В промышленной робототехнике Kawasaki Heavy Industries, FANUC и Yaskawa Electric — соперники, встречающиеся друг с другом на каждом шагу. Их продавцы годами как заведённое врывались в одни и те же автозаводы и на одни и те же фабрики электроники, охотясь за одними и теми же заказами. И вот в июле 2026 года все трое объявили, что берутся за одно дело сообща, — и предметом совместной борьбы оказались не продукты и не комплектующие, а данные.
Проект призван заложить фундамент воплощённого ИИ на производстве: в первый год с линий планируется собрать 5000 часов операционных данных, а за спиной у него — поддержка со стороны структуры Министерства экономики, торговли и промышленности Японии и до 2 млрд иен (около 100 млн юаней) финансирования от NEDO. Деньги не головокружительные, зато дело необычное: из него читается направление — ось конкуренции в промышленной робототехнике смещается от характеристик самой машины к масштабу и качеству данных.
Сначала изложим факты:
- Kawasaki Heavy Industries, FANUC и Yaskawa Electric объединяют усилия ради построения наборов данных для воплощённого ИИ на производстве; проект уже отобран в программу поддержки разработки генеративного ИИ GENIAC, которую продвигают Министерство экономики, торговли и промышленности Японии и NEDO;
- трое создадут основу «модели VTLA», совместно обрабатывающей зрение, осязание, язык и действия; за первый год на производстве будет собрано 5000 часов видео-, тактильных и моторных данных;
- проект идёт с августа 2026 года по июль 2027-го; NEDO предоставляет до 2 млрд иен; среди участников также Осакский университет, стартап тактильных датчиков FingerVision и разработчик базовых ИИ-технологий ABEJA;
- совместно трое унифицируют только «спецификации данных и методику их сбора»; полевые данные, технологии управления и «железо» каждая компания оставляет у себя.
Противники сели за один стол
По плану проект длится год — с августа 2026-го по июль 2027-го. Термин «воплощённый ИИ» в отрасли давно не новинка: это ИИ, работающий руками в физическом мире — не генерирующий текст и картинки на экране, а управляющий рукой и кистью робота, чтобы схватить, собрать, перенести и в самом деле довести работу до конца. Кажется, сменился лишь объект на выходе, на деле же это совершенно иная технологическая линия.
Распределение ролей в проекте тоже предельно ясное. Три производителя роботов унифицируют спецификации данных и платформу их сбора; головной организацией выступает Осакский университет; ABEJA по заказу университета отвечает за усиление базовых технологий; участок тактильных датчиков поручен стартапу FingerVision. Конкуренты, университет и стартап, собравшиеся за одним столом ради единого массива данных, — сама эта комбинация говорит о весе затеи.
Решающий козырь переместился с машины на данные
Долгие годы конкуренция в промышленной робототехнике была конкуренцией «железа». Точность позиционирования, грузоподъёмность, скорость, долговечность — таблицы параметров в целом хватало, чтобы расставить всех по местам. Именно это механическое мастерство японские производители наращивали десятилетиями и благодаря ему долго занимали первый ряд мировых производителей промышленных роботов.
Воплощённый ИИ испытывает способность другого рода. Человеку достаточно сказать «принеси вон то» — и робот должен сам оценить обстановку и справиться, даже если эту деталь он видит впервые. Такие универсальные действия невозможны на одном лишь точном «железе»: нужен ИИ, вскормленный гигантскими объёмами операционных данных. Эмпирическое правило больших языковых моделей действует и здесь: масштаб и разнообразие обучающих данных в значительной степени задают потолок модели.
Беда в том, что до сих пор эти данные были разобщены по рукам. Формат записи, что измерять и как — у каждой компании своё, и данные, собранные производителем A, напрямую на обучение модели производителя B не годятся. Как только формат унифицирован, данные разных предприятий и разных операций становятся взаимно пригодными, пул данных для «кормления» моделей разом расширяется, а вместе с ним подрастает и скорость разработки. Унификация — тот фундамент, на котором взаимное использование данных вообще становится возможным.
А если совсем прямо: в одиночку ни одна компания не соберёт достаточно разнообразных полевых данных. Под рукой всего несколько отраслей и несколько типов операций — влить данные конкурентов в единый формат куда быстрее, чем сидеть каждому на своём. Противники объединились именно сейчас по той простой причине, что поменялся предмет борьбы.
Замысел VTLA: заменить «обучение» «самообучением»
Ядро разработки — модель под названием VTLA: Vision, Tactile, Language, Action — совместная обработка зрения, осязания, языка и действия. Целевой сценарий таков: понять голосовую команду человека, рассмотреть объект камерой и затем, полагаясь на осязание кончиков пальцев, довести движение до конца, на ходу дозируя усилие, — весь этот конвейер замыкает одна-единственная модель.
Самое особенное здесь — осязание. Классические промышленные роботы работают в основном по зрению и данным о положении, но тонкую ручную работу — взять мягкую деталь, вставить штифт в слегка сместившееся отверстие — не выполнить без ощущения проскальзывания и точного чувства усилия нажатия. Технология FingerVision и призвана закрыть этот пробел.
