Великая параллель: Jim Fan из NVIDIA описал финальную стратегию робототехники

Источник: Humanoids Daily. Материал найден через пост в X. Перевод подготовлен с сохранением структуры оригинала.

• Jim Fan описывает «Великую параллель», в которой робототехника повторяет эволюционный путь LLM: pre-training, alignment, reasoning и autonomous research.
• Индустрия смещается от «language-first» Vision-Language-Action-моделей (VLA) к video-first World Action Models (WAM), которые ставят физические законы выше языковых существительных.
• Человеческая телеоперация уступает место «sensorized human data»: EgoScale показывает, что 21 000 часов эгоцентрического видео могут предсказывать успех робота.
• NVIDIA прогнозирует «физический тест Тьюринга» в течение 2–3 лет и завершение робототехнического «дерева технологий» к 2040 году.
• Новая мантра масштабирования — «compute equals environment equals data» — двигает развитие нейросимуляторов вроде DreamDojo.

В знаковом выступлении на Sequoia Capital AI Ascent 2026 Jim Fan, руководитель группы Embodied Autonomous Research в NVIDIA, заявил, что «end game» робототехники больше не является далёким видением, а представляет собой чётко определённую техническую дорожную карту. Fan утверждает, что область сейчас проходит через «Великую параллель»: она повторяет быструю эволюцию больших языковых моделей, накладывая развитие робототехники на четырёхступенчатый GPT-playbook — pre-training, alignment, reasoning и autonomous research.

Jim Fan из NVIDIA представил своё видение робототехнического «дерева технологий» на AI Ascent 2026. Он прогнозирует, что к 2040 году индустрия достигнет стадии «physical auto-research», когда роботы будут автономно проектировать, улучшать и строить свои собственные следующие поколения.

Выход за пределы «LLM-pilled» робототехники

В последние несколько лет индустрия сильно опиралась на Vision-Language-Action модели (VLA), такие как GR00T N1.5 и π0.7 от Physical Intelligence. Fan охарактеризовал их как «head-heavy» архитектуры — по сути языковые модели, к которым сверху «привита» action head. Они хорошо распознают «существительные» — например, могут определить банку Coca-Cola рядом с фотографией Taylor Swift, — но часто испытывают трудности с «глаголами» физики.

Новая парадигма, по словам Fan, — это World Action Model (WAM). Такие модели, примером которых служит NVIDIA DreamZero, рассматривают зрение и действие как первоклассных граждан. Вместо предсказания следующего слова WAM предсказывают следующее физическое состояние, одновременно «сновидя» будущие пиксели и крутящие моменты суставов. Fan указал на видеомодели вроде Sora и Veo как на раннее свидетельство «physics slop» — зарождающегося понимания гравитации, плавучести и отражений, которое возникает исключительно благодаря масштабу.

Смерть телеоперации

Fan объявил «минуту молчания» по телеоперации — историческому золотому стандарту сбора данных для роботов. Ограниченная 24-часовым физическим днём и «милостью роботических богов», которые часто дают сбои, телеоперация не может масштабироваться до миллионов часов, необходимых для generalist intelligence.

Вместо этого NVIDIA делает ставку на sensorized human data. Это включает:

• Universal Manipulation Interfaces (UMI): обманчиво простые актуаторы, которые надеваются на человеческие руки и позволяют собирать данные без участия робота в контуре.
• Egocentric Scaling: использование тысяч часов видео от первого лица, чтобы построить фундаментальный motor prior.

Самый заметный пример этого сдвига — EgoScale, предобученный на 20 854 часах человеческого видео. Fan подчеркнул обнаруженный в исследовании почти идеальный лог-линейный закон масштабирования: по мере роста объёма человеческих данных zero-shot dexterity робота монотонно улучшается. В этой новой парадигме телеоперация составляет менее 0,1% обучающей смеси.

Compute equals environment equals data

Чтобы обойти «data bottleneck» физического мира, NVIDIA агрессивно развивает генеративную симуляцию. Fan представил концепцию «Digital Cousins» — процедурно сгенерированных окружений, полученных из iPhone-сканов. Однако конечная цель — «Simulation 2.0» через нейросимуляторы вроде DreamDojo.

DreamDojo заменяет классические физические уравнения data-driven генерацией видео, выдавая состояния сенсоров в реальном времени со скоростью более 10 FPS. Это позволяет роботам запускать reinforcement learning в «dream space» модели. «Compute now equals environment equals data», — заявил Fan, повторяя scaling-настроение, которое определило эпоху Blackwell GPU.

Горизонт 2040 года

Fan завершил выступление таймлайном для Robotics Technology Tree. Он предсказал, что машины пройдут Physical Turing Test — будут выполнять задачи с грацией, неотличимой от человеческой, — в течение следующих 2–3 лет. К 2040 году он ожидает реализации «Physical Auto Research», когда роботы начнут автономно проектировать и улучшать следующее поколение самих себя.

«Наше поколение родилось слишком поздно, чтобы исследовать Землю, и слишком рано, чтобы исследовать звёзды, — отметил Fan, — но мы родились как раз вовремя, чтобы решить робототехнику».

Видео выступления: