Итоги и перспективы: реалистичные вызовы и долгосрочные возможности

В долгосрочной перспективе интеграция робототехники × ИИ × Web3 направлена на создание децентрализованной машинной экономики (DeRobot Economy), которая позволит воплощенному интеллекту перейти от «автономной автоматизации» к сетевому взаимодействию, наделенному возможностями, расчетами и управлением. В основе этой логики лежит создание самоусиливающегося механизма «Токен → Развертывание → Данные → Перераспределение ценности», благодаря которому роботы, датчики и вычислительные узлы смогут обретать права собственности, совершать транзакции и делиться доходами.

Однако на нынешнем этапе эта модель все еще находится в начале исследований и далека от формирования стабильного денежного потока и масштабируемого бизнес-цикла. Большинство проектов пока остаются на уровне нарратива, а их фактическое развертывание ограничено. Производство и эксплуатация роботов требуют значительного капитала, и расширение инфраструктуры не может опираться только на токенизированные стимулы. Хотя финансовые решения в блокчейне можно компоновать, они пока не позволяют решить вопросы оценки рисков и реализации доходности реальных активов. Поэтому так называемое «самоусиление машинной сети» остается скорее идеалистической концепцией, а ее бизнес-модель еще должна пройти практическую проверку.

· Уровень моделей и интеллекта сейчас представляет собой наиболее перспективное направление для долгосрочной ценности. Проект OpenMind с открытой операционной системой для роботов стремится разрушить закрытые экосистемы, объединить взаимодействие разных роботов и предоставить интерфейс преобразования языка в действия. Его техническое видение ясно, система всесторонняя, однако объем инженерных работ огромен, цикл проверки длителен, а обратная связь на отраслевом уровне пока не сформировалась.

· Уровень машинной экономики все еще находится на раннем этапе: реальных роботов пока мало, а сети идентификации DID и стимулов еще не образовали целостный цикл. До реализации «экономики машинного труда» еще далеко. В будущем экономические эффекты ончейн-идентификации, расчетов и сетей взаимодействия проявятся в полной мере лишь при широком распространении воплощенного интеллекта.

· Уровень данных имеет относительно низкий порог входа и в настоящее время представляет собой наиболее коммерчески жизнеспособное направление. Для сбора данных воплощенного интеллекта необходимы высокая пространственно-временная непрерывность и точная семантическая интерпретация действий, от которых зависят качество данных и возможность их повторного использования. Баланс между «масштабом краудсорсинга» и «надежностью данных» — ключевой вызов для отрасли. PrismaX изначально ориентируется на потребности B2B и распределяет задачи по сбору и проверке данных, в некоторой степени предлагая тиражируемый шаблон. Однако масштаб экосистемы и оборот данных еще должны накапливаться со временем.

· Уровень промежуточного ПО и моделирования все еще находится на этапе технической проверки: для создания совместимой экосистемы не хватает единых стандартов и интерфейсов. Перенос результатов моделирования в реальные условия сложно стандартизировать, что ограничивает эффективность Sim2Real.

· Уровень доходности активов (RobotFi / RWAiFi) Web3 в основном играет вспомогательную роль в таких областях, как финансирование цепочек поставок, лизинг оборудования и управление инвестициями, повышая прозрачность и эффективность расчетов, а не меняя логику отрасли.

Безусловно, мы считаем, что пересечение робототехники × ИИ × Web3 по-прежнему представляет собой исток интеллектуальной экономической системы следующего поколения. Это не только слияние технологических парадигм, но и возможность перестроить производственные отношения: когда у машин появятся идентичность, стимулы и механизмы управления, взаимодействие людей и машин перейдет от локальной автоматизации к сетевой автономии. В краткосрочной перспективе это направление по-прежнему сосредоточено главным образом на нарративах и экспериментах, но создаваемая им институциональная система и система стимулов закладывают основу будущего экономического порядка машинного общества. В долгосрочной перспективе интеграция воплощенного интеллекта и Web3 изменит границы создания ценности, превратив интеллектуальные сущности в полноценных экономических участников, которых можно наделять возможностями, которые могут взаимодействовать и получать доход.

Отказ от ответственности: эта статья создана при содействии инструментов ИИ ChatGPT-5 и Deepseek. Автор приложил все усилия, чтобы проверить текст и убедиться в достоверности и точности информации, однако ошибки и упущения неизбежны; просим отнестись к этому с пониманием. Важно отметить, что на рынке криптовалют часто наблюдается расхождение между фундаментальными показателями проектов и динамикой цен на вторичном рынке. Содержание этой статьи предназначено исключительно для систематизации информации и академического/исследовательского обмена и не является инвестиционной консультацией или рекомендацией покупать либо продавать какие-либо токены.

Эта статья предоставлена сторонним автором и не отражает точку зрения BlockBeats.