Ещё заслуживает размышления то, что она способна заменить собой обучение методом показа. Сегодня производство повсеместно полагается на «обучение»: роботу вручную, движение за движением, показывают программу, и при каждой смене объекта работы инженер заново вводит координаты и последовательности. Этот этап — та стена, которую не объехать многономенклатурным мелкосерийным заводам на пути к автоматизации, и к тому же самое людоёмкое звено на линиях, где и без того не хватает рук. Если VTLA выйдет на практический уровень, способ, которым роботы осваивают работу, сменится с «человек учит» на «ИИ учится сам из данных», и даже впервые встреченная задача будет по плечу хотя бы приблизительно. Сама посылка автоматизации, возможно, перевернётся с «учить» на «учиться».
Обобществляется формат, отвоёвывается право голоса
Суть союза трёх компаний спрятана в границе между «чем делиться» и «чем не делиться». Унифицируются лишь спецификации данных и методика сбора — правила того, как записывать и как хранить. У каждой компании остаются полевые данные собственных заводов, технологии управления роботами и «железо», а в конечном счёте — продукты и услуги. Базовые правила складываются в общую копилку, а состязание разворачивается поверх них.
Отсюда и настоящий пункт спора: право голоса. Кому принадлежат данные, собранные в общем формате, кто вправе обучать на них модели, кто утверждает детализацию стандарта — сторона, удержавшая это, получает фору на базовом уровне воплощённого ИИ. Принятие стандартов испокон веку было одновременно и борьбой за право определять, какими будут детали.
Если раздвинуть рамку, этот шаг связан с мировой борьбой за данные. NVIDIA расширяет свои позиции в воплощённом ИИ через вычислительные платформы для разработок и среды симуляции; эти три японские компании, в свою очередь, ведут с Fujitsu и NVIDIA отдельные деловые обсуждения о внедрении в реальные сферы, а вычислительные мощности и подобные звенья будут усиливать зарубежными технологиями. Но в том, что касается «стандартов данных для производства», они хотят удержать собственный японский фундамент данных: платформу можно частично занять взаймы, лидерство в данных не отдаётся. Именно в этом смысле и следует читать нынешний союз.
Интеграторам и производителям комплектующих предстоит сменить позиции
Как только универсальные наборы данных и базовые модели примут зрелую форму, эффект выйдет за пределы производителей роботов.
Заметнее всего сдвинутся системные интеграторы. Поставить робота на производство и оживить его обучением методом показа всегда было их опорой. По мере того как «самообучение» вытесняет «обучение показом», поштучной ручной настройки станет меньше, а центр тяжести сместится к услугам, выстроенным вокруг данных: помочь заводу собрать данные, отвечающие его реалиям, и донастроить модель под конкретную операцию. Превращение из «людей, ставящих оборудование» в «людей, живущих при данных» может случиться быстрее, чем кажется.
Для производителей комплектующих и датчиков это, напротив, шанс. VTLA поднимает осязание на недосягаемую прежде высоту, и спрос на датчики усилия, тактильные датчики и обеспечивающую их точную механику может вырасти — а это точно ложится на сильную сторону японских поставщиков компонентов. Правда, вместе с ним может сместиться и точка приложения ценности: от «продать датчик» к «как данные, собранные этим датчиком, подключить к платформе».
И ещё один момент, который не мешает держать в поле зрения коллегам в Китае: станет ли этот стандарт данных расползаться дальше по производственным цепочкам Азии — переменная, за которой стоит следить ближайшие год-два.
За чем следить дальше: три знака вопроса
Права на использование данных. Кому отойдут данные после унификации, в каких пределах каждая компания сможет их использовать, как между тройкой поделится право определять содержание стандарта — пока всё это остаётся туманным, лозунг унификации можно провозглашать и дальше, но вырастет ли из него настоящий стандарт — большой вопрос. Первым критерием станут правила эксплуатации, которые проект опубликует позже.
Количество данных. Хватит ли 5000 часов первого года для обучения универсальной модели, со стороны оценить трудно. На фоне объёмов текста, проглоченного большими языковыми моделями, 5000 часов скорее похожи на отправную точку; впрочем, час полевых операционных данных очень насыщен информацией, так что лобовое сравнение по длительности некорректно. Настоящую состоятельность модели определит то, сколько данных удастся добавить со второго года и далее.
Сможет ли японский стандарт выйти в мир. Смогут ли японские производители, десятилетиями правившие мировым рынком за счёт «железа», удержать инициативу на новом поле — «данных»? Этот годовой проект и есть первый пробный камень.
Для сервисных компаний вроде нашей, каждый день имеющих дело с оборудованием всех трёх производителей, у новости есть и сугубо практический смысл: «акцент» машин на линиях, похоже, начнёт меняться. Последние двадцать лет стержень мастерства инженеров по ремонту и наладке — обучение методом показа, параметры, поиск неисправностей; дальше же дороже всего будут стоить инженеры, понимающие полевые данные и умеющие «кормить» ИИ. Машины те же, а игра меняет рельсы. Смежные услуги: ремонт и обслуживание роботов импортных брендов, охват брендов и материалы по моделям.
Читайте также
- Быстрый справочник кодов аварийных сигналов FANUC
- Продажа подержанных роботов
- Парк роботов китайских брендов и экосистема обслуживания
